人工智能原理
作者： 王文敏
出版时间：2019-08
出版社：高等教育出版社
获奖信息：“十三五”国家重点出版物出版规划项目
- 高等教育出版社
- 9787040521887
- 1版
- 252934
- 46240661-2
- 平装
- 异16开
- 2019-08
- 550
- 458
- 工学
- 计算机科学与技术
- 电子信息类、计算机类
- 本科
本书对人工智能学科及其研究领域进行抽象，梳理出一个人工智能的研究体系，然后按照这个体系讲述其原理，再穿插一些实例。全书分为五篇，共十四章。
这五篇分别是人工智能的体系、求解、规划、学习以及推理。
体系篇中有两章，即绪论与体系论。求解篇分成四章，讲述搜索问题、优化问题、博弈问题，以及约束问题求解。规划篇中有两章，分别是时空关联规划和决策理论规划。学习篇先用一章论述机器学习的三个视角，然后再用三章分别讲述学习的任务、范式以及框架。推理篇用两章分别介绍知识表示和推理机制。
本书可作为人工智能、计算机及其相关专业的高年级本科生或研究生的教材，也可作为人工智能的参考书，供有关教学和科研人员使用。
前辅文
第一篇 体系
第1章 绪论
1.1 引言
1.2 关于agent的翻译
1.3 人工智能的定义
1.4 人工智能的基础
1.4.1 数学
1.4.2 经济学
1.4.3 神经科学
1.4.4 认知心理学
1.4.5 控制理论与控制论
1.5 人工智能的历史
1.5.1 人工智能的孕育和诞生
1.5.2 人工智能的黄金年代
1.5.3 人工智能的第一个冬天
1.5.4 人工智能的第一次繁荣
1.5.5 人工智能的第二个冬天
1.5.6 人工智能的第二次繁荣
1.6 人工智能的突破
1.6.1 计算机游戏
1.6.2 计算机视觉
1.6.3 语音识别
1.6.4 机器翻译
1.6.5 自动驾驶
1.6.6 人工大脑
1.6.7 人工智能芯片
1.6.8 医学人工智能
1.6.9 药物人工智能
1.6.10 法律人工智能
1.7 人工智能的判定
1.7.1 图灵测试
1.7.2 图灵测试的解读
1.7.3 图灵测试2.
1.7.4 中文房间
1.8 人工智能的层级
1.8.1 人工专用智能
1.8.2 人工通用智能
1.8.3 人工超级智能
1.9 人工智能的安全
1.10 人工智能的应用
1.11 小结
习题
第2章 体系论
2.1 引言
2.2 人工智能的研究途径
2.2.1 控制论与人工智能
2.2.2 符号与亚符号
2.2.3 整齐与不整齐
2.2.4 逻辑与反逻辑
2.2.5 符号主义、联结主义与行为主义
2.2.6 概率与统计方法
2.2.7 计算心理学、计算哲学与机器智能
2.2.8 经典与现代人工智能
2.3 人工智能的主体论点
2.3.1 智能主体
2.3.2 计算主体
2.3.3 理性主体
2.4 智能主体的环境
2.5 智能主体的构成
2.5.1 主体函数
2.5.2 主体算法
2.5.3 主体结构
2.6 人工智能的研究体系
2.6.1 人工智能的本源
2.6.2 人工智能的内涵
2.6.3 人工智能的外延
2.6.4 人工智能的体系
2.7 智能主体的思维
2.7.1 求解
2.7.2 规划
2.7.3 学习
2.7.4 推理
2.8 智能主体的交互
2.8.1 感知
2.8.2 动作
2.9 智能主体的类型
2.9.1 主体的层次
2.9.2 求解型主体
2.9.3 规划型主体
2.9.4 学习型主体
2.9.5 推理型主体
2.10 小结
习题
第二篇 求 解
第3章 搜索问题求解
3.1 引言
3.2 搜索问题
3.1.1 智力游戏问题
3.1.2 现实世界问题
3.3 搜索问题的要素
3.3.1 状态表征
3.3.2 状态空间
3.3.3 形式化
3.3.4 求解的方法
3.4 搜索问题的实例化
3.4.1 八数码难题
3.4.2 八皇后难题
3.4.3 传教士和食人族问题
3.4.4 最短路径问题
3.5 搜索求解的方式
3.5.1 树搜索
3.5.2 图搜索
3.6 无信息搜索
3.6.1 宽度优先搜索
3.6.2 深度优先搜索
3.6.3 迭代深化搜索
3.7 有信息搜索
3.7.1 统一代价搜索
3.7.2 贪婪最佳优先搜索
3.7.3 A*搜索
3.8 小结
习题
第4章 优化问题求解
4.1 引言
4.2 优化问题
4.2.1 智力游戏问题
4.2.2 现实世界问题
4.3 优化问题的求解
4.3.1 局部搜索
4.3.2 元启发式
4.3.3 群体智能
4.4 局部搜索方法
4.4.1 爬山法
4.4.2 局部束搜索
