人工智能 一种现代方法【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

人工智能 一种现代方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 人工智能3

第1章 绪论3

1.1 什么是人工智能3

1.1.1 类人行为：图灵测试方法4

1.1.2 类人思考：认知模型方法4

1.1.3 理性地思考：“思维法则”方法5

1.1.4 理性地行动：理性智能体方法5

1.2 人工智能的基础6

1.2.1 哲学（公元前428年—现在）6

1.2.2 数学（约800年—现在）8

1.2.3 经济学（1776年—现在）9

1.2.4 神经科学（1861年—现在）10

1.2.5 心理学（1879年—现在）11

1.2.6 计算机工程（1940年—现在）12

1.2.7 控制论（1948年—现在）13

1.2.8 语言学（1957年—现在）14

1.3 人工智能的历史14

1.3.1 人工智能的孕育期（1943年—1955年）14

1.3.2 人工智能的诞生（1956年）15

1.3.3 早期的热情，巨大的期望（1952年—1969年）15

1.3.4 现实的困难（1966年—1973年）17

1.3.5 基于知识的系统：力量的钥匙？（1969年—1979年）19

1.3.6 AI成为工业（1980年—现在）20

1.3.7 神经元网络的回归（1986年—现在）20

1.3.8 AI成为科学（1987年—现在）21

1.3.9 智能化智能体的出现（1995年—现在）22

1.4 目前发展水平22

1.5 小结23

参考文献与历史的注释24

习题24

第2章 智能化智能体26

2.1 智能体和环境26

2.2 好的行为表现：理性的概念28

2.2.1 性能度量28

2.2.2 理性28

2.2.3 全知者，学习和自主性29

2.3 环境的本质30

2.3.1 详细说明任务环境30

2.3.2 任务环境的属性32

2.4 智能体的结构35

2.4.1 智能体程序35

2.4.2 简单反射型智能体36

2.4.3 基于模型的反射型智能体38

2.4.4 基于目标的智能体39

2.4.5 基于效用的智能体40

2.4.6 学习智能体40

2.5 小结42

参考文献与历史的注释42

习题44

第二部分 问题求解49

第3章 用搜索法对问题求解49

3.1 问题求解智能体49

3.1.1 定义明确的问题及解51

3.1.2 把问题形式化52

3.2 问题实例53

3.2.1 玩具问题53

3.2.2 现实世界问题55

3.3 对解的搜索56

3.4 无信息的搜索策略59

3.4.1 广度优先搜索59

3.4.2 代价一致搜索61

3.4.3 深度优先搜索61

3.4.4 深度有限搜索62

3.4.5 迭代深入深度优先搜索63

3.4.6 双向搜索64

3.4.7 无信息搜索策略的比较65

3.5 避免重复状态66

3.6 使用不完全信息的搜索67

3.6.1 无传感问题68

3.6.2 偶发性问题69

3.7 小结70

参考文献与历史的注释71

习题72

第4章 有信息的搜索和探索76

4.1 有信息的（启发式的）搜索策略76

4.1.1 贪婪最佳优先搜索77

4.1.2 A搜索：最小化总的估计解耗散78

4.1.3 存储限制的启发式搜索81

4.1.4 为了更好地搜索而学习83

4.2 启发函数84

4.2.1 启发函数的精确度对性能的影响85

4.2.2 设计可采纳的启发函数85

4.2.3 从经验里学习启发函数87

4.3 局部搜索算法和最优化问题88

4.3.1 爬山法搜索88

4.3.2 模拟退火搜索91

4.3.3 局部剪枝搜索92

4.3.4 遗传算法92

4.4 连续空间的局部搜索95

4.5 联机搜索智能体和未知环境96

4.5.1 联机搜索问题97

4.5.2 联机搜索智能体98

4.5.3 联机局部搜索99

4.5.4 联机搜索的学习101

4.6 小结101

参考文献与历史的注释102

习题105

第5章 约束满足问题108

5.1 约束满足问题108

5.2 CSP问题的回溯搜索111

5.2.1 变量和取值顺序112

5.2.2 通过约束传播信息113

5.3 约束满足问题的局部搜索117

5.4 问题的结构118

5.5 小结120

参考文献与历史的注释121

习题123

第6章 对抗搜索125

6.1 博弈125

6.2 博弈中的优化决策126

6.2.1 最优策略127

6.2.2 极小极大值算法128

6.2.3 多人游戏中的最优决策128

6.3 α-β剪枝129

