第一部分 人工智能的渊源及范围
第1章 人工智能的历史及应用
1. 1 从伊甸园到第一台电子计算机:对智慧. 知识和人类技能的态度
1. 1. 1 历史基础
1. 1. 2 逻辑的发展
1. 1. 3 图灵测试
1. 1. 4 智能的生物和社会模型:主体
1. 2 人工智能的应用领域
1. 2. 1 博弈
1. 2. 2 自动推理和定理证明
1. 2. 3 专家系统
1. 2. 4 自然语言理解和语义建模
1. 2. 5 对人类表现建模
1. 2. 6 规划和机器人
1. 2. 7 人工智能的语言和环境
1. 2. 8 机器学习
1. 2. 9 另类表示:神经网络和遗传算法
1. 2. 10 AI和哲学
1. 3 人工智能的概括
1. 4 结语和参考文献
1. 5 练习
第二部分 作为表示和搜索的人工智能
第2章 谓词演算
2. 0 简介
2. 1 命题演算
2. 1. 1 符号和语句
2. 1. 2 命题演算的语义
2. 2 谓词演算
2. 2. 1 谓词的语法和语句
2. 2. 2 谓词演算的语义
2. 2. 3 语义含义的积木世界例子
2. 3 使用推理规则产生谓词演算表达式
2. 3. 1 推理规则
2. 3. 2 合一算法
2. 3. 3 合一的例子
2. 4 应用:一个基于逻辑的财务顾问
2. 5 结语和参考文献
2. 6 练习
第3章 用以搜索状态空间的结构和策略
3. 0 简介
3. 1 图论
3. 1. 1 状态空间搜索的结构
3. 1. 2 问题的状态空间表示
3. 2 用于状态空间搜索的策略
3. 2. 1 数据驱动搜索和目标驱动搜索
3. 2. 2 图搜索的实现
3. 2. 3 深度优先搜索和宽度优先搜索
3. 2. 4 迭代加深的深度优先搜索
3. 3 利用状态空间来表示谓词演算推理
3. 3. 1 逻辑系统的状态空间描述
3. 3. 2 与或图
3. 3. 3 进一步的例子和应用
3. 4 结语和参考文献
3. 5 练习
第4章 启发式搜索
4. 0 简介
4. 1 启发式搜索算法
4. 1. 1 实现最佳优先搜索
4. 1. 2 实现启发评估函数
4. 1. 3 启发式搜索和专家系统
4. 2 可采纳性. 单调性和信息度
4. 2. 1 可采纳性尺度
4. 2. 2 单调性
4. 2. 3 信息度更高的启发是更好的启发
4. 3 在博弈中使用启发
4. 3. 1 针对可穷举搜索情况的极小极大过程
4. 3. 2 固定层深的极小极大过程
4. 3. 3 a-B过程
4. 4 复杂度问题
4. 5 结语和参考文献
4. 6 练习
第5章 状态空间搜索的控制和实现
5. 0 简介
5. 1 基于递归的搜索
5. 1. 1 递归
5. 1. 2 递归搜索
5. 2 模式导向搜索
5. 2. 1 递归搜索实例:骑士周游问题
5. 2. 2 改进模式搜索算法
5. 3 产生式系统
5. 3. 1 定义和历史
5. 3. 2 产生式系统的例子
5. 3. 3 产生式系统中的搜索控制
5. 3. 4 产生式系统的优点
5. 4 用于问题求解的黑板结构
5. 5 结语和参考文献
5. 6 练习
第三部分 表示和智能:AI中的挑战
第6章 知识表示
6. 0 知识表示问题
6. 1 AI表象图式的简要历史
6. 1. 1 语义关联理论
6. 1. 2 语义网络的早期研究
6. 1. 3 网络关系的标准化
6. 1. 4 脚本
6. 1. 5 框架
6. 2 概念图:网络语言
6. 2. 1 概念图简介
6. 2. 2 类型. 个体和名字
6. 2. 3 类型层次
6. 2. 4 泛化和特化
6. 2. 5 命题结点
6. 2. 6 概念图和逻辑
6. 3 显式表示的替代方法
6. 3. 1 Brookss假设和包容结构
6. 3. 2 Copycat结构
6. 4 基于主体的和分布式的问题求解方法
6. 4. 1 面向主体的问题求解:定义
6. 4. 2 面向主体模式的应用领域以及存在的问题
