《人工智能:計算agent基礎》討論AI科學，它將AI作為智能計算Agent設計的研究課題?！度斯ぶ悄?計算agent基礎》雖然設計為教科書，但它也適合廣大專業(yè)人員和研究人員閱讀?！度斯ぶ悄?計算agent基礎》的一個重要特色是其在線學習資源。在過去的幾十年里，人工智能是作為一種嚴肅科學和工程學科出現的?！度斯ぶ悄?計算agent基礎》提供了針對本科生和研究生的第一手便利可用的領域綜合資料，對當今該領域的基礎發(fā)展進行了展望。像任何名副其實的科學一樣，AI具有條理分明、形式化的理論和難以控制的實驗?！度斯ぶ悄?計算agent基礎》均衡了理論和實驗部分，并說明了如何將理論與實驗密切地聯系起來，使科學與工程應用共同發(fā)展。

目錄
出版者的話
譯者序
前言
第一部分世界中的Agent：什么是Agent及如何創(chuàng)建它們
第1章人工智能與Agent
1.1什么是人工智能
1.2人工智能簡史
1.3環(huán)境中的Agent
1.4知識表示
1.4.1定義解
1.4.2表示
1.4.3推理與行為
1.5復雜性維度
1.5.1模塊性
1.5.2表示方案
1.5.3規(guī)劃期
1.5.4不確定性
1.5.5偏好
1.5.6Agent數量
1.5.7學習
1.5.8計算限制
1.5.9多維交互
1.6原型應用
1.6.1自主傳送機器人
1.6.2診斷助手
1.6.3智能指導系統(tǒng)
1.6.4交易Agent
1.7本書概述
1.8本章小結
1.9參考文獻及進一步閱讀
1.10習題
第2章Agent體系結構和分層控制
2.1Agent
2.2Agent系統(tǒng)
2.3分層控制
2.4嵌入式和仿真Agent
2.5通過推理來行動
2.5.1設計時間與離線計算
2.5.2在線計算
2.6本章小結
2.7參考文獻及進一步閱讀
2.8習題
第二部分表達和推理
第3章狀態(tài)和搜索
3.1用搜索進行問題求解
3.2狀態(tài)空間
3.3圖搜索
3.4一個通用搜索算法
3.5無信息搜索策略
3.5.1深度優(yōu)先搜索
3.5.2寬度優(yōu)先搜索
3.5.3最低花費優(yōu)先搜索
3.6啟發(fā)式搜索
3.6.1A*搜索
3.6.2搜索策略總結
3.7更復雜的搜索方法
3.7.1環(huán)檢查
3.7.2多路徑剪枝
3.7.3迭代深化
3.7.4分支界限法
3.7.5搜索方向
3.7.6動態(tài)規(guī)劃法
3.8本章小結
3.9參考文獻及進一步閱讀
3.10習題
第4章特征和約束
4.1特征和狀態(tài)
4.2可能世界、變量和約束
4.2.1約束
4.2.2約束滿足問題
4.3生成—測試算法
4.4使用搜索求解CSP
4.5一致性算法
4.6域分割
4.7變量消除
4.8局部搜索
4.8.1迭代最佳改進
4.8.2隨機算法
4.8.3評估隨機算法
4.8.4局部搜索中利用命題結構
4.9基于種群的方法
4.10最優(yōu)化
4.10.1最優(yōu)化的系統(tǒng)方法
4.10.2局部搜索最優(yōu)化
4.11本章小結
4.12參考文獻及進一步閱讀
4.13習題
第5章命題和推理
5.1命題
5.1.1命題演算的語法
5.1.2命題演算的語義
5.2命題確定子句
5.2.1問題與解答
5.2.2驗證
5.3知識表示問題
5.3.1背景知識與觀察
5.3.2詢問用戶
5.3.3知識層的解釋
5.3.4知識層的調試
5.4反證法驗證
5.4.1Horn子句
5.4.2假說與沖突
5.4.3基于一致性的診斷
5.4.4通過假設和Horn子句推理
5.5完備知識假設
5.5.1非單調推理
5.5.2完備知識的驗證程序
5.6溯因推理
5.7因果模型
5.8本章小結
5.9參考文獻及進一步閱讀
5.10習題
第6章不確定推理
6.1概率
6.1.1概率的語義
6.1.2概率公理
6.1.3條件概率
6.1.4期望值
6.1.5信息理論
6.2獨立性
6.3信念網絡
6.4概率推理
6.4.1信念網絡中的變量消除
6.4.2通過隨機模擬進行近似推理
6.5概率和時間
6.5.1馬爾可夫鏈
6.5.2隱馬爾可夫模型
6.5.3監(jiān)聽和平滑算法
6.5.4動態(tài)信念網絡
6.5.5時間粒度
6.6本章小結
6.7參考文獻及進一步閱讀
6.8習題
第三部分學習與規(guī)劃
第7章學習概述與有監(jiān)督學習
7.1學習問題
7.2有監(jiān)督學習
7.2.1評估預測
7.2.2無輸入特征的點估計
7.2.3概率學習
