深入浅出人工智能(第2版)

图书标准信息

• 作者 [德]沃尔夫冈·埃特尔（Wolfgang Ertel） 著；蔡国永 译；文益民
• 出版社 清华大学出版社
• 出版时间 2020-01
• 版次 1
• ISBN 9787302541653
• 定价 59.80元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 295页
• 字数 393千字

【内容简介】

主要内容
  ● 给出聚焦应用和进行实际操作的学习方法，同时提供包含辅助教学资源的网站。
  ● 包含许多研究习题和答案、例子、定义、理论以及富含说服力的卡通插图。
  ● 包括谓词逻辑、Prolog、启发式搜索、概率推理、机器学习与数据挖掘、神经网络和强化学习等知识。
  ● 报告深度学习的进展，这些进展包括应用神经网络去产生有创造性的内容，如文本、音乐和艺术(★新增内容)。
  ● 分析聚类算法的性能评估，给出两个能解释贝叶斯定理的例子以及它们在日常生活中的相关性(★新增内容)。
  ● 讨论搜索算法，分析循环校验，解释车辆导航系统的路径规划，还介绍蒙特卡洛树搜索(★新增内容)。
  ● 讨论人工智能在就业和交通方面的应用(★新增内容)。

【作者简介】

Wolfgang Ertel博士是德国韦恩加滕应用科学大学人工智能研究所的教授。

【目录】

第1章  导论  1

1.1  什么是人工智能  1

1.1.1  脑科学与问题求解  3

1.1.2  图灵测试及聊天机器人  5

1.2  AI的历史  5

1.2.1  人工智能的开始  8

1.2.2  基于逻辑的问题求解  8

1.2.3  新联接主义  9

1.2.4  不确定性推理  9

1.2.5  分布式的自治且有学习能力的智能体  10

1.2.6  人工智能的进一步发展  10

1.2.7  人工智能革命  10

1.3  人工智能与社会  11

1.3.1  人工智能会抢夺人类的工作吗  11

1.3.2  AI与交通  11

1.3.3  服务机器人  12

1.4  智能体  13

1.5  基于知识的系统  15

1.6  练习  17

第2章  命题逻辑  19

2.1  句法  19

2.2  语义  20

2.3  证明系统  22

2.4  归结  25

2.5  Horn子句  28

2.6  可计算性和复杂性  30

2.7  应用及限制  30

2.8  练习  31

第3章  一阶谓词逻辑  33

3.1  句法  34

3.2  语义  35

3.3  量词和范式  38

3.4  证明演算  41

3.5  归结  42

3.5.1  归结策略  45

3.5.2  等值  45

3.6  自动定理证明  46

3.7  数学例子  47

3.8  应用  50

3.9  小结  52

3.10  练习  52

第4章  逻辑的局限性  55

4.1  搜索空间问题  55

4.2  可判定性和不完备性  57

4.3  会飞的企鹅  58

4.4  模型的不确定性  60

4.5  练习  61

第5章  Prolog逻辑程序设计  63

5.1  Prolog系统及实现  64

5.2  简单例子  64

5.3  执行控制和过程要素  67

5.4  列表  68

5.5  自我修改程序  70

5.6  规划示例  71

5.7  约束逻辑编程  73

5.8  总结  74

5.9  练习  75

第6章  搜索、博弈与问题求解  79

6.1  引言  79

6.2  无信息搜索  84

6.2.1  宽度优先搜索  84

6.2.2  深度优先搜索  85

6.2.3  迭代深入  87

6.2.4  对比  88

6.2.5  循环校验  89

6.3  启发式搜索  90

6.3.1  贪婪搜索  92

6.3.2  A*搜索  93

6.3.3  A*搜索算法的路径规划  95

6.3.4  IDA*搜索  96

6.3.5  搜索算法的经验对比  97

6.3.6  总结  98

6.4  对弈  99

6.4.1  最小最大搜索  99

6.4.2  Alpha-Beta剪枝  100

6.4.3  非决定性游戏  102

6.5  启发式评估函数  102

6.6  搜索前沿现状  104

6.6.1  象棋  104

6.6.2  围棋  105

6.7  练习  106

第7章  不确定性推理  109

7.1  概率计算  111

7.2  最大熵的原理  118

7.2.1  概率推理规则  118

7.2.2  无明确约束的最大熵  122

7.2.3  条件概率与实质蕴含  123

7.2.4   MaxEnt系统  124

