人工智能復雜問題求解的結構和策略（原書第6版）

出版者的話
譯者序
前言
第一部分 人工智能的歷史淵源及研究范圍
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：對智能、知識和人類技能的態(tài)度
1.1.1 人工智能基礎的簡要歷史
1.1.2 理性主義和經驗主義學派對人工智能的影響
1.1.3 形式邏輯的發(fā)展
1.1.4 圖靈測試
1.1.5 智能的生物和社會模型：主體理論
1.2 人工智能應用領域概述
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學
1.2.5 對人類表現(xiàn)建模
1.2.6 規(guī)劃和機器人學
1.2.7 人工智能的語言和環(huán)境
1.2.8 機器學習
1.2.9 其他表示：神經網絡和遺傳算法
1.2.1 0AI和哲學
1.3 人工智能小結
1.4 結語和參考文獻
1.5 習題
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（選讀）
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 結語和參考文獻
2.6 習題
第3章 狀態(tài)空間搜索的結構和策略
3.0 簡介
3.1 狀態(tài)空間搜索的結構
3.1.1 圖論（選讀）
3.1.2 有限狀態(tài)自動機（選讀）
3.1.3 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)驅動搜索和目標驅動搜索
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)空間來表示命題演算和謂詞演算的推理
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 結語和參考文獻
3.5 習題
第4章 啟發(fā)式搜索
4.0 簡介
4.1 爬山法和動態(tài)規(guī)劃法
4.1.1 爬山
4.1.2 動態(tài)規(guī)劃
4.2 最佳優(yōu)先搜索算法
4.2.1 實現(xiàn)最佳優(yōu)先搜索
4.2.2 實現(xiàn)啟發(fā)評估函數(shù)
4.2.3 啟發(fā)式搜索和專家系統(tǒng)
4.3 可采納性、單調性和信息度
4.3.1 可采納性度量
4.3.2 單調性
4.3.3 信息度更高的啟發(fā)是更好的啟發(fā)
4.4 在博弈中使用啟發(fā)
4.4.1 在可窮舉搜索圖上的極小極大過程
4.4.2 固定層深的極小極大過程
4.4.3 α-β過程
4.5 復雜度問題
4.6 結語和參考文獻
4.7 習題
第5章 隨機方法
5.0 簡介
5.1 計數(shù)基礎（選讀）
5.1.1 加法和乘法規(guī)則
5.1.2 排列與組合
5.2 概率論基礎
5.2.1 樣本空間、概率和獨立性
5.2.2 概率推理：一個道路/交通例子
5.2.3 隨機變量
5.2.4 條件概率
5.3 貝葉斯定理
5.4 隨機方法學的應用
5.4.1 “tomato”是如何發(fā)音的
5.4.2 道路/交通例子的擴展
5.5 結語和參考文獻
5.6 習題
第6章 為狀態(tài)空間搜索建立控制算法
6.0 簡介
6.1 基于遞歸的搜索（選讀）
6.1.1 遞歸
6.1.2 一個遞歸搜索的例子：模式驅動推理
6.2 產生式系統(tǒng)
6.2.1 定義和歷史
6.2.2 產生式系統(tǒng)的例子
6.2.3 產生式系統(tǒng)中的搜索控制
6.2.4 AI產生式系統(tǒng)的優(yōu)點
6.3 用于問題求解的黑板結構
6.4 結語和參考文獻
6.5 習題
第三部分 捕獲智能：AI中的挑戰(zhàn)
第7章 知識表示
7.0 知識表示問題
7.1 AI表示模式的簡要歷史
7.1.1 語義關聯(lián)理論
7.1.2 語義網的早期研究
7.1.3 網絡關系的標準化
7.1.4 腳本
7.1.5 框架
7.2 概念圖：網絡語言
7.2.1 概念圖簡介