4.5 元启发式方法
4.5.1 禁忌搜索
4.5.2 模拟退火算法
4.5.3 遗传算法
4.6 群体智能方法
4.6.1 蚁群优化算法
4.6.2 粒子群优化算法
4.7 小结
习题
第5章 博弈问题求解
5.1 引言
5.2 博弈问题
5.2.1 智力游戏问题
5.2.2 现实世界问题
5.3 博弈问题的类型
5.3.1 合作与非合作
5.3.2 零和与非零和
5.3.3 完美与不完美信息
5.3.4 对称与非对称
5.3.5 随机与非随机
5.3.6 同步与顺序
5.4 博弈算法的历史
5.5 博弈问题的求解
5.5.1 博弈问题的复杂性
5.5.2 对抗搜索
5.5.3 博弈策略
5.6 完美信息博弈
5.6.1 最小最大策略
5.6.2 Alpha-Beta剪枝
5.6.3 蒙特卡罗树搜索
5.6.4 AlphaGo的博弈算法
5.7 不完美信息博弈
5.7.1 纳什均衡与相关均衡
5.7.2 不完美信息博弈示例
5.7.3 遗憾最小化
5.7.4 虚拟遗憾最小化
5.7.5 DeepStack
5.7.6 Libratus
5.8 非对称博弈
5.8.1 非对称博弈概述
5.8.2 非对称博弈的对称分解
5.9 随机博弈
5.9.1 随机博弈概述
5.9.2 随机博弈模型
5.10 小结
习题
第6章 约束问题求解
6.1 引言
6.2 约束问题
6.2.1 智力游戏问题
6.2.2 现实世界问题
6.3 可能世界及其约束
6.3.1 可能世界
6.3.2 变量与值域
6.3.3 约束
6.4 约束满足问题
6.4.1 形式化
6.4.2 状态的表示
6.4.3 求解的方法
6.5 约束满足问题的实例化
6.5.1 数独
6.5.2 算式谜
6.5.3 地图着色
6.5.4 作业调度
6.6 约束传播
6.6.1 节点一致性
6.6.2 弧一致性
6.6.3 路径一致性
6.6.4 k-一致性
6.7 回溯搜索
6.7.1 回溯搜索的实例
6.7.2 回溯搜索算法
6.7.3 回溯算法的细化
6.8 局部搜索
6.8.1 最少冲突启发式
6.8.2 约束加权法
6.9 问题的结构
6.9.1 独立子问题
6.9.2 树结构问题
6.10 问题的改进
6.10.1 动态约束满足问题
6.10.2 柔性约束满足问题
6.10.3 分散约束满足问题
6.11 小结
习题
第三篇 规 划
第7章 时空关联规划
7.1 引言
7.2 规划问题
7.2.1 智力游戏问题
7.2.2 现实世界问题
7.3 规划语言
7.4 经典规划
7.4.1 经典规划的定义
7.4.2 状态空间规划
7.4.3 计划空间规划
7.4.4 经典规划的分析
7.5 新经典规划
7.5.1 规划图技法
7.5.2 命题可满足性技法
7.5.3 逻辑演绎技法
7.5.4 约束满足技法
7.6 时序规划
7.6.1 时序参照及其关系
7.6.2 时序算子方法
7.6.3 纪事方法
7.7 规划与调度
7.7.1 调度问题的要素
7.7.2 设备调度问题
7.7.3 规划与调度的整合
7.8 运动规划
7.8.1 几何表示与转换
7.8.2 位姿空间
7.8.3 栅格运动规划
7.8.4 采样运动规划
7.8.5 组合运动规划
7.9 小结
习题
第8章 决策理论规划
8.1 引言
8.2 决策理论规划概述
8.3 马尔科夫模型
8.3.1 随机过程
8.3.2 马尔科夫性质
8.3.3 马尔科夫过程
8.3.4 马尔科夫决策过程
8.3.5 隐马尔科夫模型
8.3.6 部分可观测马尔科夫决策过程
8.4 马尔科夫决策过程的优化控制
8.4.1 策略
8.4.2 奖惩与折扣
8.4.3 价值函数
8.4.4 贝尔曼公式
8.4.5 优化控制方法
8.5 动态规划
8.5.1 策略迭代
8.5.2 价值迭代
8.5.3 异步动态规划
8.5.4 广义策略迭代
8.6 小结
习题
第四篇 学 习
第9章 三个视角
9.1 引言
9.2 机器学习概述
9.2.1 机器学习的由来
9.2.2 学习的主要类型
9.2.3 机器学习与人工智能
9.2.4 机器学习与相关研究领域
9.3 可能近似正确学习
9.4 没有免费午餐定理
9.5 机器学习的历史
9.5.1 神经网络
9.5.2 决策树
9.5.3 提升算法
9.5.4 支撑向量机
9.5.5 强化学习
9.6 机器学习的难点
9.7 机器学习的视角
9.7.1 学习任务
9.7.2 学习范式
9.7.3 学习框架
9.8 小结
习题
第10章 学习的任务
10.1 引言