6.4 不完整的实时决策132

6.4.1 评价函数132

6.4.2 截断搜索134

6.5 包含几率因素的游戏135

6.5.1 有几率节点的游戏中的局面评价137

6.5.2 期望极小极大值的复杂度137

6.5.3 牌类游戏138

6.6 博弈程序的当前发展水平139

6.7 讨论141

6.8 小结142

参考文献与历史的注释143

习题146

第三部分 知识与推理151

第7章 逻辑智能体151

7.1 基于知识的智能体152

7.2 wumpus世界153

7.3 逻辑155

7.4 命题逻辑：一种非常简单的逻辑158

7.4.1 语法158

7.4.2 语义159

7.4.3 一个简单的知识库160

7.4.4 推理161

7.4.5 等价、合法性和可满足性162

7.5 命题逻辑的推理模式163

7.5.1 归结164

7.5.2 合取范式166

7.5.3 归结算法166

7.5.4 归结的完备性167

7.5.5 前向和反向链接168

7.6 有效的命题推理170

7.6.1 一个完备的回溯搜索170

7.6.2 局部搜索算法171

7.6.3 困难的满足性问题172

7.7 基于命题逻辑的智能体173

7.7.1 用逻辑推理寻找陷阱和wumpus173

7.7.2 录位置和方向174

7.7.3 基于电路的智能体175

7.7.4 比较177

7.8 小结178

参考文献与历史的注释179

习题181

第8章 一阶逻辑184

8.1 表示方法的回顾184

8.2 一阶逻辑的语法和语义187

8.2.1 一阶逻辑的模型187

8.2.2 符号和解释188

8.2.3 项189

8.2.4 原子语句190

8.2.5 复合语句190

8.2.6 量词190

8.2.7 等式193

8.3 使用一阶逻辑193

8.3.1 一阶逻辑的断言和查询194

8.3.2 亲属关系域194

8.3.3 数、集合和列表195

8.3.4 wumpus世界197

8.4 一阶逻辑中的知识工程199

8.4.1 知识工程的过程199

8.4.2 电路领域200

8.5 小结203

参考文献与历史的注释203

习题204

第9章 一阶逻辑中的推理208

9.1 命题与一阶推理208

9.1.1 量词的推理规则208

9.1.2 简化到命题推理209

9.2 合一和提升210

9.2.1 一阶推理规则210

9.2.2 合一211

9.2.3 存储和检索212

9.3 前向链接214

9.3.1 一阶确定子句214

9.3.2 一个简单的前向链接算法215

9.3.3 高效的前向链接216

9.4 反向链接219

9.4.1 反向链接算法219

9.4.2 逻辑程序设计220

9.4.3 逻辑程序的高效实现221

9.4.4 冗余推理和无限循环223

9.4.5 约束逻辑程序设计224

9.5 归结225

9.5.1 一阶逻辑的合取范式226

9.5.2 归结推理规则227

9.5.3 证明的实例227

9.5.4 归结的完备性229

9.5.5 处理等式231

9.5.6 归结策略232

9.5.7 定理证明机233

9.6 小结236

参考文献与历史的注释236

习题240

第10章 知识表示244

10.1 本体论工程244

10.2 类别和对象246

10.2.1 物质成份247

10.2.2 度量249

10.2.3 物质和对象249

10.3 行动、情景和事件250

10.3.1 情景演算本体论250

10.3.2 描述情景演算中的行动252

10.3.3 解决表示框架问题253

10.3.4 解决推理框架问题254

10.3.5 时间和事件演算255

10.3.6 一般化事件255

10.3.7 过程257

10.3.8 区间258

10.3.9 流和对象259

10.4 精神事件和精神对象260

10.4.1 关于信度的形式理论260

10.4.2 知识和信度262

10.4.3 知识、时间和行动262

10.5 因特网购物世界263

10.6 类别的推理系统267

10.6.1 语义网络267

10.6.2 描述逻辑269

10.7 缺省信息推理270

10.7.1 开放世界和封闭世界270

10.7.2 失败否定式和稳定模型语义272

10.7.3 界限和缺省逻辑273

10.8 真值维护系统275

10.9 小结276

参考文献与历史的注释276

习题281

第四部分 规划289

第11章 规划289

11.1 规划问题289

11.1.1 规划问题语言290

11.1.2 表达能力和延伸291

11.1.3 例：航空货物运输292

