●章導論1
1.1什麼是人工智能1
1.1.1腦科學與問題求解3
1.1.2圖靈測試及聊天機器人5
1.2AI的歷史5
1.2.1人工智能的開始8
1.2.2基於邏輯的問題求解8
1.2.3新聯接主義9
1.2.4不確定性推理9
1.2.5分布式的自治且有學習能力的智能體10
1.2.6人工智能的進一步發展10
1.2.7人工智能革命10
1.3人工智能與社會11
1.3.1人工智能會搶奪人類的工作嗎11
1.3.2AI與交通11
1.3.3服務機器人12
1.4智能體13
1.5基於知識的繫統15
1.6練習17
第2章命題邏輯19
2.1句法19
2.2語義20
2.3證明繫統22
2.4歸結25
2.5Horn子句28
2.6可計算性和復雜性30
2.7應用及30
2.8練習31
第3章一階謂詞邏輯33
3.1句法34
3.2語義35
3.3量詞和範式38
3.4證明演算41
3.5歸結42
3.5.1歸結策略45
3.5.2等值45
3.6自動定理證明46
3.7數學例子47
3.8應用50
3.9小結52
3.10練習52
第4章邏輯的局限性55
4.1搜索空間問題55
4.2可判定性和不完備性57
4.3會飛的企鵝58
4.4模型的不確定性60
4.5練習61
第5章Prolog邏輯程序設計63
5.1Prolog繫統及實現
5.2簡單例子
5.3執行控制和過程要素67
5.4列表68
5.5自我修改程序70
5.6規劃示例71
5.7約束邏輯編程73
5.8總結74
5.9練習75
第6章搜索、博弈與問題求解79
6.1引言79
6.2無信息搜索84
6.2.1寬度優先搜索84
6.2.2深度優先搜索85
6.2.3迭代深入87
6.2.4對比88
6.2.5循環校驗89
6.3啟發式搜索90
6.3.1貪婪搜索92
6.3.2A*搜索93
6.3.3A*搜索算法的路徑規劃95
6.3.4IDA*搜索96
6.3.5搜索算法的經驗對比97
6.3.6總結98
6.4對弈99
6.4.1小大搜索99
6.4.2Alpha-Beta剪枝100
6.4.3非決定性遊戲102
6.5啟發式評估函數102
6.6搜索前沿現狀104
6.6.1像棋104
6.6.2圍棋105
6.7練習106
第7章不確定性推理109
7.1概率計算111
7.2大熵的原理118
7.2.1概率推理規則118
7.2.2無明確約束的大熵122
7.2.3條件概率與實質蘊含123
7.2.4MaxEnt繫統124
7.2.5tweety示例125
7.3LEXMED，一個闌尾炎診斷專家繫統126
7.3.1正規方式的闌尾炎診斷126
7.3.2混合概率知識庫127
7.3.3LEXMED的應用129
7.3.4LEXMED的功能130
7.3.5使用代價矩陣進行風險管理133
7.3.6性能134
7.3.7應用領域和經驗136
7.4貝葉斯網絡推理137
7.4.1獨立變量137
7.4.2將知識的圖解作為貝葉斯網絡138
7.4.3條件獨立139
7.4.4實際應用139
7.4.5貝葉斯網絡軟件141
7.4.6貝葉斯網絡的發展142
7.4.7貝葉斯網絡的語義145
7.5總結146
7.6練習148
第8章機器學習與數據挖掘151
8.1數據分析156
8.2感知器，一個線性分類器158
8.2.1學習規則160
8.2.2優化與展望163
8.3近鄰算法163
8.3.1兩類、多類、近似166
8.3.2距離與分類相關167
8.3.3計算時間168
8.3.4總結與展望169
8.3.5基於案例的推理170
8.4決策樹學習171
8.4.1一個簡單的例子171
8.4.2將熵作為信息量的度量173
8.4.3信息增益175
8.4.4C4.5算法的應用177
8.4.5對闌尾炎診斷的學習179
8.4.6連續屬性181
8.4.7剪枝182
8.4.8缺失值183
8.4.9總結183
8.5交驗證和過擬合184
8.6貝葉斯網絡的學習185
8.7樸素貝葉斯分類器187
8.8單類學習191
8.9聚類193
8.9.1距離度量194
8.9.2K均值與EM算法195
8.9.3層次聚類196
8.9.4如何確定簇的數量197
8.10實踐中的數據挖掘200
8.11總結203
8.12練習205
第9章神經網絡209
9.1從生物學到仿真210
9.2Hopfield網絡213
9.2.1一個模式識別應用實例214
9.2.2分析216
9.2.3總結與展望218
9.3神經聯想記憶219
9.3.1關聯矩陣存儲器220
9.3.2二進制Hebb定律221
9.3.3拼寫糾正程序223
9.4具有小錯誤的線性網絡224
9.4.1小二乘法225
9.4.2闌尾炎數據的應用227
9.4.3delta規則227
9.4.4與感知器的比較229
9.5反向傳播算法230
9.5.1NETtalk：讓網絡學著去說話232
9.5.2關於定理證明的啟發式學習234
9.5.3問題與改進234
9.6支持向量機235
9.7深度學習237
9.7.1效法自然237
9.7.2疊加去噪自動編碼器238
9.7.3其他方法239
9.7.4繫統和實現240
9.7.5深度學習的應用240
9.8創造性241
9.9神經網絡的應用243
9.10總結與展望243
9.11練習244
0章強化學習247
10.1什麼是強化學習247
10.2學習任務249
10.3不使用已有信息的組合搜索251
10.4值迭代與動態規劃252
10.5一種學習型步行機器人及其仿真255
10.6Q學習257
10.7探索與開發261
10.8逼近、推廣與收斂性261
10.9應用262
10.10AlphaGo圍棋的突破263
10.11維數災難265
10.12總結與展望266
10.13練習267
1章練習解答269
11.1導論269
11.2命題邏輯270
11.3一階謂詞邏輯272
11.4邏輯的局限性274
11.5Prolog邏輯程序設計274
11.6搜索、博弈和問題求解276
11.7不確定性推理278
11.8機器學習與數據挖掘285
11.9神經網絡291
11.10強化學習293

《深入淺出人工智能(第2版)》通俗易懂且引人入勝，提供了對人工智能(AI)這一激動人心領域的準確介紹，內容覆蓋人工智能領域的主要子學科，描述了智能體、邏輯、搜索、不確定性推理、機器學習、神經網絡和強化學習等子學科的實際算法和具體應用。除了對上一版進行大幅修改和更新外，《深入淺出人工智能(第2版)》還包括對深度學習這一新內容的介紹。