人工智能 一种现代的方法（第3版）

封面页书名页版权页前言页目录页第Ⅰ部分 人工智能第1章 绪论 1. 1 什么是人工智能 1. 2 人工智能的基础 1. 3 人工智能的历史 1. 4 最新发展水平 1. 5 本章小结参考文献与历史注释习题第2章 智能Agent 2. 1 Agent 和环境 2. 2 好的行为：理性的概念 2. 3 环境的性质 2. 4 Agent 的结构 2. 5 本章小结参考文献与历史注释习题第Ⅱ部分 问题求解第3章 通过搜索进行问题求解 3. 1 问题求解Agent 3. 2 问题实例 3. 3 通过搜索求解 3. 4 无信息搜索策略 3. 5 有信息（启发式）的搜索策略 3. 6 启发式函数 3. 7 本章小结参考文献与历史注释习题第4章 超越经典搜索 4. 1 局部搜索算法和最优化问题 4. 2 连续空间中的局部搜索 4. 3 使用不确定动作的搜索 4. 4 使用部分可观察信息的搜索 4. 5 联机搜索Agent 和未知环境 4. 6 本章小结参考文献与历史注释习题第5章 对抗搜索 5. 1 博弈 5. 2 博弈中的优化决策 5. 3 α - β 剪枝 5. 4 不完美的实时决策 5. 5 随机博弈 5. 6 部分可观察的博弈 5. 7 博弈程序发展现状 5. 8 其他途径 5. 9 本章小结参考文献与历史注释习题第6章 约束满足问题 6. 1 定义约束满足问题 6. 2 约束传播：CSP中的推理 6. 3 CSP的回溯搜索 6. 4 CSP局部搜索 6. 5 问题的结构 6. 6 本章小结参考文献与历史注释习题第Ⅲ部分 知识、推理与规划第7章 逻辑Agent 7. 1 基于知识的Agent 7. 2 Wumpus世界 7. 3 逻辑 7. 4 命题逻辑：一种简单逻辑 7. 5 命题逻辑定理证明 7. 6 有效的命题逻辑模型检验 7. 7 基于命题逻辑的Agent 7. 8 本章小结参考文献与历史注释习题第8章 一阶逻辑 8. 1 重温表示 8. 2 一阶逻辑的语法和语义 8. 3 运用一阶逻辑 8. 4 一阶逻辑的知识工程 8. 5 本章小结参考文献与历史注释习题第9章 一阶逻辑的推理 9. 1 命题推理与一阶推理 9. 2 合一和提升 9. 3 前向链接 9. 4 反向链接 9. 5 归结 9. 6 本章小结参考文献与历史注释习题第10章 经典规划 10. 1 经典规划的定义 10. 2 状态空间搜索规划算法 10. 3 规划图 10. 4 其他经典规划方法 10. 5 规划方法分析 10. 6 本章小结参考文献与历史注释习题第11章 现实世界的规划与行动 11. 1 时间、调度和资源 11. 2 分层规划 11. 3 非确定性领域中的规划与行动 11. 4 多Agent 规划 11. 5 本章小结参考文献与历史注释习题第12章 知识表示 12. 1 本体论工程 12. 2 类别和对象 12. 3 事件 12. 4 精神事件和精神对象 12. 5 类别的推理系统 12. 6 缺省信息推理 12. 7 互联网购物世界 12. 8 本章小结参考文献与历史注释习题第Ⅳ部分 不确定知识与推理第13章 不确定性的量化 13. 1 不确定环境下的行动 13. 2 基本概率符号 13. 3 使用完全联合分布进行推理 13. 4 独立性 13. 5 贝叶斯规则及其应用 13. 6 重游wumpus世界 13. 7 本章小结参考文献与历史注释习题第14章 概率推理 14. 1 不确定性问题域中的知识表示 14. 2 贝叶斯网络的语义 14. 3 条件分布的有效表示 14. 4 贝叶斯网络中的精确推理 14. 5 贝叶斯网络中的近似推理 14. 6 关系和一阶概率模型 14. 7 不确定推理的其他方法 14. 8 本章小结参考文献与历史注释习题第15章 时间上的概率推理 15. 1 时间与不确定性 15. 2 时序模型中的推理 15. 3 隐马尔可夫模型 15. 4 卡尔曼滤波器 15. 5 动态贝叶斯网络 15. 6 跟踪多个对象 15. 7 本章小结参考文献与历史注释习题第16章 制定简单决策 16. 1 在不确定环境下结合信念与愿望 16. 2 效用理论基础 16. 3 效用函数 16. 4 多属性效用函数 16. 5 决策网络 16. 6 信息价值 16. 7 决策理论专家系统 16. 8 本章小结参考文献与历史注释习题第17章 制定复杂决策 17. 1 序列式决策问题 17. 2 价值迭代 17. 3 策略迭代 17. 4 部分可观察的MDP 17. 5 多Agent 的决策：博弈论 17. 6 机制设计 17. 7 本章小结参考文献与历史注释习题第Ⅴ部分 学 习第18章 样例学习 18. 1 学习形式 18. 2 监督学习 18. 3 学习决策树 18. 4 评估和选择最佳假说 18. 5 学习理论 18. 6 带线性模型的回归和分类 18. 7 人工神经网 18. 8 非参数化模型 18. 9 支持向量机 18. 10 组合学习 18. 11 机器学习实例 18. 12 本章小结参考文献与历史注释习题第19章 学习中的知识 19. 1 学习的逻辑公式化 19. 2 学习中的知识 19. 3 基于解释的学习 19. 4 使用相关性信息学习 19. 5 归纳逻辑程序设计 19. 6 本章小结参考文献与历史注释练习第20章 学习概率模型 20. 1 统计学习 20. 2 带完整数据的学习 20. 3 隐变量学习：EM算法 20. 4 本章小结参考文献与历史注释习题第21章 强化学习 21. 1 引言 21. 2 被动强化学习 21. 3 主动强化学习 21. 4 强化学习中的泛化 21. 5 策略搜索 21. 6 强化学习的应用 21.