人工智能：復雜問題求解的結(jié)構(gòu)和策略

第一部分  人工智能的淵源及范圍                  
 第1章  人工智能的歷史及應用                  
 1. 1  從伊甸園到第一臺電子計算機：對智慧. 知識和人類技能的態(tài)度                  
 1. 1. 1  歷史基礎(chǔ)                  
 1. 1. 2  邏輯的發(fā)展                  
 1. 1. 3  圖靈測試                  
 1. 1. 4  智能的生物和社會模型：主體                  
 1. 2  人工智能的應用領(lǐng)域                  
 1. 2. 1  博弈                  
 1. 2. 2  自動推理和定理證明                  
 1. 2. 3  專家系統(tǒng)                  
 1. 2. 4  自然語言理解和語義建模                  
 1. 2. 5  對人類表現(xiàn)建模                  
 1. 2. 6  規(guī)劃和機器人                  
 1. 2. 7  人工智能的語言和環(huán)境                  
 1. 2. 8  機器學習                  
 1. 2. 9  另類表示：神經(jīng)網(wǎng)絡(luò)和遺傳算法                  
 1. 2. 10  AI和哲學                  
 1. 3  人工智能的概括                  
 1. 4  結(jié)語和參考文獻                  
 1. 5  練習                  
 第二部分  作為表示和搜索的人工智能                  
 第2章  謂詞演算                  
 2. 0  簡介                  
 2. 1  命題演算                  
 2. 1. 1  符號和語句                  
 2. 1. 2  命題演算的語義                  
 2. 2  謂詞演算                  
 2. 2. 1  謂詞的語法和語句                  
 2. 2. 2  謂詞演算的語義                  
 2. 2. 3  語義含義的積木世界例子                  
 2. 3  使用推理規(guī)則產(chǎn)生謂詞演算表達式                  
 2. 3. 1  推理規(guī)則                  
 2. 3. 2  合一算法                  
 2. 3. 3  合一的例子                  
 2. 4  應用：一個基于邏輯的財務顧問                  
 2. 5  結(jié)語和參考文獻                  
 2. 6  練習                  
 第3章  用以搜索狀態(tài)空間的結(jié)構(gòu)和策略                  
 3. 0  簡介                  
 3. 1  圖論                  
 3. 1. 1  狀態(tài)空間搜索的結(jié)構(gòu)                  
 3. 1. 2  問題的狀態(tài)空間表示                  
 3. 2  用于狀態(tài)空間搜索的策略                  
 3. 2. 1  數(shù)據(jù)驅(qū)動搜索和目標驅(qū)動搜索                  
 3. 2. 2  圖搜索的實現(xiàn)                  
 3. 2. 3  深度優(yōu)先搜索和寬度優(yōu)先搜索                  
 3. 2. 4  迭代加深的深度優(yōu)先搜索                  
 3. 3  利用狀態(tài)空間來表示謂詞演算推理                  
 3. 3. 1  邏輯系統(tǒng)的狀態(tài)空間描述                  
 3. 3. 2  與或圖                  
 3. 3. 3  進一步的例子和應用                  
 3. 4  結(jié)語和參考文獻                  
 3. 5  練習                  
 第4章  啟發(fā)式搜索                  
 4. 0  簡介                  
 4. 1  啟發(fā)式搜索算法                  
 4. 1. 1  實現(xiàn)最佳優(yōu)先搜索                  
 4. 1. 2  實現(xiàn)啟發(fā)評估函數(shù)                  
 4. 1. 3  啟發(fā)式搜索和專家系統(tǒng)                  
 4. 2  可采納性. 單調(diào)性和信息度                  
 4. 2. 1  可采納性尺度                  
 4. 2. 2  單調(diào)性                  
 4. 2. 3  信息度更高的啟發(fā)是更好的啟發(fā)                  
 4. 3  在博弈中使用啟發(fā)                  
 4. 3. 1  針對可窮舉搜索情況的極小極大過程                  
 4. 3. 2  固定層深的極小極大過程                  
 4. 3. 3  a-B過程                  
 4. 4  復雜度問題                  
 4. 5  結(jié)語和參考文獻                  
 4. 6  練習                  
 第5章  狀態(tài)空間搜索的控制和實現(xiàn)                  
 5. 0  簡介                  
 5. 1  基于遞歸的搜索                  
 5. 1. 1  遞歸                  
 5. 1. 2  遞歸搜索                  
 5. 2  模式導向搜索                  
 5. 2. 1  遞歸搜索實例：騎士周游問題                  
