《世界著名计算机教材精选 人工智能 一种现代的方法 第3版》PDF下载

  • 购买积分:24 如何计算积分?
  • 作  者:StuartJ·,Russell,Peter,Norvig著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2013
  • ISBN:9787302331094
  • 页数:918 页
图书介绍:本书是最权威、最经典的人工智能教材,已被全世界100多个国家的1200多所大学用作教材。本书的最新版全面而系统地介绍了人工智能的理论和实践,阐述了人工智能领域的核心内容,并深入介绍了各个主要的研究方向。本书适合于不同层次和领域的研究人员及学生,是高等院校本科生和研究生人工智能课的首选教材,也是相关领域的科研与工程技术人员的重要参考书。

第Ⅰ部分 人工智能 3

第1章 绪论 3

1.1 什么是人工智能 3

1.2 人工智能的基础 6

1.3 人工智能的历史 16

1.4 最新发展水平 27

1.5 本章小结 28

参考文献与历史注释 29

习题 29

第2章 智能Agent 32

2.1 Agent和环境 32

2.2 好的行为:理性的概念 34

2.3 环境的性质 37

2.4 Agent的结构 41

2.5 本章小结 52

参考文献与历史注释 52

习题 54

第Ⅱ部分 问题求解 59

第3章 通过搜索进行问题求解 59

3.1 问题求解Agent 59

3.2 问题实例 64

3.3 通过搜索求解 68

3.4 无信息搜索策略 73

3.5 有信息(启发式)的搜索策略 82

3.6 启发式函数 91

3.7 本章小结 95

参考文献与历史注释 96

习题 99

第4章 超越经典搜索 105

4.1 局部搜索算法和最优化问题 105

4.2 连续空间中的局部搜索 113

4.3 使用不确定动作的搜索 115

4.4 使用部分可观察信息的搜索 119

4.5 联机搜索Agent和未知环境 126

4.6 本章小结 131

参考文献与历史注释 131

习题 134

第5章 对抗搜索 137

5.1 博弈 137

5.2 博弈中的优化决策 139

5.3 α-β剪枝 141

5.4 不完美的实时决策 144

5.5 随机博弈 149

5.6 部分可观察的博弈 152

5.7 博弈程序发展现状 155

5.8 其他途径 157

5.9 本章小结 159

参考文献与历史注释 159

习题 164

第6章 约束满足问题 169

6.1 定义约束满足问题 169

6.2 约束传播:CSP中的推理 173

6.3 CSP的回溯搜索 178

6.4 CSP局部搜索 183

6.5 问题的结构 184

6.6 本章小结 188

参考文献与历史注释 188

习题 191

第Ⅲ部分 知识、推理与规划 197

第7章 逻辑Agent 197

7.1 基于知识的Agent 197

7.2 Wumpus世界 199

7.3 逻辑 201

7.4 命题逻辑:一种简单逻辑 204

7.5 命题逻辑定理证明 209

7.6 有效的命题逻辑模型检验 217

7.7 基于命题逻辑的Agent 221

7.8 本章小结 229

参考文献与历史注释 230

习题 233

第8章 一阶逻辑 238

8.1 重温表示 238

8.2 一阶逻辑的语法和语义 242

8.3 运用一阶逻辑 250

8.4 一阶逻辑的知识工程 255

8.5 本章小结 260

参考文献与历史注释 261

习题 262

第9章 一阶逻辑的推理 268

9.1 命题推理与一阶推理 268

9.2 合一和提升 270

9.3 前向链接 274

9.4 反向链接 280

9.5 归结 287

9.6 本章小结 296

参考文献与历史注释 297

习题 299

第10章 经典规划 304

10.1 经典规划的定义 304

10.2 状态空间搜索规划算法 309

10.3 规划图 314

10.4 其他经典规划方法 321

10.5 规划方法分析 325

10.6 本章小结 326

参考文献与历史注释 326

习题 329

第11章 现实世界的规划与行动 332

11.1 时间、调度和资源 332

11.2 分层规划 336

11.3 非确定性领域中的规划与行动 343

11.4 多Agent规划 351

11.5 本章小结 355

参考文献与历史注释 356

习题 359

第12章 知识表示 361

12.1 本体论工程 361

12.2 类别和对象 363

12.3 事件 368

12.4 精神事件和精神对象 372

12.5 类别的推理系统 375

12.6 缺省信息推理 379

12.7 互联网购物世界 383

12.8 本章小结 387

参考文献与历史注释 388

习题 392

第Ⅳ部分 不确定知识与推理 401

第13章 不确定性的量化 401

13.1 不确定环境下的行动 401

13.2 基本概率符号 404

13.3 使用完全联合分布进行推理 410

13.4 独立性 413

13.5 贝叶斯规则及其应用 414

13.6 重游wumpus世界 417

13.7 本章小结 420

参考文献与历史注释 420

习题 422

第14章 概率推理 426

14.1 不确定性问题域中的知识表示 426