11.1.4 例：备用轮胎问题293

11.1.5 例：积木世界293

11.2 状态空间搜索规划294

11.2.1 前向状态空间搜索295

11.2.2 后向状态空间搜索296

11.2.3 状态空间搜索的启发式297

11.3 偏序规划298

11.3.1 一个偏序规划的例子301

11.3.2 无约束变量的偏序规划303

11.3.3 偏序规划启发式303

11.4 规划图304

11.4.1 规划图的启发式估计305

11.4.2 GRAPHPLAN算法306

11.4.3 GRAPHPLAN的终止308

11.5 命题逻辑规划309

11.5.1 用命题逻辑描述规划问题309

11.5.2 命题编码的复杂度311

11.6 规划方法分析312

11.7 小结313

参考文献与历史的注释314

习题316

第12章 现实世界的规划与行动320

12.1 时间、调度表和资源320

12.2 分层任务网络规划324

12.2.1 表示行动分解325

12.2.2 为分解修改规划器326

12.2.3 讨论328

12.3 在非确定性领域中进行规划和行动329

12.4 条件规划331

12.4.1 完全可观察环境中的条件规划331

12.4.2 部分可观察环境中的条件规划334

12.5 执行监控和重新规划337

12.6 持续规划340

12.7 多智能体规划343

12.7.1 合作：联合目标和规划344

12.7.2 多体规划344

12.7.3 协调机制346

12.7.4 竞争347

12.8 小结347

参考文献与历史的注释347

习题350

第五部分 不确定知识与推理355

第13章 不确定性355

13.1 不确定环境下的行动355

13.1.1 处理不确定知识356

13.1.2 不确定性与理性决策357

13.1.3 决策理论智能体的设计358

13.2 基本概率符号表示358

13.2.1 命题358

13.2.2 原子事件359

13.2.3 先验概率360

13.2.4 条件概率361

13.3 概率公理362

13.3.1 使用概率公理363

13.3.2 为什么概率公理是合理的363

13.4 使用全联合分布进行推理365

13.5 独立性367

13.6 贝叶斯法则及其应用368

13.6.1 应用贝叶斯法则：一个简单例子368

13.6.2 使用贝叶斯法则：合并证据369

13.7 重游wumpus世界371

13.8 小结373

参考文献与历史的注释374

习题375

第14章 概率推理378

14.1 不确定域中的知识表示378

14.2 贝叶斯网络的语义380

14.2.1 表示全联合概率分布380

14.2.2 贝叶斯网络中的条件独立关系383

14.3 条件分布的有效表达384

14.4 贝叶斯网络中的精确推理387

14.4.1 通过枚举进行推理387

14.4.2 变量消元算法389

14.4.3 精确推理的复杂度391

14.4.4 团算法392

14.5 贝叶斯网络的近似推理392

14.5.1 直接采样算法392

14.5.2 马尔可夫链仿真推理396

14.6 把概率扩展到一阶表示398

14.7 不确定推理的其它方法401

14.7.1 基于规则的不确定推理方法402

14.7.2 表示无知性：Dempster-Shafer理论403

14.7.3 表示模糊性：模糊集与模糊逻辑404

14.8 小结405

参考文献与历史的注释406

习题409

第15章 关于时间的概率推理413

15.1 时间与不确定性413

15.1.1 状态与观察414

15.1.2 稳态过程与马尔可夫假设414

15.2 时序模型中的推理416

15.2.1 滤波和预测417

15.2.2 平滑419

15.2.3 寻找最可能序列421

15.3 隐马尔可夫模型422

15.4 卡尔曼滤波器424

15.4.1 更新高斯分布425

15.4.2 一个简单的一维例子426

15.4.3 一般情况428

15.4.4 卡尔曼滤波器的适用性429

15.5 动态贝叶斯网络430

15.5.1 构造动态贝叶斯网络430

15.5.2 动态贝叶斯网络中的精确推理433

15.5.3 动态贝叶斯网络中的近似推理434

15.6 语音识别437

15.6.1 语音438

15.6.2 词语（word）440

15.6.3 语句441

15.6.4 搭建语音识别器443

15.7 小结444

参考文献与历史的注释445

习题447

第16章 制定简单决策450

16.1 在不确定性环境下结合信度与愿望450

16.2 效用理论基础451

16.2.1 理性偏好的约束451

