- 第一部分 人工智能基础
- 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 目前的先进技术
- 1.5 人工智能的风险和收益
- 第2章 智能体
- 2.1 智能体和环境
- 2.2 良好行为：理性的概念
- 2.3 环境的本质
- 2.4 智能体的结构
- 第二部分 问题求解
- 第3章 通过搜索进行问题求解
- 3.1 问题求解智能体
- 3.2 问题示例
- 3.3 搜索算法
- 3.4 无信息搜索策略
- 3.5 有信息（启发式）搜索策略
- 3.6 启发式函数
- 第4章 复杂环境中的搜索
- 4.1 局部搜索和最优化问题
- 4.2 连续空间中的局部搜索
- 4.3 使用非确定性动作的搜索
- 4.4 部分可观测环境中的搜索
- 4.5 在线搜索智能体和未知环境
- 第5章 对抗搜索和博弈
- 5.1 博弈论
- 5.2 博弈中的优化决策
- 5.3 启发式树搜索
- 5.4 蒙特卡罗树搜索
- 5.5 随机博弈
- 5.6 部分可观测博弈
- 5.7 博弈搜索算法的局限性
- 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中的推断
- 6.3 CSP的回溯搜索
- 6.4 CSP的局部搜索
- 6.5 问题的结构
- 第三部分 知识、推理和规划
- 第7章 逻辑智能体
- 7.1 基于知识的智能体
- 7.2 wumpus世界
- 7.3 逻辑
- 7.4 命题逻辑：一种非常简单的逻辑
- 7.5 命题定理证明
- 7.6 高效命题模型检验
- 7.7 基于命题逻辑的智能体
- 第8章 一阶逻辑
- 8.1 回顾表示
- 8.2 一阶逻辑的语法和语义
- 8.3 使用一阶逻辑
- 8.4 一阶逻辑中的知识工程
- 第9章 一阶逻辑中的推断
- 9.1 命题推断与一阶推断
- 9.2 合一与一阶推断
- 9.3 前向链接
- 9.4 反向链接
- 9.5 归结
- 第10章 知识表示
- 10.1 本体论工程
- 10.2 类别与对象
- 10.3 事件
- 10.4 精神对象和模态逻辑
- 10.5 类别的推理系统
- 10.6 用缺省信息推理
- 第11章 自动规划
- 11.1 经典规划的定义
- 11.2 经典规划的算法
- 11.3 规划的启发式方法
- 11.4 分层规划
- 11.5 非确定性域的规划和行动
- 11.6 时间、调度和资源
- 11.7 规划方法分析
- 第四部分 不确定知识和不确定推理
- 第12章 不确定性的量化
- 12.1 不确定性下的动作
- 12.2 基本概率记号
- 12.3 使用完全联合分布进行推断
- 12.4 独立性
- 12.5 贝叶斯法则及其应用
- 12.6 朴素贝叶斯模型
- 12.7 重游wumpus世界
- 第13章 概率推理
- 13.1 不确定域的知识表示
- 13.2 贝叶斯网络的语义
- 13.3 贝叶斯网络中的精确推断
- 13.4 贝叶斯网络中的近似推理
- 13.5 因果网络
- 第14章 时间上的概率推理
- 14.1 时间与不确定性
- 14.2 时序模型中的推断
- 14.3 隐马尔可夫模型
- 14.4 卡尔曼滤波器
- 14.5 动态贝叶斯网络
- 第15章 概率编程
- 15.1 关系概率模型
- 15.2 开宇宙概率模型
- 15.3 追踪复杂世界
- 15.4 作为概率模型的程序
- 第16章 做简单决策
- 16.1 在不确定性下结合信念与愿望
- 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 未知偏好
- 第17章 做复杂决策
- 17.1 序贯决策问题
- 17.2 MDP的算法
- 17.3 老虎机问题
- 17.4 部分可观测MDP
- 17.5 求解POMDP的算法
- 第18章 多智能体决策
- 18.1 多智能体环境的特性
- 18.2 非合作博弈论
- 18.3 合作博弈论
- 18.4 做集体决策
- 第五部分 机器学习
- 第19章 样例学习
- 19.1 学习的形式
- 19.2 监督学习
- 19.3 决策树学习
- 19.4 模型选择与模型优化
- 19.5 学习理论
- 19.6 线性回归与分类
- 19.7 非参数模型
- 19.8 集成学习
- 19.9 开发机器学习系统
- 第20章 概率模型学习
- 20.1 统计学习
- 20.2 完全数据学习
- 20.3 隐变量学习：EM算法
- 第21章 深度学习
- 21.1 简单前馈网络
- 21.2 深度学习的计算图
- 21.3 卷积网络
- 21.4 学习算法
- 21.5 泛化
- 21.6 循环神经网络
- 21.7 无监督学习与迁移学习
- 21.8 应用
- 第22章 强化学习
- 22.1 从奖励中学习
- 22.2 被动强化学习
- 22.3 主动强化学习
- 22.4 强化学习中的泛化
- 22.5 策略搜索
- 22.6 学徒学习与逆强化学习
- 22.7 强化学习的应用
- 第六部分 沟通、感知和行动
- 第23章 自然语言处理
- 23.1 语言模型
- 23.2 文法
- 23.3 句法分析
- 23.4 扩展文法
- 23.5 真实自然语言的复杂性
- 23.6 自然语言任务
- 第24章 自然语言处理中的深度学习
- 24.1 词嵌入
- 24.2 自然语言处理中的循环神经网络
- 24.3 序列到序列模型
- 24.4 Transformer架构
- 24.5 预训练和迁移学习
- 24.6 最高水平（SOTA）
- 第25章 计算机视觉
- 25.1 引言
- 25.2 图像形成
- 25.3 简单图像特征
- 25.4 图像分类
- 25.5 物体检测
- 25.6 三维世界
- 25.7 计算机视觉的应用
- 第26章 机器人学
- 26.1 机器人
- 26.2 机器人硬件
- 26.3 机器人学解决哪些问题
- 26.4 机器人感知
- 26.5 规划与控制
- 26.6 规划不确定的运动
- 26.7 机器人学中的强化学习
- 26.8 人类与机器人
- 26.9 其他机器人框架
- 26.10 应用领域
- 第七部分 总结
- 第27章 人工智能的哲学、伦理和安全性
- 27.1 人工智能的极限
- 27.2 机器能真正地思考吗
- 27.3 人工智能的伦理
- 第28章 人工智能的未来
- 28.1 人工智能组件
- 28.2 人工智能架构
发表评论