人工智能復(fù)雜問題求解的結(jié)構(gòu)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(yīng)用
1.1 從伊甸園到第一臺(tái)電子計(jì)算機(jī)：對(duì)智能、知識(shí)和人類技能的態(tài)度
1.1.1 人工智能基礎(chǔ)的簡要?dú)v史
1.1.2 理性主義和經(jīng)驗(yàn)主義學(xué)派對(duì)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(huì)模型：主體理論
1.2 人工智能應(yīng)用領(lǐng)域概述
1.2.1 博弈
1.2.2 自動(dòng)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(xué)
1.2.5 對(duì)人類表現(xiàn)建模
1.2.6 規(guī)劃和機(jī)器人學(xué)
1.2.7 人工智能的語言和環(huán)境
1.2.8 機(jī)器學(xué)習(xí)
1.2.9 其他表示：神經(jīng)網(wǎng)絡(luò)和遺傳算法
1.2.1 0AI和哲學(xué)
1.3 人工智能小結(jié)
1.4 結(jié)語和參考文獻(xiàn)
1.5 習(xí)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(hào)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(dá)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(yīng)用：一個(gè)基于邏輯的財(cái)務(wù)顧問
2.5 結(jié)語和參考文獻(xiàn)
2.6 習(xí)題
第3章 狀態(tài)空間搜索的結(jié)構(gòu)和策略
3.0 簡介
3.1 狀態(tài)空間搜索的結(jié)構(gòu)
3.1.1 圖論（選讀）
3.1.2 有限狀態(tài)自動(dòng)機(jī)（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(qū)動(dòng)搜索和目標(biāo)驅(qū)動(dòng)搜索
3.2.2 圖搜索的實(shí)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(jìn)一步的例子和應(yīng)用
3.4 結(jié)語和參考文獻(xiàn)
3.5 習(xí)題
第4章 啟發(fā)式搜索
4.0 簡介
4.1 爬山法和動(dòng)態(tài)規(guī)劃法
4.1.1 爬山
4.1.2 動(dòng)態(tài)規(guī)劃
4.2 最佳優(yōu)先搜索算法
4.2.1 實(shí)現(xiàn)最佳優(yōu)先搜索
4.2.2 實(shí)現(xiàn)啟發(fā)評(píng)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(diào)性和信息度
4.3.1 可采納性度量
4.3.2 單調(diào)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(fù)雜度問題
4.6 結(jié)語和參考文獻(xiàn)
4.7 習(xí)題
第5章 隨機(jī)方法
5.0 簡介
5.1 計(jì)數(shù)基礎(chǔ)（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(chǔ)
5.2.1 樣本空間、概率和獨(dú)立性
5.2.2 概率推理：一個(gè)道路/交通例子
5.2.3 隨機(jī)變量
5.2.4 條件概率
5.3 貝葉斯定理
5.4 隨機(jī)方法學(xué)的應(yīng)用
5.4.1 “tomato”是如何發(fā)音的
5.4.2 道路/交通例子的擴(kuò)展
5.5 結(jié)語和參考文獻(xiàn)
5.6 習(xí)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(gè)遞歸搜索的例子：模式驅(qū)動(dòng)推理
6.2 產(chǎn)生式系統(tǒng)
6.2.1 定義和歷史
6.2.2 產(chǎn)生式系統(tǒng)的例子
6.2.3 產(chǎn)生式系統(tǒng)中的搜索控制
6.2.4 AI產(chǎn)生式系統(tǒng)的優(yōu)點(diǎn)
6.3 用于問題求解的黑板結(jié)構(gòu)
6.4 結(jié)語和參考文獻(xiàn)
6.5 習(xí)題
第三部分 捕獲智能：AI中的挑戰(zhàn)
第7章 知識(shí)表示
7.0 知識(shí)表示問題
7.1 AI表示模式的簡要?dú)v史
7.1.1 語義關(guān)聯(lián)理論
7.1.2 語義網(wǎng)的早期研究
7.1.3 網(wǎng)絡(luò)關(guān)系的標(biāo)準(zhǔn)化
7.1.4 腳本
7.1.5 框架
7.2 概念圖：網(wǎng)絡(luò)語言
7.2.1 概念圖簡介