7.2.2 類型、個體和名字
7.2.3 類型層次
7.2.4 泛化和特化
7.2.5 命題結點
7.2.6 概念圖和邏輯
7.3 其他表示方法和本體
7.3.1 Brooks的包容結構
7.3.2 Copycat結構
7.3.3 多種表示、本體和知識服務
7.4 基于主體的和分布式的問題求解方法
7.4.1 基于主體的定義
7.4.2 基于主體的應用
7.5 結語和參考文獻
7.6 習題
第8章 求解問題的強方法
8.0 簡介
8.1 專家系統(tǒng)技術概覽
8.1.1 基于規(guī)則的專家系統(tǒng)設計
8.1.2 問題選擇和知識工程的步驟
8.1.3 概念模型及其在知識獲取中的作用
8.2 基于規(guī)則的專家系統(tǒng)
8.2.1 產生式系統(tǒng)和目標驅動問題求解
8.2.2 目標驅動推理中的解釋和透明性
8.2.3 利用產生式系統(tǒng)進行數(shù)據(jù)驅動推理
8.2.4 專家系統(tǒng)的啟發(fā)和控制
8.3 基于模型系統(tǒng)、基于案例系統(tǒng)和混合系統(tǒng)
8.3.1 基于模型推理簡介
8.3.2 基于模型推理：來自NASA的例子
8.3.3 基于案例推理介紹
8.3.4 混合設計：強方法系統(tǒng)的優(yōu)勢和不足
8.4 規(guī)劃
8.4.1 規(guī)劃簡介：機器人學
8.4.2 使用規(guī)劃宏：STRIPS
8.4.3 teleoreactive規(guī)劃
8.4.4 規(guī)劃：來自NASA的例子
8.5 結語和參考文獻
8.6 習題
第9章 不確定條件下的推理
9.0 簡介
9.1 基于邏輯的反繹推理
9.1.1 非單調推理邏輯
9.1.2 真值維護系統(tǒng)
9.1.3 基于最小模型的邏輯
9.1.4 集合覆蓋和基于邏輯的反繹
9.2 反繹：邏輯之外的辦法
9.2.1 Stanford確信度代數(shù)
9.2.2 模糊集推理
9.2.3 DempsterShafer證據(jù)理論
9.3 處理不確定性的隨機方法
9.3.1 有向圖模型：貝葉斯信念網絡
9.3.2 有向圖模型：d-可分
9.3.3 有向圖模型：一個推理算法
9.3.4 有向圖模型：動態(tài)貝葉斯網絡
9.3.5 馬爾可夫模型：離散馬爾可夫過程
9.3.6 馬爾可夫模型：變形
9.3.7 BBN概率建模的一階替代方案
9.4 結語和參考文獻
9.5 習題
第四部分 機器學習
第10章 基于符號的機器學習
10.0 簡介
10.1 基于符號學習的框架
10.2 變形空間搜索
10.2.1 泛化操作符和概念空間
10.2.2 候選解排除算法
10.2.3 LEX：啟發(fā)式歸納搜索
10.2.4 評估候選解排除算法
10.3 ID3決策樹歸納算法
10.3.1 自頂向下決策樹歸納
10.3.2 測試選擇的信息論方法
10.3.3 評價ID3
10.3.4 決策樹數(shù)據(jù)問題：打包、推進
10.4 歸納偏置和學習能力
10.4.1 歸納偏置
10.4.2 可學習性理論
10.5 知識和學習
10.5.1 MetaDENDRAL
10.5.2 基于解釋的學習
10.5.3 EBL和知識層學習
10.5.4 類比推理
10.6 無監(jiān)督學習
10.6.1 發(fā)現(xiàn)和無監(jiān)督學習
10.6.2 概念聚類
10.6.3 COBWEB和分類知識的結構
10.7 強化學習
10.7.1 強化學習的組成部分
10.7.2 一個例子：九宮游戲
10.7.3 強化學習的推理算法和應用
10.8 結語和參考文獻
10.9 習題
第11章 機器學習：連接機制
11.0 簡介
11.1 連接網絡的基礎
11.2 感知機學習
11.2.1 感知機訓練算法
11.2.2 例子：用感知機網絡進行分類
11.2.3 通用delta規(guī)則
11.3 反傳學習
11.3.1 反傳算法的起源
11.3.2 反傳算法實例1：NETtalk
11.3.3 反傳算法實例2：異或
11.4 競爭學習
11.4.1 對于分類的“勝者全拿”學習
11.4.2 學習原型的Kohonen網絡
