●推薦序一
推薦序二
譯者序
前言
第1章人工智能導論1
1.1引言1
1.2兩大流派1
1.3通用人工智能9
1.4代理的概念10
1.5人工智能中的演繹推理12
1.5.1實例13
1.5.2演繹推理的經典方法17
1.5.3演繹推理的優勢和局限19
1.6人工智能中的歸納學習19
1.6.1學習的類型20
1.6.2無監督學習任務21
1.6.3監督學習任務23
1.7人工智能中的生物進化24
1.8總結25
1.9拓展閱讀26
1.10練習26
第2章搜索狀態空間27
2.1引言27
2.2不知情搜索算法30
2.2.1案例研究：八個拼圖問題35
2.2.2案例研究：在線迷宮搜索36
2.2.3通過雙向搜索提高效率36
2.3知情搜索：佳優先搜索37
2.3.1貪婪佳優先搜索39
2.3.2A*-搜索算法40
2.4具有特定於狀態的損失函數的局部搜索41
2.4.1爬山43
2.4.2禁忌搜索45
2.4.3模擬退火47
2.5遺傳算法48
2.6約束滿足問題50
2.6.1作為約束滿足的旅行推銷員問題50
2.6.2作為約束滿足的圖著色51
2.6.3數獨作為約束滿足51
2.6.4約束滿足的搜索算法52
2.6.5利用特定於狀態的損失值53
2.7總結53
2.8拓展閱讀53
2.9練習53
第3章多代理搜索55
3.1引言55
3.2不知情搜索：AND-OR搜索樹56
3.2.1處理兩個以上的代理59
3.2.2處理非確定性環境59
3.3具有特定於狀態的損失函數的知情搜索樹60
3.3.1啟發式變化63
3.3.2適應對抗環境63
3.3.3預存儲子樹65
3.3.4設計評估函數面臨的挑戰66
3.3.5極小極大樹的缺點67
3.4alpha-beta剪枝69
3.5蒙特卡羅樹搜索：歸納視圖71
3.5.1對預期結果模型的改進74
3.5.2演繹與歸納：小值和蒙特卡羅樹77
3.5.3應用於非確定性和部分可觀測遊戲78
3.6總結79
3.7拓展閱讀79
3.8練習80
第4章命題邏輯81
4.1引言81
4.2命題邏輯：基礎82
4.3命題邏輯定律86
4.3.1蘊涵和等價的有用性質88
4.3.2重言式和可滿足性89
4.3.3子句和規範形式90
4.4命題邏輯作為專家繫統的先驅91
4.5命題邏輯中表達式的等價性92
4.6知識庫中的證明基礎94
4.7矛盾證明法96
4.8具有明確子句的有效蘊涵100
4.8.1正向鏈接100
4.8.2反向鏈接102
4.8.3比較正向鏈接和反向鏈接103
4.9總結103
4.10拓展閱讀104
4.11練習104
第5章一階邏輯106
5.1引言106
5.2一階邏輯的基礎108
5.2.1量詞的使用109
5.2.2一階邏輯中的函數112
5.2.3一階邏輯如何建立在命題邏輯上113
5.2.4標準化問題和範圍擴展115
5.2.5否定與量詞的相互作用116
5.2.6置換和斯科倫化117
5.2.7為什麼一階邏輯更具表現力119
5.3填充知識庫120
5.4一階邏輯專家繫統示例122
5.5繫統推斷程序123
5.5.1矛盾證明法123
5.5.2正向鏈接125
5.5.3反向鏈接126
5.6總結126
5.7拓展閱讀127
5.8練習127
第6章機器學習：歸納觀點129
6.1引言129
6.2線性回歸131
6.2.1隨機梯度下降132
6.2.2基於矩陣的解決方案133
6.2.3偏差的使用134
6.2.4為什麼正則化很重要134
6.3小二乘分類135
6.4支持向量機138
6.5邏輯回歸140
6.5.1計算梯度140
6.5.2比較支持向量機和邏輯回歸140
6.5.3邏輯回歸作為概率分類器142
6.6多類設置143
6.6.1一對其餘，一票反對一票143
6.6.2多項式邏輯回歸144
6.7Na?veBayes模型145
6.8近鄰分類器147
6.9決策樹148
6.9.1決策樹構建的訓練階段148
6.9.2拆分節點151
6.9.3將決策樹推廣到隨機森林152
6.10基於規則的分類器153
6.10.1順序覆蓋算法154
6.10.2將基於規則的分類器與專家繫統中的邏輯規則進行比較155
6.11分類的評估155
6.11.1分為訓練和測試部分157
6.11.2絕對準確度測量158
6.11.3排名措施159
6.12總結162
6.13拓展閱讀163
6.14練習163
第7章神經網絡164
7.1引言164
7.2計算圖簡介165
7.2.1神經網絡作為定向計算圖168
7.2.2softmax激活函數169
7.2.3常見損失函數170
7.2.4非線性如何增加表達能力170
7.3有向無環圖的優化172
7.3.1計算圖的挑戰172
7.3.2坡度計算的廣泛框架173
7.3.3使用暴力計算節點到節點的導數174
7.3.4計算節點到節點導數的動態規劃177
7.3.5將節點到節點導數轉換為損失到權重導數181
7.3.6帶有向量變量的計算圖183
7.4應用：神經網絡中的反向傳播185
7.4.1常用激活函數的導數187
7.4.2softmax的特殊情況187
7.4.3以向量為中心的反向傳播188
7.4.4以向量為中心的反向傳播示例190
7.5計算圖的一般視圖192
7.6總結194
7.7拓展閱讀194
7.8練習194
第8章特定領域的神經架構198
8.1引言198
8.2卷積神經網絡的基本原理198
8.3卷積神經網絡的基本架構200
8.3.1填充204
8.3.2步幅205
8.3.3典型的設置205
8.3.4ReLU層206
8.3.5池化206
8.3.6接近連接層208
8.3.7層之間的交錯208
8.3.8分層特性工程210
8.4卷積架構的案例研究211
8.4.1AlexNet212
8.4.2VGG214
8.4.3ResNet216
8.5遞歸神經網絡的基本原理218
8.6遞歸神經網絡的結構220
8.6.1RNN語言建模實例222
8.6.2通過時間反向傳播224

●
●8.6.3多層迭代網絡226
●
●……

本書介紹了經典人工智能(邏輯或演繹推理)和現代人工智能(歸納學習和神經網絡)的相關知識。首先討論演繹推理方法，主要包括搜索和邏輯；然後討論歸納學習方法，使用統計方法，結合大量示例以得出假設，包括回歸建模、支持向量機、神經網絡、強化學習、無監督學習和概率圖模型；最後介紹基於推理和學習的方法，包括知識圖譜和神經符號人工智能等技術。此外，還討論了遷移學習和終身學習等重要話題。
本書可作為高等院校人工智能等課程的研究生教材，或作為相關領域研究人員的參考讀物。