16.2.2 然后就有了效用453

16.3 效用函数453

16.3.1 金钱的效用454

16.3.2 效用范围和效用评估455

16.4 多属性效用函数457

16.4.1 优势457

16.4.2 偏好结构和多属性效用458

16.5 决策网络460

16.5.1 使用决策网络表示决策问题460

16.5.2 评价决策网络461

16.6 信息价值462

16.6.1 一个简单例子462

16.6.2 一个通用公式462

16.6.3 信息价值的属性464

16.6.4 实现信息收集智能体464

16.7 决策理论的专家系统465

16.8 小结467

参考文献与历史的注释467

习题469

第17章 制定复杂决策472

17.1 延续式决策问题472

17.1.1 一个例子472

17.1.2 延续式决策问题中的最优化474

17.2 价值迭代476

17.2.1 状态效用值476

17.2.2 价值迭代算法477

17.2.3 价值迭代的收敛478

17.3 策略迭代480

17.4 部分可观察的MDP481

17.5 决策理论智能体484

17.6 多智能体的决策：博弈论485

17.7 机制设计492

17.8 小结494

参考文献与历史的注释495

习题496

第六部分 学习501

第18章 从观察中学习501

18.1 学习的形式501

18.2 归纳学习502

18.3 学习决策树504

18.3.1 作为执行元件的决策树504

18.3.2 决策树的表达能力505

18.3.3 从实例中归纳决策树506

18.3.4 选择属性测试508

18.3.5 评估学习算法的性能509

18.3.6 噪声和过拟合510

18.3.7 扩展决策树的适用性512

18.4 集体学习512

18.5 为什么学习是可行的：计算学习理论515

18.5.1 需要多少个实例516

18.5.2 决策表学习517

18.5.3 讨论519

18.6 小结519

参考文献与历史的注释519

习题521

第19章 学习中的知识524

19.1 学习的逻辑公式524

19.1.1 实例和假设524

19.1.2 当前最佳假设搜索526

19.1.3 最少约定搜索527

19.2 学习中的知识530

19.2.1 一些简单的例子531

19.2.2 一些一般方案531

19.3 基于解释的学习532

19.3.1 从实例中抽取一般规则533

19.3.2 提高效率534

19.4 使用相关信息进行学习535

19.4.1 决定假设空间536

19.4.2 学习和使用相关性信息536

19.5 归纳逻辑程序设计538

19.5.1 一个例子539

19.5.2 自顶向下的归纳学习方法541

19.5.3 使用逆向演绎的归纳学习543

19.5.4 通过归纳逻辑程序设计进行发现544

19.6 小结545

参考文献与历史的注释546

习题548

第20章 统计学习方法550

20.1 统计学习550

20.2 完整数据下的学习553

20.2.1 最大似然参数学习：离散模型553

20.2.2 朴素贝叶斯模型555

20.2.3 最大似然参数学习：连续模型555

20.2.4 贝叶斯参数学习557

20.2.5 学习贝叶斯网络的结构558

20.3 隐变量学习：EM算法559

20.3.1 无监督聚类：学习混合高斯分布560

20.3.2 学习含有隐变量的贝叶斯网络562

20.3.3 学习隐马尔可夫模型563

20.3.4 EM算法的一般形式564

20.3.5 学习含有隐变量的贝叶斯网络结构564

20.4 基于实例的学习565

20.4.1 最近邻模型565

20.4.2 核模型567

20.5 神经元网络568

20.5.1 神经元网络中的单元568

20.5.2 网络结构569

20.5.3 单层前馈神经元网络（感知器）570

20.5.4 多层前馈神经元网络573

20.5.5 对神经元网络结构进行学习576

20.6 核心机576

20.7 案例分析：手写体数字识别579

20.8 小结580

参考文献与历史的注释581

习题584

第21章 强化学习587

21.1 介绍587

21.2 被动强化学习588

21.2.1 直接效用估计589

21.2.2 自适应动态规划589

21.2.3 时序差分学习591

21.3 主动强化学习592

21.3.1 探索593

21.3.2 学习行动-价值函数595

21.4 强化学习中的一般化596

21.4.1 博弈中的应用599

21.4.2 机器人控制中的应用599

21.5 策略搜索600

21.6 小结602

参考书目与历史的注释603