7.2.2 類型、個(gè)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(jié)點(diǎn)
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(jié)構(gòu)
7.3.2 Copycat結(jié)構(gòu)
7.3.3 多種表示、本體和知識(shí)服務(wù)
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(yīng)用
7.5 結(jié)語和參考文獻(xiàn)
7.6 習(xí)題
第8章 求解問題的強(qiáng)方法
8.0 簡介
8.1 專家系統(tǒng)技術(shù)概覽
8.1.1 基于規(guī)則的專家系統(tǒng)設(shè)計(jì)
8.1.2 問題選擇和知識(shí)工程的步驟
8.1.3 概念模型及其在知識(shí)獲取中的作用
8.2 基于規(guī)則的專家系統(tǒng)
8.2.1 產(chǎn)生式系統(tǒng)和目標(biāo)驅(qū)動(dòng)問題求解
8.2.2 目標(biāo)驅(qū)動(dòng)推理中的解釋和透明性
8.2.3 利用產(chǎn)生式系統(tǒng)進(jìn)行數(shù)據(jù)驅(qū)動(dòng)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(shè)計(jì)：強(qiáng)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(jī)器人學(xué)
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(jié)語和參考文獻(xiàn)
8.6 習(xí)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(diào)推理邏輯
9.1.2 真值維護(hù)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(jī)方法
9.3.1 有向圖模型：貝葉斯信念網(wǎng)絡(luò)
9.3.2 有向圖模型：d-可分
9.3.3 有向圖模型：一個(gè)推理算法
9.3.4 有向圖模型：動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)
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(jié)語和參考文獻(xiàn)
9.5 習(xí)題
第四部分 機(jī)器學(xué)習(xí)
第10章 基于符號(hào)的機(jī)器學(xué)習(xí)
10.0 簡介
10.1 基于符號(hào)學(xué)習(xí)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(píng)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(píng)價(jià)ID3
10.3.4 決策樹數(shù)據(jù)問題：打包、推進(jìn)
10.4 歸納偏置和學(xué)習(xí)能力
10.4.1 歸納偏置
10.4.2 可學(xué)習(xí)性理論
10.5 知識(shí)和學(xué)習(xí)
10.5.1 MetaDENDRAL
10.5.2 基于解釋的學(xué)習(xí)
10.5.3 EBL和知識(shí)層學(xué)習(xí)
10.5.4 類比推理
10.6 無監(jiān)督學(xué)習(xí)
10.6.1 發(fā)現(xiàn)和無監(jiān)督學(xué)習(xí)
10.6.2 概念聚類
10.6.3 COBWEB和分類知識(shí)的結(jié)構(gòu)
10.7 強(qiáng)化學(xué)習(xí)
10.7.1 強(qiáng)化學(xué)習(xí)的組成部分
10.7.2 一個(gè)例子：九宮游戲
10.7.3 強(qiáng)化學(xué)習(xí)的推理算法和應(yīng)用
10.8 結(jié)語和參考文獻(xiàn)
10.9 習(xí)題
第11章 機(jī)器學(xué)習(xí)：連接機(jī)制
11.0 簡介
11.1 連接網(wǎng)絡(luò)的基礎(chǔ)
11.2 感知機(jī)學(xué)習(xí)
11.2.1 感知機(jī)訓(xùn)練算法
11.2.2 例子：用感知機(jī)網(wǎng)絡(luò)進(jìn)行分類
11.2.3 通用delta規(guī)則
11.3 反傳學(xué)習(xí)
11.3.1 反傳算法的起源
11.3.2 反傳算法實(shí)例1：NETtalk
11.3.3 反傳算法實(shí)例2：異或
11.4 競爭學(xué)習(xí)
11.4.1 對(duì)于分類的“勝者全拿”學(xué)習(xí)
11.4.2 學(xué)習(xí)原型的Kohonen網(wǎng)絡(luò)
11.4.3 outstar網(wǎng)絡(luò)和逆?zhèn)?br />11.4.4 支持向量機(jī)
11.5 Hebbian一致性學(xué)習(xí)
11.5.1 概述
