人工智能與機器學習入門（原書第2版）

目錄
譯者序
原書前言
作者簡介
第1章人工智能入門1
1.1人工智能的歷史2
1.1.1什么是人工智能2
1.1.2人工智能的出現(xiàn)3
1.1.3認知科學與人工智能3
1.1.4人工智能的邏輯方法4
1.1.5基于知識的系統(tǒng)4
1.1.6人工智能的概率方法5
1.1.7進化計算和群體智能6
1.1.8神經網(wǎng)絡與深度學習6
1.1.9創(chuàng)建HAL6
1.2大綱7
第1部分邏 輯 智 能
第2章命題邏輯8
2.1命題邏輯基礎9
2.1.1語法9
2.1.2語義10
2.1.3重言式和邏輯含義13
2.1.4邏輯參數(shù)14
2.1.5派生系統(tǒng)17
2.2歸結20
2.2.1范式20
2.2.2歸結的推導21
2.2.3歸結算法24
2.3人工智能應用25
2.3.1基于知識的系統(tǒng)25
2.3.2wumpus world35
2.4討論和擴展閱讀41
練習41
第3章一階邏輯44
3.1一階邏輯基礎44
3.1.1語法44
3.1.2語義46
3.1.3有效性和邏輯蘊涵49
3.1.4推導系統(tǒng)51
3.1.5一階邏輯的分離規(guī)則54
3.2人工智能應用57
3.2.1重訪wumpus world57
3.2.2計劃57
3.3討論和擴展閱讀60
練習60
第4章特定知識表示63
4.1分類學知識63
4.1.1語義網(wǎng)64
4.1.2人類知識的組織模型65
4.2框架65
4.2.1框架數(shù)據(jù)結構65
4.2.2使用框架做旅行規(guī)劃66
4.3非單調邏輯68
4.3.1界限68
4.3.2默認邏輯69
4.3.3難點70
4.4討論和擴展閱讀70
練習71
第5章學習確定性模型72
5.1監(jiān)督學習72
5.2回歸72
5.2.1簡單線性回歸73
5.2.2多元線性回歸75
5.2.3過擬合和交叉驗證76
5.3參數(shù)估計78
5.3.1簡單線性回歸的參數(shù)估計78
5.3.2梯度下降80
5.3.3邏輯回歸和梯度下降82
5.3.4隨機梯度下降82
5.4決策樹的學習83
5.4.1信息論85
5.4.2信息增益和ID3算法87
5.4.3過擬合89
練習89
第2部分概 率 智 能
第6章概率論92
6.1概率基本知識94
6.1.1概率空間94
6.1.2條件概率與獨立性96
6.1.3貝葉斯定理98
6.2隨機變量99
6.2.1隨機變量的概率分布99
6.2.2隨機變量的獨立性103
6.3概率的含義106
6.3.1概率的相對頻率法106
6.3.2主觀概率108
6.4應用中的隨機變量110
6.5wumpus world的概率112
練習114
第7章不確定性知識的表示117
7.1貝葉斯網(wǎng)絡的直觀介紹118
7.2貝葉斯網(wǎng)絡的性質120
7.2.1貝葉斯網(wǎng)絡的定義120
7.2.2貝葉斯網(wǎng)絡的表示123
7.3貝葉斯網(wǎng)絡的因果網(wǎng)絡124
7.3.1因果關系124
7.3.2因果關系和馬爾可夫條件125
7.3.3沒有因果關系的馬爾可夫條件128
7.4貝葉斯網(wǎng)絡的推理129
7.4.1推理示例129
7.4.2推理算法和包131
7.4.3使用Netica推斷132
7.5具有連續(xù)變量的網(wǎng)絡133
7.5.1高斯貝葉斯網(wǎng)絡133
7.5.2混合網(wǎng)絡135
7.6取得概率137
7.6.1多繼承的固有問題137
7.6.2基本noisy OR- gate模型137
7.6.3leaky noisy OR-gate模型138
7.6.4附加模型140
7.7大規(guī)模應用:Promedas140
練習142
第8章貝葉斯網(wǎng)絡的高級特性144
8.1附帶條件獨立性144
8.1.1附帶條件獨立性實例145
8.1.2d-分離147
8.2忠實性150
8.2.1非忠實概率分布150
8.2.2忠實條件151
8.3馬爾可夫等價152
8.4馬爾可夫毯和邊界155
練習155
第9章決策分析159
9.1決策樹160
9.1.1簡單的例子160
9.1.2求解更復雜的決策樹163
9.2影響圖172
9.2.1用影響圖表示決策問題172
9.2.2求解影響圖177
9.2.3求解影響圖的技術177
9.2.4使用Netica求解影響圖181
9.3風險建模偏好185
9.3.1指數(shù)效用函數(shù)185
9.3.2評估r186
9.4分析直接風險187
9.4.1使用方差來衡量風險187
9.4.2風險列表188