6. 5 结语和参考文献
6. 6 练习
第7章 求解问题的强方法
7. 0 简介
7. 1 专家系统技术概览
7. 1. 1 基于规则的专家系统
7. 1. 2 问题选择和知识工程的步骤
7. 1. 3 概念模型及其在知识获取中的作用
7. 2 基于规则的专家系统
7. 2. 1 产生式系统和目标驱动问题求解
7. 2. 2 目标驱动推理中的解释和-透明性
7. 2. 3 利用产生式系统进行数据驱动推理
7. 2. 4 专家系统的启发和控制
7. 3 基于模型系统. 基于案例系统和混合系统
7. 3. 1 基于模型推理简介
7. 3. 2 基于模型推理:来自NASA的例子(Williams and Nayak)
7. 3. 3 基于案例推理介绍
7. 3. 4 混合设计:强方法系统的优势和不足
7. 4 规划
7. 4. 1 简介
7. 4. 2 使用规划宏:STRIPS
7. 4. 3 teleo-reactive规划(Nilsson 1994, Benson 1995)
7. 4. 4 规划:来自NASA的例子(Williams and Nayak)
7. 5 结语和参考文献
7. 6 练习
第8章 不确定条件下的推理
8. 0 简介
8. 1 基于逻辑的反绎推理
8. 1. 1 非单调推理逻辑
8. 1. 2 真值维护系统
8. 1. 3 基于最小模型的逻辑
8. 1. 4 集合覆盖和基于逻辑的反绎(Stern 1996)
8. 2 反绎:逻辑之外的办法
8. 2. 1 Stanford确信度代数
8. 2. 2 模糊集推理
8. 2. 3 Dempster-Shafer证据理论
8. 3 统计的方法处理不确定性
8. 3. 1 贝叶斯推理
8. 3. 2 贝叶斯信念网络
8. 4 结语和参考文献
8. 5 练习
第四部分 机器学习
第9章 基于符号的机器学习
9. 0 概述
9. 1 基于符号的学习的框架
9. 2 变型空间搜索
9. 2. 1 泛化操作和概念空间
9. 2. 2 候选解排除算法
9. 2. 3 LEX:启发式归纳搜索
9. 2. 4 评价候选解排除算法
9. 3 ID3决策树归纳算法
9. 3. 1 自顶向下决策树归纳
9. 3. 2 测试选择的信息论方法
9. 3. 3 评价ID3
9. 3. 4 决策树数据问题:打包. 推进
9. 4 归纳偏置和学习能力
9. 4. 1 归纳偏置
9. 4. 2 可学习性理论
9. 5 知识和学习
9. 5. 1 Meta-DENDRAL
9. 5. 2 基于解释的学习
9. 5. 3 EBL和知识层学习
9. 5. 4 类比推理
9. 6 无监督学习
9. 6. 1 发现和无监督学习
9. 6. 2 概念聚类
9. 6. 3 COBWEB和分类知识的结构
9. 7 强化学习
9. 7. 1 强化学习的组成部分
9. 7. 2 一个例子:九宫游戏
9. 7. 3 强化学习的推理算法和应用
9. 8 结语和参考文献
9. 9 练习
第10章 连接主义的机器学习
10. 0 介绍
10. 1 连接网络的基础
10. 2 感知机学习
10. 2. 1 感知机学习算法
10. 2. 2 例子:用感知机进行分类
10. 2. 3 用delta规则
10. 3 反传学习
10. 3. 1 反传算法的起源
10. 3. 2 反传算法实例1:NETtalk
10. 3. 3 反传算法实例2:异或
10. 4 竞争学习
10. 4. 1 对于分类的"胜者全拿"学习
10. 4. 2 学习原型的Kohonen网络
10. 4. 3 Outstar网络和逆传
10. 5 Hebbian一致性学习
10. 5. 1 介绍
10. 5. 2 无监督Hebbian学习的例子
10. 5. 3 有监督Hebbian学习
10. 5. 4 关联记忆和线性关联器
10. 6 吸引子网络或记忆
10. 6. 1 介绍
10. 6. 2 BAM, 双向关联记忆
