内容简介
《人工智能:现代方法》是全球公认的人工智能领域经典教材,被全球1500多所大学采用。第4版全面更新,系统性地介绍了人工智能的核心概念、理论和方法,涵盖从问题求解、知识推理到机器学习、深度学习、自然语言处理、计算机视觉等前沿领域。
本书上册主要介绍问题求解、知识推理、不确定知识与推理、机器学习等基础内容;下册则深入探讨感知、自然语言处理、机器人技术、哲学与伦理等高级主题。书中融合了最新的研究成果与行业实践,如强化学习、生成式AI、自动驾驶等热点话题,既适合作为计算机及相关专业研究生和高年级本科生的教材,也适合作为AI从业者的参考手册。
作者斯图尔特·罗素是加州大学伯克利分校计算机科学教授,人工智能领域顶尖学者,本书以其严谨的逻辑、丰富的案例和清晰的讲解,被誉为“AI圣经”,帮助读者建立对人工智能全面而深入的理解,掌握推动时代变革的关键技术。
目录
版 权
内 容 提 要
对本书的赞誉
序
方法不止,智能无疆
唯思想永恒
前 言
资源与服务
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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
小结
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)
小结
第25章 计算机视觉
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
小结
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
小结
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
小结
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
附录A 数学背景知识
A.1 复杂性分析和O()记号
A.2 向量,矩阵和线性代数
A.3 概率分布
附录B 关于语言与算法的说明
B.1 用巴克斯-诺尔范式(BNF)定义语言
B.2 用伪代码描述算法
B.3 在线补充材料
您当前的等级为
登录后免费下载登录
小黑屋反思中,不准下载!
评论后刷新页面下载评论
支付¥以后下载
请先登录
您今天的下载次数(次)用完了,请明天再来
支付积分以后下载立即支付
支付以后下载立即支付
您当前的用户组不允许下载升级会员
您已获得下载权限
您可以每天下载资源次,今日剩余次
免责申明:
1. 本站分享的所有书籍均来源于自互联网,我们只进行收集整理,并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告,这并不是本站所为,请注意甄别。
3. 我们分享这些书籍,纯粹是出于知识分享的热情,以及对互联网分享精神的高度认同和践行,不以盈利为目的。
4. 本站分享的所有书籍,仅供个人学习研究使用,请勿用于任何商业用途,否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获,在条件允许的情况下,请一定购买正版书籍,这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者,且您不希望此作品出现在本站,请联系我们,我们将在收到您的请求后48小时内予以删除。