7.3有監(jiān)督學習的基本模型
7.3.1決策樹學習
7.3.2線性回歸與分類
7.3.3貝葉斯分類器
7.4組合模型
7.4.1神經網絡
7.4.2集成學習
7.5避免過擬合
7.5.1最大后驗概率和最小描述長度
7.5.2交叉驗證
7.6基于案例的推理
7.7改進假設空間的學習
7.7.1變型空間學習
7.7.2可能近似正確學習
7.8貝葉斯學習
7.9本章小結
7.10參考文獻及進一步閱讀
7.11習題
第8章確定性規(guī)劃
8.1狀態(tài)、動作以及目標的表示
8.1.1顯式狀態(tài)空間表示法
8.1.2基于特征的動作表示
8.1.3STRIPS表示法
8.1.4初始狀態(tài)和目標
8.2前向規(guī)劃
8.3回歸規(guī)劃
8.4CSP規(guī)劃
8.5偏序規(guī)劃
8.6本章小結
8.7參考文獻及進一步閱讀
8.8習題
第9章不確定性規(guī)劃
9.1偏好和效用
9.2一次性的決策
9.3序貫決策
9.3.1決策網絡
9.3.2策略
9.3.3決策網絡的變量消除
9.4信息與控制的價值
9.5決策過程
9.5.1策略值
9.5.2最優(yōu)策略值
9.5.3值迭代
9.5.4策略迭代
9.5.5動態(tài)決策網絡
9.5.6部分可觀察決策過程
9.6本章小結
9.7參考文獻及進一步閱讀
9.8習題
第10章多Agent系統(tǒng)
10.1多Agent框架
10.2博弈的表示
10.2.1博弈的標準形式
10.2.2博弈的擴展形式
10.2.3多Agent決策網絡
10.3完全信息的計算策略
10.4部分可觀察的多Agent推理
10.4.1納什均衡計算
10.4.2學習協調
10.5群體決策
10.6機制設計
10.7本章小結
10.8參考文獻及進一步閱讀
10.9習題
第11章有監(jiān)督之外的其他學習模型
11.1聚類
11.1.1期望最大化
11.1.2k—均值
11.1.3用于軟聚類的期望最大化
11.2信念網絡學習
11.2.1概率學習
11.2.2未觀察到的變量
11.2.3缺失數據
11.2.4結構學習
11.2.5信念網絡學習的一般情形
11.3增強學習
11.3.1演化算法
11.3.2時聞差
11.3.3Q—學習
11.3.4探索與利用
11.3.5增強學習算法的評估
11.3.6在策略學習
11.3.7為路徑分配信用和責任
11.3.8基于模型的方法
11.3.9基于特征的增強學習
11.4本章小結
11.5參考文獻及進一步閱讀
11.6習題
第四部分個體與關系的推理
第12章個體與關系
12.1在特征之外利用結構
12.2符號與語義
12.3Datalog：一個關聯規(guī)則語言
12.3.1基Datalog的語義
12.3.2解釋變量
12.3.3帶變量的查詢
12.4證明與替換
12.4.1帶變量的自底向上過程
12.4.2帶變量的確定性歸結
12.5函數符號
12.6在自然語言處理中的應用
12.6.1在上下文無關文法中使用限定子句
12.6.2增強文法
12.6.3為非終結符號建立結構
12.6.4封裝的文本輸出
12.6.5強制約束
12.6.6建立自然語言與數據庫的接口
12.6.7局限
12.7相等
12.7.1允許相等斷言
12.7.2唯一名字假設
12.8完備知識假設
12.9本章小結
12.10參考文獻及進一步閱讀
12.11習題
第13章本體和基于知識的系統(tǒng)
13.1知識共享
13.2靈活的表示
13.2.1選擇個體和關系
13.2.2圖形化表示
13.2.3原始關系與導出關系
13.3本體與知識共享
13.3.1描述邏輯
13.3.2頂層本體
13.4查詢用戶和其他知識來源
13.4.1函數化關系
13.4.2更普遍的問題
13.5實現基于知識的系統(tǒng)
13.5.1基語言和元語言
13.5.2普通的元解釋器
13.5.3擴展基語言
13.5.4深度有限搜索
13.5.5元解釋器構建證明樹
13.5.6可詢問用戶的元解釋器
13.5.7推遲目標
13.6本章小結
13.7參考文獻及進一步閱讀
13.8習題
第14章關系規(guī)劃、學習和概率推理
14.1規(guī)劃個體與關系
14.1.1情景演算
14.1.2事件演算
14.2個體與關系的學習
14.3概率關系模型
14.4本章小結
14.5參考文獻及進一步閱讀
14.6習題
第五部分宏觀圖景
第15章回顧與展望
15.1復雜性維度回顧
15.2社會與道德后果
15.3參考文獻及進一步閱讀
附錄A數學基礎與記號
參考文獻
索引