人工智能復(fù)雜問(wèn)題求解的結(jié)構(gòu)和策略（原書(shū)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(jiǎn)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(cè)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(yǔ)言理解和語(yǔ)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(yǔ)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(yǔ)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(jiǎn)介
2.1 命題演算（選讀）
2.1.1 符號(hào)和語(yǔ)句
2.1.2 命題演算的語(yǔ)義
2.2 謂詞演算
2.2.1 謂詞的語(yǔ)法和語(yǔ)句
2.2.2 謂詞演算的語(yǔ)義
2.2.3 語(yǔ)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(wèn)
2.5 結(jié)語(yǔ)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(jiǎn)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(wèn)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(lái)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(yǔ)和參考文獻(xiàn)
3.5 習(xí)題
第4章 啟發(fā)式搜索
4.0 簡(jiǎn)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(guò)程
4.4.2 固定層深的極小極大過(guò)程
4.4.3 α-β過(guò)程
4.5 復(fù)雜度問(wèn)題
4.6 結(jié)語(yǔ)和參考文獻(xiàn)
4.7 習(xí)題
第5章 隨機(jī)方法
5.0 簡(jiǎn)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(yǔ)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(jiǎn)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(wèn)題求解的黑板結(jié)構(gòu)
6.4 結(jié)語(yǔ)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(wèn)題
7.1 AI表示模式的簡(jiǎn)要?dú)v史
7.1.1 語(yǔ)義關(guān)聯(lián)理論
7.1.2 語(yǔ)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(yǔ)言
7.2.1 概念圖簡(jiǎn)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(wèn)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(yǔ)和參考文獻(xiàn)
7.6 習(xí)題
第8章 求解問(wèn)題的強(qiáng)方法
8.0 簡(jiǎn)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(wèn)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(wèn)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(jiǎn)介
8.3.2 基于模型推理：來(lái)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(shì)和不足
8.4 規(guī)劃
8.4.1 規(guī)劃簡(jiǎn)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(lái)自NASA的例子
8.5 結(jié)語(yǔ)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(jiǎn)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(guò)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(yǔ)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(jiǎn)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：?jiǎn)l(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(shù)歸納算法
10.3.1 自頂向下決策樹(shù)歸納
10.3.2 測(cè)試選擇的信息論方法
10.3.3 評(píng)價(jià)ID3
10.3.4 決策樹(shù)數(shù)據(jù)問(wèn)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(wú)監(jiān)督學(xué)習(xí)
10.6.1 發(fā)現(xiàn)和無(wú)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(yǔ)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(jiǎn)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(jìng)爭(zhēng)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(wú)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(yǔ)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(wèn)題和巡回推銷員問(wèn)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(yǔ)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(guò)程
13.3.2 部分 可觀測(cè)的馬爾可夫決策過(guò)程
13.3.3 馬爾可夫決策過(guò)程實(shí)現(xiàn)的例子
13.4 結(jié)語(yǔ)和參考文獻(xiàn)
13.5 習(xí)題
第五部分 人工智能問(wèn)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(wèn)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(guò)程
14.2.4 歸結(jié)策略和簡(jiǎn)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(wèn)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(wèn)答機(jī)制
14.4.4 搜索策略及其使用
14.5 結(jié)語(yǔ)和參考文獻(xiàn)
14.6 習(xí)題
第15章 自然語(yǔ)言理解
15.0 自然語(yǔ)言理解問(wèn)題
15.1 解構(gòu)語(yǔ)言：分析
15.2 語(yǔ)法
15.2.1 使用上下文無(wú)關(guān)文法說(shuō)明和解析
15.2.2 Earley解析器：動(dòng)態(tài)規(guī)劃二次訪問(wèn)
15.3 轉(zhuǎn)移網(wǎng)絡(luò)解析器及語(yǔ)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(yǔ)義
15.3.4 結(jié)合句法和語(yǔ)義知識(shí)的ATN
15.4 語(yǔ)言理解的隨機(jī)工具
15.4.1 概述：語(yǔ)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(shù)方法
15.4.4 解析的概率方法
15.4.5 概率上下文無(wú)關(guān)解析器
15.5 自然語(yǔ)言應(yīng)用
15.5.1 故事理解和問(wèn)題解答
15.5.2 數(shù)據(jù)庫(kù)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(lái)泛化抽取的信息
15.6 結(jié)語(yǔ)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(jiǎn)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(wèn)題
16.3 人工智能：當(dāng)前的挑戰(zhàn)和未來(lái)的方向
16.4 結(jié)語(yǔ)和參考文獻(xiàn)