9.4.3決策的地位190
9.5良好的決策與良好的結果192
9.6敏感性分析193
9.7信息的價值195
9.7.1完備信息的預期值195
9.7.2不完備信息的預期值198
9.8討論和擴展閱讀199
9.8.1學者199
9.8.2商業(yè)和金融199
9.8.3資本設備199
9.8.4計算機游戲200
9.8.5計算機視覺200
9.8.6計算機軟件200
9.8.7醫(yī)學200
9.8.8自然語言處理200
9.8.9規(guī)劃201
9.8.10心理學201
9.8.11可靠性分析201
9.8.12調度201
9.8.13語音識別201
9.8.14車輛控制與故障診斷201
練習201
第10章學習概率模型參數(shù)207
10.1學習單個參數(shù)207
10.1.1二項式隨機變量207
10.1.2多項式隨機變量210
10.2在貝葉斯網(wǎng)絡中學習參數(shù)211
10.2.1學習參數(shù)的步驟211
10.2.2等效樣本量212
10.3缺少數(shù)據(jù)的學習參數(shù)214
練習220
第11章學習概率模型結構222
11.1結構學習問題222
11.2基于分數(shù)的結構學習223
11.2.1貝葉斯分數(shù)223
11.2.2BIC分數(shù)229
11.2.3一致的評分準則231
11.2.4DAG評分的數(shù)量231
11.2.5使用學習網(wǎng)絡進行推理*231
11.2.6缺少數(shù)據(jù)的學習結構*232
11.2.7近似結構學習238
11.2.8模型平均242
11.2.9近似模型平均*244
11.3基于約束的結構學習246
11.3.1學習一個服從于P的DAG246
11.3.2學習一個可信嵌入P中的DAG251
11.4應用：MENTOR251
11.4.1開發(fā)網(wǎng)絡251
11.4.2驗證MENTOR253
11.5用于學習的軟件包254
11.6因果學習254
11.6.1因果置信假設254
11.6.2因果嵌入置信假設256
11.6.3應用：大學生保留率問題258
11.7類概率樹261
11.7.1類概率樹理論261
11.7.2目標廣告應用262
11.8討論和擴展閱讀265
11.8.1生物學265
11.8.2商業(yè)和金融265
11.8.3因果學習266
11.8.4數(shù)據(jù)挖掘266
11.8.5醫(yī)學266
11.8.6天氣預報266
練習266
第12章無監(jiān)督學習和強化學習270
12.1無監(jiān)督學習270
12.1.1聚類270
12.1.2自動發(fā)現(xiàn)271
12.2強化學習271
12.2.1多臂強盜算法272
12.2.2動態(tài)網(wǎng)絡*274
12.3討論和擴展閱讀282
練習283
第3部分涌 現(xiàn) 智 能
第13章進化計算284
13.1遺傳學評論284
13.2遺傳算法286
13.2.1算法286
13.2.2說明性示例287
13.2.3旅行的銷售人員問題289
13.3遺傳編程296
13.3.1說明性示例296
13.3.2人工螞蟻299
13.3.3金融交易應用300
13.4討論和擴展閱讀302
練習303
第14章群體智能305
14.1螞蟻系統(tǒng)305
14.1.1真實蟻群305
14.1.2求解TSP人工螞蟻算法306
14.2鳥群308
14.3討論和擴展閱讀310
練習311
第4部分神 經 智 能
第15章神經網(wǎng)絡和深度學習312
15.1感知器312
15.1.1學習感知器的權重313
15.1.2感知器和邏輯回歸316
15.2前饋神經網(wǎng)絡318
15.2.1XOR建模318
15.2.2兩個隱層示例319
15.2.3前饋神經網(wǎng)絡的結構322
15.3激活函數(shù)323
15.3.1輸出節(jié)點323
15.3.2隱層節(jié)點326
15.4應用于圖像識別327
15.5討論和擴展閱讀327
練習328
第5部分語 言 理 解
第16章自然語言理解331
16.1語法解析332
16.1.1遞歸語法解析器334
16.1.2歧義性335
16.1.3動態(tài)編程語法解析器337
16.1.4概率語法解析器340
16.1.5獲得PCFG的概率342
16.1.6詞典化的PCFG343
16.2語義解釋344
16.3概念/知識解釋345
16.4信息檢索346
16.4.1信息檢索的應用346
16.4.2信息檢索系統(tǒng)的體系結構347
16.5討論和擴展閱讀348
練習348
參考文獻350