习题605

第七部分 通讯、感知与行动609

第22章 通讯609

22.1 作为行动的通讯609

22.1.1 语言的基本原理610

22.1.2 通讯的组成步骤611

22.2 部分英语的形式语法613

22.2.1 E0的词典613

22.2.2 E0的语法614

22.3 句法分析（Parsing）615

22.4 增强语法620

22.4.1 动词的次范畴化622

22.4.2 增强语法的生成能力623

22.5 语义解释624

22.5.1 部分英语的语义625

22.5.2 时间和时态625

22.5.3 量词限定626

22.5.4 语用解释628

22.5.5 利用DCG生成语言629

22.6 歧义和排歧629

22.7 篇章理解632

22.7.1 指代消解632

22.7.2 连贯的篇章结构633

22.8 语法归纳634

22.9 小结636

参考文献与历史的注释636

习题639

第23章 概率语言处理643

23.1 概率语言模型643

23.1.1 概率的上下文无关语法645

23.1.2 学习PCFG的概率646

23.1.3 学习PCFG的规则结构647

23.2 信息检索647

23.2.1 评价IR系统649

23.2.2 IR的改进方法650

23.2.3 结果集合的表示651

23.2.4 IR系统的实现652

23.3 信息抽取653

23.4 机器翻译655

23.4.1 机器翻译系统656

23.4.2 统计机器翻译657

23.4.3 机器翻译的概率学习659

23.5 小结660

参考文献与历史的注释661

习题663

第24章 感知665

24.1 介绍665

24.2 图像生成666

24.2.1 无透镜成像——针孔照相机666

24.2.2 透镜系统667

24.2.3 光线：成像过程中的光度学特性668

24.2.4 色彩：成像中的分光谱光度学669

24.3 初级图像处理运算669

24.3.1 边缘检测670

24.3.2 图像分割672

24.4 提取三维信息672

24.4.1 运动673

24.4.2 双目立体视觉675

24.4.3 纹理梯度677

24.4.4 明暗677

24.4.5 轮廓678

24.5 物体识别681

24.5.1 基于亮度的识别682

24.5.2 基于特征的识别683

24.5.3 姿态估计685

24.6 利用视觉实现操纵和导航686

24.7 小结687

参考文献与历史的注释688

习题690

第25章 机器人学692

25.1 介绍692

25.2 机器人硬件693

25.2.1 传感器693

25.2.2 效应器694

25.3 机器人的感知696

25.3.1 定位697

25.3.2 绘制地图701

25.3.3 其它类型的感知703

25.4 运动规划703

25.4.1 构型空间704

25.4.2 单元分解方法706

25.4.3 抽骨架方法707

25.5 规划不确定的运动708

25.6 运动711

25.6.1 动力学和控制711

25.6.2 势场控制713

25.6.3 反应式控制714

25.7 机器人软件体系结构715

25.7.1 包容体系结构715

25.7.2 三层体系结构716

25.7.3 机器人程序设计语言716

25.8 立用领域717

25.9 小结719

参考文献与历史的注释720

习题722

第八部分 结论729

第26章 哲学基础729

26.1 弱人工智能：机器能够智能地行动吗729

26.1.1 能力缺陷方面的论点730

26.1.2 数学异议731

26.1.3 非形式化的论点732

26.2 强人工智能：机器能够真正思考吗733

26.2.1 精神—肉体问题734

26.2.2 “钵中之脑”实验735

26.2.3 大脑置换实验736

26.2.4 中文屋子737

26.3 发展人工智能的道德规范与风险739

26.4 小结742

参考文献与历史的注释742

习题744

第27章 人工智能：现状与未来745

27.1 智能体的组成部分745

27.2 智能体体系结构747

27.3 我们在沿着正确的方向前进吗748

27.4 如果人工智能成功了会怎样749

附录A 数学背景751

A.1 复杂度分析与O（）符号751

A.1.1 渐近分析751

A.1.2 NP以及固有的难题752

A.2 向量、矩阵和线性代数753

A.3 概率分布754

参考文献与历史的注释755

附录B 关于语言和算法的注释757

B.1 用巴克斯—瑙鲁范式（BNF）定义语言757

B.2 算法的伪代码描述757

B.3 联机帮助758