人工智能 (第4版)
内容简介
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。
全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。
本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。
......(更多)
作者简介
Stuart Russell，1986年进入加利福尼亚大学伯克利分校，任计算机科学系教授，并曾担任系主任，人类兼容人工智能中心主任，也是 Smith-Zadeh 工程系讲席教授。1990年，获得美国国家科学基金会（NSF）杰出青年科学家总统奖；1995年，成为计算机与思想奖的获奖人之一。是美国人工智能协会（AAAI）、美国计算机协会（ACM）和美国科学促进协会的会士，牛津大学瓦德汉学院的荣誉院士和 Andrew Carnegie 院士。2012年到2014年，在巴黎担任 Blaise Pascal 主席。在人工智能领域发表了300多篇论文，涉及范围广泛。
Peter Norvig，曾任谷歌公司的研究总监、核心网络搜索算法的负责人。曾与他人合作共同教授了一门有16万名学生注册的在线人工智能课程，帮助开启了当下的大规模在线公开课程的大幕。曾担任美国宇航局艾姆斯研究中心计算科学部的负责人，负责人工智能和机器人学的研究和开发。曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。是美国人工智能协会和美国计算机协会的会士，以及美国艺术与科学院和加利福尼亚科学院的院士。
两位作者共同获得了2016年首届 AAAI/EAAI 杰出教育家奖。
......(更多)
目录
序／吴军
方法不止，智能无疆／黄铁军
唯思想永恒／张志华
中文版致谢
前言
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
小结
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献与历史注释
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
参考文献
索引
......(更多)
读书文摘
......(更多)