10. 6. 3 BAM处理的例子
10. 6. 4 自相关记忆和Hopfield网络
10. 7 结语和参考文献
10. 8 练习
第11章 机器学习:社会性和涌现性
11. 0 社会性和涌现性的学习模型
11. 1 遗传算法
11. 1. 1 两个例子:CNF可满足性问题和巡回推销员问题
11. 1. 2 遗传算法的评估
11. 2 分类器系统和遗传程序设计
11. 2. 1 分类器系统
11. 2. 2 用遗传算子进行程序设计
11. 3 人工生命和基于社会的学习
11. 3. 1 生命游戏
11. 3. 2 进化规划
11. 3. 3 涌现的实例研究(Crutchfield and Mitchell 1994)
11. 4 结语和参考文献
11. 5 练习
第五部分 智能问题求解高级主题
第12章 自动推理
12. 0 定理证明中的弱方法
12. 1 通用问题求解程序和差别表
12. 2 归结定理证明
12. 2. 1 介绍
12. 2. 2 为进行归结反驳生成子句形式
12. 2. 3 二元归结证明过程
12. 2. 4 归结策略和简化技术
12. 2. 5 从归结反驳中抽取解答
12. 3 PROLOG和自动推理
12. 3. 1 介绍
12. 3. 2 逻辑编程和PROLOG
12. 4 自动推理进一步的问题
12. 4. 1 弱方法求解的统一表示法
12. 4. 2 可选推理规则
12. 4. 3 搜索策略及其使用
12. 5 结语和参考文献
12. 6 练习
第13章 自然语言理解
13. 0 自然语言理解问题
13. 1 解构语言:符号分析
13. 1. 1 介绍
13. 1. 2 语言分析的过程
13. 2 语法
13. 2. 1 使用上下文无关文法说明和解析
13. 2. 2转移网络解析器
13. 2. 3 乔姆斯基层次和上下文相关文法
13. 3 ATN解析器的语法和知识
13. 3. 1 扩充转移网络解析器
13. 3. 2 结合语法和语义知识
13. 4 语言分析随机工具
13. 4. 1 介绍
13. 4. 2 马尔科夫模型方法
15. 3 高阶函数和抽象
15. 3. 1 映像和过滤器
15. 3. 2 函数参数和lambda表达式
15. 4 LISP中的搜索策略
15. 4. 1 宽度优先和深度优先搜索
15. 4. 2 最优搜索
15. 5 LISP中的模式匹配
15. 6 递归合一函数
15. 7 解释器和嵌入式语言
15. 8 LISP中的逻辑编程
15. 8. 1 一个简单的逻辑编程语言
15. 8. 2 流和流处理
15. 8. 3 基于流的逻辑程序解释器
15. 9 流和延迟分析
15. 10 一个LISP的专家系统外壳
15. 10. 1 实现确定性因子
15. 10. 2 lisp-shell的体系结构
15. 10, 3 用lisp-shell的分类
15. 11 LISP中的语义网络和继承
15. 12 用CLOS的面向对象的编程
15. 12. 1 CLOS中类和实例的定义
15. 12. 2 定义通用函数和方法
15. 12. 3 CLOS中的继承
15. 12. 4 例子:自动调温器仿真
15. 13 LISP中的学习:ID3算法,
15. 13. 1 用defstruct定义结构
15. 13. 2 ID3算法
15. 14 结语和参考文献
15. 15 练习
第七部分 后 记
第16章 人工智能作为按经验进行
探索的学科
16. 0 引言
16. 1 人工智能:修订后的定义
16. 1. 1 人工智能和物理符号系统假设
16, 1. 2 连接或者"神经"计算
16. 1. 3 主体. 涌现和智能
16. 2 智能系统科学
16. 2. 1 心理学约束
16. 2. 2 认识论问题
16. 2. 3 情景角色和存在智能
16. 3 人工智能:当前的问题和未来的方向
16. 4 结语和参考文献
参考文献
作者索引
主题索引