11.4.3 outstar網絡和逆?zhèn)?br />11.4.4 支持向量機
11.5 Hebbian一致性學習
11.5.1 概述
11.5.2 無監(jiān)督Hebbian學習的例子
11.5.3 有監(jiān)督Hebbian學習
11.5.4 聯(lián)想記憶和線性聯(lián)想器
11.6 吸引子網絡或“記憶”
11.6.1 概述
11.6.2 雙向聯(lián)想記憶
11.6.3 BAM處理的例子
11.6.4 自相關記憶和Hopfield網絡
11.7 結語和參考文獻
11.8 習題
第12章 機器學習：遺傳性和涌現(xiàn)性
12.0 社會性和涌現(xiàn)性的學習模型
12.1 遺傳算法
12.1.1 兩個例子：CNF可滿足性問題和巡回推銷員問題
12.1.2 遺傳算法的評估
12.2 分類器系統(tǒng)和遺傳程序設計
12.2.1 分類器系統(tǒng)
12.2.2 用遺傳算子進行程序設計
12.3 人工生命和基于社會的學習
12.3.1 生命游戲
12.3.2 進化規(guī)劃
12.3.3 涌現(xiàn)的實例研究
12.4 結語和參考文獻
12.5 習題
第13章 機器學習：概率理論
13.0 學習中的隨機模型和動態(tài)模型
13.1 隱馬爾可夫模型(HMM)
13.1.1 隱馬爾可夫模型的介紹和定義
13.1.2 隱馬爾可夫模型的重要變形
13.1.3 使用HMM和Viterbi解碼音素串
13.2 動態(tài)貝葉斯網絡和學習
13.2.1 動態(tài)貝葉斯網絡
13.2.2 學習貝葉斯網絡
13.2.3 期望最大化：一個例子
13.3 強化學習的隨機擴展
13.3.1 馬爾可夫決策過程
13.3.2 部分 可觀測的馬爾可夫決策過程
13.3.3 馬爾可夫決策過程實現(xiàn)的例子
13.4 結語和參考文獻
13.5 習題
第五部分 人工智能問題求解的高級課題
第14章 自動推理
14.0 定理證明中的弱方法
14.1 通用問題求解器和差別表
14.2 歸結定理證明
14.2.1 概述
14.2.2 為歸結反駁生成子句形式
14.2.3 二元歸結證明過程
14.2.4 歸結策略和簡化技術
14.2.5 從歸結反駁中抽取解答
14.3 Prolog和自動推理
14.3.1 概述
14.3.2 邏輯程序設計和Prolog
14.4 自動推理進一步的問題
14.4.1 弱方法求解的統(tǒng)一表示法
14.4.2 可選推理規(guī)則
14.4.3 歸結反駁支持下的問答機制
14.4.4 搜索策略及其使用
14.5 結語和參考文獻
14.6 習題
第15章 自然語言理解
15.0 自然語言理解問題
15.1 解構語言：分析
15.2 語法
15.2.1 使用上下文無關文法說明和解析
15.2.2 Earley解析器：動態(tài)規(guī)劃二次訪問
15.3 轉移網絡解析器及語義學
15.3.1 轉移網絡解析器
15.3.2 喬姆斯基層次和上下文相關文法
15.3.3 ATN解析器的語義
15.3.4 結合句法和語義知識的ATN
15.4 語言理解的隨機工具
15.4.1 概述：語言分析中的統(tǒng)計技術
15.4.2 馬爾可夫模型方法
15.4.3 決策樹方法
15.4.4 解析的概率方法
15.4.5 概率上下文無關解析器
15.5 自然語言應用
15.5.1 故事理解和問題解答
15.5.2 數(shù)據(jù)庫前端
15.5.3 Web信息抽取和摘要系統(tǒng)
15.5.4 用學習算法來泛化抽取的信息
15.6 結語和參考文獻
15.7 習題
第六部分 后記
第16章 人工智能是經驗式的學科
16.0 簡介
16.1 人工智能：修訂的定義
16.1.1 人工智能和物理符號系統(tǒng)假設
16.1.2 連接或者“神經”計算
16.1.3 主體、涌現(xiàn)和智能
16.1.4 概率模型和隨機技術
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
16.3 人工智能：當前的挑戰(zhàn)和未來的方向
16.4 結語和參考文獻