11.5.2 無監(jiān)督Hebbian學(xué)習(xí)的例子
11.5.3 有監(jiān)督Hebbian學(xué)習(xí)
11.5.4 聯(lián)想記憶和線性聯(lián)想器
11.6 吸引子網(wǎng)絡(luò)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(guān)記憶和Hopfield網(wǎng)絡(luò)
11.7 結(jié)語和參考文獻(xiàn)
11.8 習(xí)題
第12章 機(jī)器學(xué)習(xí)：遺傳性和涌現(xiàn)性
12.0 社會(huì)性和涌現(xiàn)性的學(xué)習(xí)模型
12.1 遺傳算法
12.1.1 兩個(gè)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(píng)估
12.2 分類器系統(tǒng)和遺傳程序設(shè)計(jì)
12.2.1 分類器系統(tǒng)
12.2.2 用遺傳算子進(jìn)行程序設(shè)計(jì)
12.3 人工生命和基于社會(huì)的學(xué)習(xí)
12.3.1 生命游戲
12.3.2 進(jìn)化規(guī)劃
12.3.3 涌現(xiàn)的實(shí)例研究
12.4 結(jié)語和參考文獻(xiàn)
12.5 習(xí)題
第13章 機(jī)器學(xué)習(xí)：概率理論
13.0 學(xué)習(xí)中的隨機(jī)模型和動(dòng)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(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和學(xué)習(xí)
13.2.1 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)
13.2.2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
13.2.3 期望最大化：一個(gè)例子
13.3 強(qiáng)化學(xué)習(xí)的隨機(jī)擴(kuò)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(shí)現(xiàn)的例子
13.4 結(jié)語和參考文獻(xiàn)
13.5 習(xí)題
第五部分 人工智能問題求解的高級(jí)課題
第14章 自動(dòng)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(jié)定理證明
14.2.1 概述
14.2.2 為歸結(jié)反駁生成子句形式
14.2.3 二元?dú)w結(jié)證明過程
14.2.4 歸結(jié)策略和簡化技術(shù)
14.2.5 從歸結(jié)反駁中抽取解答
14.3 Prolog和自動(dòng)推理
14.3.1 概述
14.3.2 邏輯程序設(shè)計(jì)和Prolog
14.4 自動(dòng)推理進(jìn)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(jié)反駁支持下的問答機(jī)制
14.4.4 搜索策略及其使用
14.5 結(jié)語和參考文獻(xiàn)
14.6 習(xí)題
第15章 自然語言理解
15.0 自然語言理解問題
15.1 解構(gòu)語言：分析
15.2 語法
15.2.1 使用上下文無關(guān)文法說明和解析
15.2.2 Earley解析器：動(dòng)態(tài)規(guī)劃二次訪問
15.3 轉(zhuǎn)移網(wǎng)絡(luò)解析器及語義學(xué)
15.3.1 轉(zhuǎn)移網(wǎng)絡(luò)解析器
15.3.2 喬姆斯基層次和上下文相關(guān)文法
15.3.3 ATN解析器的語義
15.3.4 結(jié)合句法和語義知識(shí)的ATN
15.4 語言理解的隨機(jī)工具
15.4.1 概述：語言分析中的統(tǒng)計(jì)技術(shù)
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(guān)解析器
15.5 自然語言應(yīng)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(xué)習(xí)算法來泛化抽取的信息
15.6 結(jié)語和參考文獻(xiàn)
15.7 習(xí)題
第六部分 后記
第16章 人工智能是經(jīng)驗(yàn)式的學(xué)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(hào)系統(tǒng)假設(shè)
16.1.2 連接或者“神經(jīng)”計(jì)算
16.1.3 主體、涌現(xiàn)和智能
16.1.4 概率模型和隨機(jī)技術(shù)
16.2 智能系統(tǒng)科學(xué)
16.2.1 心理學(xué)約束
16.2.2 認(rèn)識(shí)論問題
16.3 人工智能：當(dāng)前的挑戰(zhàn)和未來的方向
16.4 結(jié)語和參考文獻(xiàn)