10.2 学习任务概述
10.3 分类
10.3.1 定义
10.3.2 工作原理
10.3.3 线性与非线性
10.3.4 类别与维度
10.3.5 案例分析
10.3.6 应用领域
10.4 回归
10.4.1 定义
10.4.2 工作原理
10.4.3 线性与非线性
10.4.4 案例分析
10.4.5 应用领域
10.5 聚类
10.5.1 定义
10.5.2 工作原理
10.5.3 主要途径
10.5.4 案例分析
10.5.5 应用领域
10.6 排名
10.6.1 定义
10.6.2 工作原理
10.6.3 主要途径
10.6.4 案例分析
10.6.5 应用领域
10.7 降维
10.7.1 定义
10.7.2 工作原理
10.7.3 线性与非线性
10.7.4 案例分析
10.7.5 应用领域
10.8 小结
习题
第11章 学习的范式
11.1 引言
11.2 学习范式概述
11.3 监督学习
11.3.1 定义
11.3.2 形式化描述
11.3.3 对应的学习任务
11.3.4 其他关联范式
11.4 无监督学习
11.4.1 定义
11.4.2 对应的学习任务
11.4.3 重要性
11.4.4 其他途径
11.5 强化学习
11.5.1 定义
11.5.2 强化学习的类型
11.5.3 蒙特卡罗方法
11.5.4 时序差分方法
11.5.5 适格录迹
11.5.6 深度强化学习
11.5.7 强化学习算法比较
11.6 其他范式
11.6.1 学会学习
11.6.2 迁移学习
11.6.3 集成学习
11.6.4 对抗学习
11.6.5 协同学习
11.7 范式与任务的关系
11.8 小结
习题
第12章 学习的框架
12.1 引言
12.2 学习框架概述
12.3 概率框架
12.3.1 什么是概率框架
12.3.2 生成与判别模型
12.3.3 概率图模型
12.3.4 案例分析
12.4 统计框架
12.4.1 什么是统计框架
12.4.2 参数模型
12.4.3 非参数模型
12.4.4 案例分析
12.5 几何框架
12.5.1 什么是几何框架
12.5.2 超平面
12.5.3 流形
12.5.4 案例分析
12.6 联结框架
12.6.1 什么是联结框架
12.6.2 人工神经网络
12.6.3 浅层与深层
12.6.4 前馈与反馈
12.6.5 单主体与多主体
12.6.6 案例分析
12.7 逻辑框架
12.7.1 什么是逻辑框架
12.7.2 基于逻辑
12.7.3 基于规则
12.7.4 案例分析
12.8 小结
习题
第五篇 推 理
第13章 知识表示
13.1 引言
13.2 知识与表征
13.2.1 数据、信息、知识与智慧
13.2.2 知识的类型
13.2.3 显性与隐性
13.2.4 知识系统
13.2.5 知识表示
13.3 知识表示的历史
13.4 可能世界理论
13.4.1 可能世界
13.4.2 三种观点
13.4.3 六个命题
13.4.4 三种性质
13.5 知识表示的范式
13.5.1 确定性与不确定性
13.5.2 过程性与陈述性
13.5.3 开放世界与封闭世界假设
13.6 确定性知识表示
13.6.1 语义网络
13.6.2 框架
13.6.3 经典逻辑
13.6.4 模态逻辑
13.6.5 描述逻辑
13.6.6 本体
13.6.7 资源描述框架
13.6.8 知识图谱
13.7 不确定性知识表示
13.7.1 贝叶斯网络
13.7.2 可能性理论
13.7.3 证据理论
13.8 小结
习题
第14章 推理机制
14.1 引言
14.2 推理问题
14.2.1 智力游戏问题
14.2.2 现实世界问题
14.3 推理模式
14.3.1 演绎推理
14.3.2 归纳推理
14.3.3 溯因推理
14.3.4 推理模式浅析
14.4 逻辑推理
14.4.1 关于逻辑推理
14.4.2 前向链接
14.4.3 后向链接
14.5 定性推理
14.5.1 关于定性推理
14.5.2 定性表示
14.5.3 定性推理技术
14.6 本体推理
14.6.1 关于本体推理
14.6.2 本体语言
14.6.3 语义推理器
14.7 概率推理
14.7.1 关于概率推理
14.7.2 频率论推理
14.7.3 贝叶斯推理
14.7.4 贝叶斯网络推理
14.7.5 随机仿真近似推理
14.8 机器推理
14.8.1 关于机器推理
14.8.2 神经模块网络推理
14.8.3 组合注意网络推理
14.9 推理的应用
14.10 小结
习题
全书参考文献