 5. 2. 2  改進模式搜索算法                  
 5. 3  產(chǎn)生式系統(tǒng)                  
 5. 3. 1  定義和歷史                  
 5. 3. 2  產(chǎn)生式系統(tǒng)的例子                  
 5. 3. 3  產(chǎn)生式系統(tǒng)中的搜索控制                  
 5. 3. 4  產(chǎn)生式系統(tǒng)的優(yōu)點                  
 5. 4  用于問題求解的黑板結(jié)構(gòu)                  
 5. 5  結(jié)語和參考文獻                  
 5. 6  練習                  
 第三部分  表示和智能：AI中的挑戰(zhàn)                  
 第6章  知識表示                  
 6. 0  知識表示問題                  
 6. 1  AI表象圖式的簡要歷史                  
 6. 1. 1  語義關(guān)聯(lián)理論                  
 6. 1. 2  語義網(wǎng)絡(luò)的早期研究                  
 6. 1. 3  網(wǎng)絡(luò)關(guān)系的標準化                  
 6. 1. 4  腳本                  
 6. 1. 5  框架                  
 6. 2  概念圖：網(wǎng)絡(luò)語言                  
 6. 2. 1  概念圖簡介                  
 6. 2. 2  類型. 個體和名字                  
 6. 2. 3  類型層次                  
 6. 2. 4  泛化和特化                  
 6. 2. 5  命題結(jié)點                  
 6. 2. 6  概念圖和邏輯                  
 6. 3  顯式表示的替代方法                  
 6. 3. 1  Brookss假設(shè)和包容結(jié)構(gòu)                  
 6. 3. 2  Copycat結(jié)構(gòu)                  
 6. 4  基于主體的和分布式的問題求解方法                  
 6. 4. 1  面向主體的問題求解：定義                  
 6. 4. 2  面向主體模式的應用領(lǐng)域以及存在的問題                  
 6. 5  結(jié)語和參考文獻                  
 6. 6  練習                  
 第7章  求解問題的強方法                  
 7. 0  簡介                  
 7. 1  專家系統(tǒng)技術(shù)概覽                  
 7. 1. 1  基于規(guī)則的專家系統(tǒng)                  
 7. 1. 2  問題選擇和知識工程的步驟                  
 7. 1. 3  概念模型及其在知識獲取中的作用                  
 7. 2  基于規(guī)則的專家系統(tǒng)                  
 7. 2. 1  產(chǎn)生式系統(tǒng)和目標驅(qū)動問題求解                  
 7. 2. 2  目標驅(qū)動推理中的解釋和-透明性                  
 7. 2. 3  利用產(chǎn)生式系統(tǒng)進行數(shù)據(jù)驅(qū)動推理                  
 7. 2. 4  專家系統(tǒng)的啟發(fā)和控制                  
 7. 3  基于模型系統(tǒng). 基于案例系統(tǒng)和混合系統(tǒng)                  
 7. 3. 1  基于模型推理簡介                  
 7. 3. 2  基于模型推理：來自NASA的例子(Williams and Nayak)                  
 7. 3. 3  基于案例推理介紹                  
 7. 3. 4  混合設(shè)計：強方法系統(tǒng)的優(yōu)勢和不足                  
 7. 4  規(guī)劃                  
 7. 4. 1  簡介                  
 7. 4. 2  使用規(guī)劃宏：STRIPS                  
 7. 4. 3  teleo-reactive規(guī)劃(Nilsson 1994, Benson 1995)                  
 7. 4. 4  規(guī)劃：來自NASA的例子(Williams and Nayak)                  
 7. 5  結(jié)語和參考文獻                  
 7. 6  練習                  
 第8章  不確定條件下的推理                  
 8. 0  簡介                  
 8. 1  基于邏輯的反繹推理                  
 8. 1. 1  非單調(diào)推理邏輯                  
 8. 1. 2  真值維護系統(tǒng)                  
 8. 1. 3  基于最小模型的邏輯                  
 8. 1. 4  集合覆蓋和基于邏輯的反繹(Stern 1996)                  
 8. 2  反繹：邏輯之外的辦法                  
 8. 2. 1  Stanford確信度代數(shù)                  
 8. 2. 2  模糊集推理                  
 8. 2. 3  Dempster-Shafer證據(jù)理論                  
 8. 3  統(tǒng)計的方法處理不確定性                  
 8. 3. 1  貝葉斯推理                  
 8. 3. 2  貝葉斯信念網(wǎng)絡(luò)                  
 8. 4  結(jié)語和參考文獻                  
 8. 5  練習                  