14.2 贝叶斯网络的语义 428

14.3 条件分布的有效表示 433

14.4 贝叶斯网络中的精确推理 436

14.5 贝叶斯网络中的近似推理 443

14.6 关系和一阶概率模型 450

14.7 不确定推理的其他方法 456

14.8 本章小结 461

参考文献与历史注释 461

习题 466

第15章 时间上的概率推理 473

15.1 时间与不确定性 473

15.2 时序模型中的推理 476

15.3 隐马尔可夫模型 483

15.4 卡尔曼滤波器 487

15.5 动态贝叶斯网络 493

15.6 跟踪多个对象 500

15.7 本章小结 503

参考文献与历史注释 503

习题 506

第16章 制定简单决策 509

16.1 在不确定环境下结合信念与愿望 509

16.2 效用理论基础 510

16.3 效用函数 513

16.4 多属性效用函数 519

16.5 决策网络 522

16.6 信息价值 524

16.7 决策理论专家系统 528

16.8 本章小结 530

参考文献与历史注释 531

习题 534

第17章 制定复杂决策 538

17.1 序列式决策问题 538

17.2 价值迭代 543

17.3 策略迭代 547

17.4 部分可观察的MDP 548

17.5 多Agent的决策:博弈论 555

17.6 机制设计 565

17.7 本章小结 570

参考文献与历史注释 570

习题 573

第Ⅴ部分 学 习 579

第18章 样例学习 579

18.1 学习形式 579

18.2 监督学习 581

18.3 学习决策树 582

18.4 评估和选择最佳假说 591

18.5 学习理论 595

18.6 带线性模型的回归和分类 599

18.7 人工神经网 606

18.8 非参数化模型 614

18.9 支持向量机 619

18.10 组合学习 622

18.11 机器学习实例 626

18.12 本章小结 629

参考文献与历史注释 630

习题 634

第19章 学习中的知识 639

19.1 学习的逻辑公式化 639

19.2 学习中的知识 645

19.3 基于解释的学习 648

19.4 使用相关性信息学习 651

19.5 归纳逻辑程序设计 654

19.6 本章小结 662

参考文献与历史注释 662

练习 664

第20章 学习概率模型 666

20.1 统计学习 666

20.2 带完整数据的学习 669

20.3 隐变量学习:EM算法 677

20.4 本章小结 684

参考文献与历史注释 684

习题 686

第21章 强化学习 688

21.1 引言 688

21.2 被动强化学习 689

21.3 主动强化学习 695

21.4 强化学习中的泛化 700

21.5 策略搜索 702

21.6 强化学习的应用 704

21.7 本章小结 706

参考文献与历史注释 707

习题 710

第Ⅵ部分 通讯、感知与行动 715

第22章 自然语言处理 715

22.1 语言模型 715

22.2 文本分类 719

22.3 信息检索 721

22.4 信息抽取 727

22.5 本章小结 735

参考文献与历史注释 735

习题 737

第23章 用于通讯的自然语言 740

23.1 短语结构语法 740

23.2 句法分析 743

23.3 扩展文法和语义解释 747

23.4 机器翻译 755

23.5 语音识别 760

23.6 本章小结 765

参考文献与历史注释 766

习题 769

第24章 感知 774

24.1 图像生成 775

24.2 图像预处理 780

24.3 基于外观的物体识别 785

24.4 重建三维世界 789

24.5 基于结构的物体识别 797

24.6 视觉应用 799

24.7 本章小结 802

参考文献与历史注释 803

习题 805

第25章 机器人学 807

25.1 引言 807

25.2 机器人硬件 809

25.3 机器人的感知 813

25.4 运动规划 819

25.5 规划不确定的运动 825

25.6 运动 828

25.7 机器人软件体系结构 833

25.8 应用领域 836

25.9 本章小结 839

参考文献与历史注释 840

习题 843

第Ⅶ部分 结 论 851

第26章 哲学基础 851

26.1 弱人工智能:机器能够智能地行动吗 851

26.2 强人工智能:机器真能思考吗 856

26.3 发展人工智能的道德规范与风险 862

26.4 本章小结 868

参考文献与历史注释 868

习题 870

第27章 人工智能:现状与未来 872

27.1 Agent的组成部分 872

27.2 Agent的体系结构 874

27.3 我们在沿着正确的方向前进吗 876

27.4 如果人工智能成功了会怎样 877

附录A数学背景 879

A.1 复杂度分析与O()符号 879

A.2 向量、矩阵和线性代数 881

A.3 概率分布 882

参考文献与历史注释 884

附录B关于语言和算法的注释 885

B.1 用巴科斯范式(BNF)定义语言 885

B.2 算法的伪代码描述 886

B.3 联机帮助 887

参考文献 888