7.2.5  tweety示例  125

7.3  LEXMED，一个阑尾炎诊断专家系统  126

7.3.1  正规方式的阑尾炎诊断  126

7.3.2  混合概率知识库  127

7.3.3  LEXMED的应用  129

7.3.4  LEXMED的功能  130

7.3.5  使用代价矩阵进行风险管理  133

7.3.6  性能  134

7.3.7  应用领域和经验  136

7.4  贝叶斯网络推理  137

7.4.1  独立变量  137

7.4.2  将知识的图解作为贝叶斯网络  138

7.4.3  条件独立  139

7.4.4  实际应用  139

7.4.5  贝叶斯网络软件  141

7.4.6  贝叶斯网络的发展  142

7.4.7  贝叶斯网络的语义  145

7.5  总结  146

7.6  练习  148

第8章  机器学习与数据挖掘  151

8.1  数据分析  156

8.2  感知器，一个线性 分类器  158

8.2.1  学习规则  160

8.2.2  优化与展望  163

8.3  最近邻算法  163

8.3.1  两类、多类、近似  166

8.3.2  距离与分类相关  167

8.3.3  计算时间  168

8.3.4  总结与展望  169

8.3.5  基于案例的推理  170

8.4  决策树学习  171

8.4.1  一个简单的例子  171

8.4.2  将熵作为信息量的度量  173

8.4.3  信息增益  175

8.4.4  C4.5算法的应用  177

8.4.5  对阑尾炎诊断的学习  179

8.4.6  连续属性  181

8.4.7  剪枝  182

8.4.8  缺失值  183

8.4.9  总结  183

8.5  交叉验证和过拟合  184

8.6  贝叶斯网络的学习  185

8.7  朴素贝叶斯分类器  187

8.8  单类学习  191

8.9  聚类  193

8.9.1  距离度量  194

8.9.2  K均值与EM算法  195

8.9.3  层次聚类  196

8.9.4  如何确定簇的数量  197

8.10  实践中的数据挖掘  200

8.11  总结  203

8.12  练习  205

第9章  神经网络  209

9.1  从生物学到仿真  210

9.2  Hopfield网络  213

9.2.1  一个模式识别应用实例  214

9.2.2  分析  216

9.2.3  总结与展望  218

9.3  神经联想记忆  219

9.3.1  关联矩阵存储器  220

9.3.2  二进制Hebb定律  221

9.3.3  拼写纠正程序  223

9.4  具有最小错误的线性 网络  224

9.4.1  最小二乘法  225

9.4.2  阑尾炎数据的应用  227

9.4.3  delta规则  227

9.4.4  与感知器的比较  229

9.5  反向传播算法  230

9.5.1  NETtalk：让网络学着去说话  232

9.5.2  关于定理证明的启发式学习  234

9.5.3  问题与改进  234

9.6  支持向量机  235

9.7  深度学习  237

9.7.1  效法自然  237

9.7.2  叠加去噪自动编码器  238

9.7.3  其他方法  239

9.7.4  系统和实现  240

9.7.5  深度学习的应用  240

9.8  创造性  241

9.9  神经网络的应用  243

9.10  总结与展望  243

9.11  练习  244

第10章  强化学习  247

10.1  什么是强化学习  247

10.2  学习任务  249

10.3  不使用已有信息的组合 搜索  251

10.4  值迭代与动态规划  252

10.5  一种学习型步行机器人及其 仿真  255

10.6  Q学习  257

10.7  探索与开发  261

10.8  逼近、推广与收敛性  261

10.9  应用  262

10.10  AlphaGo围棋的突破  263

10.11  维数灾难  265

10.12  总结与展望  266 

10.13  练习  267

第11章  练习解答  269

11.1  导论  269

11.2  命题逻辑  270

11.3  一阶谓词逻辑  272

11.4  逻辑的局限性  274

11.5  Prolog逻辑程序设计  274

11.6  搜索、博弈和问题求解  276

11.7  不确定性推理  278

11.8  机器学习与数据挖掘  285

11.9  神经网络  291

11.10  强化学习  293