人工智能實用教程

第1章  引論
1.1 概述
1.2 人工智能簡史
1.3 人工智能的研究途徑及主要方法
1.4 人工智能發(fā)展趨勢
第2章  智能體
2.1 智能體
2.2 性能度量
2.3 任務(wù)環(huán)境的屬性
2.4 常見智能體
2.4.1 反射智能體
2.4.2 基于目標的智能體
第3章  搜索
3.1 問題求解智能體
3.1.1 定義明確的問題及解
3.1.2 問題的形式化
3.2 一般搜索系統(tǒng)
3.3 無信息搜索策略
3.3.1 廣度優(yōu)先搜索
3.3.2 一致費用搜索
3.3.3 深度優(yōu)先搜索
3.3.4 深度受限搜索
3.3.5 迭代深入搜索
3.4 啟發(fā)式搜索
3.4.1 貪婪最佳搜索
3.4.2 A搜索
3.4.3 啟發(fā)函數(shù)
3.5 局部搜索算法
3.5.1 爬山法
3.5.2 模擬退火搜索
3.5.3 遺傳算法
第4章  約束可滿足性問題
4.1 概述
4.2 實例及形式化
4.3 分類
4.4 搜索方法
4.4.1 CSP問題的回溯搜索
4.4.2 通過約束傳播信息
4.5 約束滿足的局部搜索
4.6 問題的結(jié)構(gòu)
4.6.1 子結(jié)構(gòu)
4.6.2 樹狀結(jié)構(gòu)
第5章  對抗搜索
5.1 博弈
5.2 博弈中的優(yōu)化決策
5.2.1 最優(yōu)決策
5.2.2 極小極大算法
5.2.3 多人游戲中的最優(yōu)策略
5.3 α-β剪枝
5.4 不完整的實時決策
第6章  馬爾可夫決策過程
6.1 最大化期望效用原理
6.2 效用理論基礎(chǔ)
6.2.1 理性偏好的約束
6.2.2 效用函數(shù)
6.3 馬爾可夫決策過程
6.4 值迭代
6.5 策略迭代
第7章  增強學習
7.1 被動增強學習
7.1.1 直接狀態(tài)估計
7.1.2 基于模型的估計
7.2 時序差分學習
7.3 主動增強學習
7.3.1 探索與利用
7.3.2 學習Q值函數(shù)
7.4 增強學習的一般化
7.4.1 增強學習在博弈中的應(yīng)用
7.4.2 增強學習在機器人中的應(yīng)用
第8章  概率推理
8.1 概述
8.2 概率基礎(chǔ)
8.3 概率推理
8.4 貝葉斯網(wǎng)絡(luò)
8.5 貝葉斯網(wǎng)絡(luò)的獨立性.
8.6 貝葉斯網(wǎng)絡(luò)的推理
8.6.1 窮舉法推理
8.6.2 消除變量法
8.7 貝葉斯網(wǎng)絡(luò)的近似推理
第9章  基于時間的推理
9.1 時間與不確定性
9.1.1 狀態(tài)與觀察
9.1.2 穩(wěn)態(tài)馬爾可夫模型
9.2 時序模型中的推理
9.3 隱馬爾可夫模型
9.4 粒子(質(zhì)點)濾波
9.5 動態(tài)貝葉斯網(wǎng)絡(luò)
第10章  機器學習
10.1 樸素貝葉斯
10.1.1 基本概念
10.1.2 基本模型
10.1.3 過擬合
10.2 感知器
10.2.1 特征
10.2.2 生成模型和判別模型
10.2.3 線性分類器
10.2.4 二元分類