 第四部分  機器學習                  
 第9章  基于符號的機器學習                  
 9. 0  概述                  
 9. 1  基于符號的學習的框架                  
 9. 2  變型空間搜索                  
 9. 2. 1  泛化操作和概念空間                  
 9. 2. 2  候選解排除算法                  
 9. 2. 3  LEX：啟發(fā)式歸納搜索                  
 9. 2. 4  評價候選解排除算法                  
 9. 3  ID3決策樹歸納算法                  
 9. 3. 1  自頂向下決策樹歸納                  
 9. 3. 2  測試選擇的信息論方法                  
 9. 3. 3  評價ID3                  
 9. 3. 4  決策樹數(shù)據(jù)問題：打包. 推進                  
 9. 4  歸納偏置和學習能力                  
 9. 4. 1  歸納偏置                  
 9. 4. 2  可學習性理論                  
 9. 5  知識和學習                  
 9. 5. 1  Meta-DENDRAL                  
 9. 5. 2  基于解釋的學習                  
 9. 5. 3  EBL和知識層學習                  
 9. 5. 4  類比推理                  
 9. 6  無監(jiān)督學習                  
 9. 6. 1  發(fā)現(xiàn)和無監(jiān)督學習                  
 9. 6. 2  概念聚類                  
 9. 6. 3  COBWEB和分類知識的結(jié)構(gòu)                  
 9. 7  強化學習                  
 9. 7. 1  強化學習的組成部分                  
 9. 7. 2  一個例子：九宮游戲                  
 9. 7. 3  強化學習的推理算法和應用                  
 9. 8  結(jié)語和參考文獻                  
 9. 9  練習                  
 第10章  連接主義的機器學習                  
 10. 0  介紹                  
 10. 1  連接網(wǎng)絡(luò)的基礎(chǔ)                  
 10. 2  感知機學習                  
 10. 2. 1  感知機學習算法                  
 10. 2. 2  例子：用感知機進行分類                  
 10. 2. 3  用delta規(guī)則                  
 10. 3  反傳學習                  
 10. 3. 1  反傳算法的起源                  
 10. 3. 2  反傳算法實例1：NETtalk                  
 10. 3. 3  反傳算法實例2：異或                  
 10. 4  競爭學習                  
 10. 4. 1  對于分類的"勝者全拿"學習                  
 10. 4. 2  學習原型的Kohonen網(wǎng)絡(luò)                  
 10. 4. 3  Outstar網(wǎng)絡(luò)和逆?zhèn)?nbsp;                 
 10. 5  Hebbian一致性學習                  
 10. 5. 1  介紹                  
 10. 5. 2  無監(jiān)督Hebbian學習的例子                  
 10. 5. 3  有監(jiān)督Hebbian學習                  
 10. 5. 4  關(guān)聯(lián)記憶和線性關(guān)聯(lián)器                  
 10. 6  吸引子網(wǎng)絡(luò)或記憶                  
 10. 6. 1  介紹                  
 10. 6. 2  BAM, 雙向關(guān)聯(lián)記憶                  
 10. 6. 3  BAM處理的例子                  
 10. 6. 4  自相關(guān)記憶和Hopfield網(wǎng)絡(luò)                  
 10. 7  結(jié)語和參考文獻                  
 10. 8  練習                  
 第11章  機器學習：社會性和涌現(xiàn)性                  
 11. 0  社會性和涌現(xiàn)性的學習模型                  
 11. 1  遺傳算法                  
 11. 1. 1  兩個例子：CNF可滿足性問題和巡回推銷員問題                  
 11. 1. 2  遺傳算法的評估                  
 11. 2  分類器系統(tǒng)和遺傳程序設(shè)計                  
 11. 2. 1  分類器系統(tǒng)                  
 11. 2. 2  用遺傳算子進行程序設(shè)計                  
 11. 3  人工生命和基于社會的學習                  
 11. 3. 1  生命游戲                  
 11. 3. 2  進化規(guī)劃                  
 11. 3. 3  涌現(xiàn)的實例研究(Crutchfield and Mitchell 1994)                  
 11. 4  結(jié)語和參考文獻                  
 11. 5  練習                  
 第五部分  智能問題求解高級主題                  
 第12章  自動推理                  
 12. 0  定理證明中的弱方法                  
 12. 1  通用問題求解程序和差別表                  
 12. 2  歸結(jié)定理證明                  
 12. 2. 1  介紹                  
 12. 2. 2  為進行歸結(jié)反駁生成子句形式                  
 12. 2. 3  二元歸結(jié)證明過程                  
 12. 2. 4  歸結(jié)策略和簡化技術(shù)                  
 12. 2. 5  從歸結(jié)反駁中抽取解答                  
 12. 3  PROLOG和自動推理                  
 12. 3. 1  介紹                  
 12. 3. 2  邏輯編程和PROLOG                  
 12. 4  自動推理進一步的問題                  
 12. 4. 1  弱方法求解的統(tǒng)一表示法                  
 12. 4. 2  可選推理規(guī)則                  
 12. 4. 3  搜索策略及其使用                  
 12. 5  結(jié)語和參考文獻                  
 12. 6  練習                  
 第13章  自然語言理解                  
 13. 0  自然語言理解問題                  
 13. 1  解構(gòu)語言：符號分析                  
 13. 1. 1  介紹                  
 13. 1. 2  語言分析的過程                  
 13. 2  語法                  
 13. 2. 1  使用上下文無關(guān)文法說明和解析                  
 13. 2. 2轉(zhuǎn)移網(wǎng)絡(luò)解析器                  
 13. 2. 3  喬姆斯基層次和上下文相關(guān)文法                  
 13. 3  ATN解析器的語法和知識                  
 13. 3. 1  擴充轉(zhuǎn)移網(wǎng)絡(luò)解析器                  
 13. 3. 2  結(jié)合語法和語義知識                  
 13. 4  語言分析隨機工具                  
 13. 4. 1  介紹                  
 13. 4. 2  馬爾科夫模型方法                  
 15. 3  高階函數(shù)和抽象                  
 15. 3. 1  映像和過濾器                  
 15. 3. 2  函數(shù)參數(shù)和lambda表達式                  
 15. 4  LISP中的搜索策略                  
 15. 4. 1  寬度優(yōu)先和深度優(yōu)先搜索                  
 15. 4. 2  最優(yōu)搜索                  
 15. 5  LISP中的模式匹配                  
 15. 6  遞歸合一函數(shù)                  
 15. 7  解釋器和嵌入式語言                  
 15. 8  LISP中的邏輯編程                  
 15. 8. 1  一個簡單的邏輯編程語言                  
 15. 8. 2  流和流處理                  
 15. 8. 3  基于流的邏輯程序解釋器                  
 15. 9  流和延遲分析                  
 15. 10  一個LISP的專家系統(tǒng)外殼                  
 15. 10. 1  實現(xiàn)確定性因子                  
 15. 10. 2  lisp-shell的體系結(jié)構(gòu)                  
 15. 10, 3  用lisp-shell的分類                  
 15. 11  LISP中的語義網(wǎng)絡(luò)和繼承                  
 15. 12  用CLOS的面向?qū)ο蟮木幊?nbsp;                 
 15. 12. 1  CLOS中類和實例的定義                  
 15. 12. 2  定義通用函數(shù)和方法                  
 15. 12. 3  CLOS中的繼承                  
 15. 12. 4  例子：自動調(diào)溫器仿真                  
 15. 13  LISP中的學習：ID3算法,                   
 15. 13. 1  用defstruct定義結(jié)構(gòu)                  
 15. 13. 2  ID3算法                  
 15. 14  結(jié)語和參考文獻                  
 15. 15  練習                  
 第七部分  后  記                  
 第16章  人工智能作為按經(jīng)驗進行                  
 探索的學科                  
 16. 0  引言                  
 16. 1  人工智能：修訂后的定義                  
 16. 1. 1  人工智能和物理符號系統(tǒng)假設(shè)                  
 16, 1. 2  連接或者"神經(jīng)"計算                  
 16. 1. 3  主體. 涌現(xiàn)和智能                  
 16. 2  智能系統(tǒng)科學                  
 16. 2. 1  心理學約束                  
 16. 2. 2  認識論問題                  
 16. 2. 3  情景角色和存在智能                  
 16. 3  人工智能：當前的問題和未來的方向                  
 16. 4  結(jié)語和參考文獻                  
 參考文獻                  
 作者索引                  
 主題索引