目录CONTENTS

第0章绪论1

0.1人工智能的诞生1

0.2人工智能发展简史4

0.2.1初期时代4

0.2.2知识时代6

0.2.3特征时代7

0.2.4数据时代9

0.2.5大模型时代12

0.3什么是人工智能17

0.4图灵测试与中文屋子问题19

0.4.1图灵测试19

0.4.2中文屋子问题21

0.5第三代人工智能22

0.6总结25

第1章搜索问题28

1.1回溯策略29

1.2图搜索策略34

1.3无信息图搜索过程35

1.4启发式图搜索过程37

1.5搜索算法讨论58

习题62

第2章谓词逻辑与归结原理65

2.1命题逻辑65

2.1.1命题65

2.1.2命题公式66

2.1.3命题逻辑的意义69

2.1.4命题逻辑的推理规则70

2.1.5命题逻辑的归结方法71

2.2谓词逻辑基础74

2.2.1谓词基本概念75

2.2.2一阶谓词逻辑76

2.2.3谓词演算与推理78

2.2.4谓词知识表示80

目录人工智能（第2版）2.3谓词逻辑归结原理82

2.3.1归结原理概述83

2.3.2Skolem 标准型83

2.3.3子句集85

2.3.4置换与合一87

2.3.5归结式89

2.3.6归结过程91

2.3.7归结过程控制策略92

2.4Herbrand定理96

2.4.1概述96

2.4.2H域96

2.4.3H解释99

2.4.4语义树与Herbrand定理100

2.4.5Herbrand定理102

2.4.6Herbrand定理与归结法的完备性102

习题103

第3章知识表示105

3.1概述105

3.1.1知识105

3.1.2知识表示107

3.1.3知识表示观108

3.2产生式表示110

3.2.1事实与规则的表示110

3.2.2产生式系统的结构111

3.2.3产生式系统的推理112

3.2.4产生式表示的特点116

3.3语义网络表示117

3.3.1语义网络的结构117

3.3.2基本的语义关系118

3.3.3语义网络的推理121

3.3.4语义网络表示法的特点123

3.4框架表示124

3.4.1框架结构124

3.4.2框架表示下的推理126

3.4.3框架表示法的特点127

3.5其他表示方法128

3.5.1脚本知识表示方法128

3.5.2过程性知识表示法129

3.5.3直接性知识表示方法131

习题131

第4章不确定性推理方法133

4.1概述133

4.1.1不确定性133

4.1.2不确定性推理的基本问题135

4.1.3不确定性推理方法的分类136

4.2概率论基础137

4.2.1随机事件137

4.2.2事件的概率139

4.2.3贝叶斯定理142

4.2.4信任概率143

4.3贝叶斯网络143

4.3.1贝叶斯网络基本概念144

4.3.2贝叶斯网络的推理模式149

4.4主观贝叶斯方法152

4.4.1规则的不确定性152

4.4.2证据的不确定性155

4.4.3推理计算155

4.5确定性方法159

4.5.1规则的不确定性度量161

4.5.2证据的不确定性度量162

4.5.3不确定性的传播与更新162

4.5.4问题164

4.6证据理论(DS theory)165

4.6.1基本概念165

4.6.2证据的不确定性166

4.6.3规则的不确定性168

4.6.4推理计算168

习题170

第5章统计机器学习方法173

5.1什么是统计机器学习方法173

5.2朴素贝叶斯方法177

5.3决策树183

5.3.1决策树算法——ID3算法185

5.3.2决策树算法——C4.5算法197

5.3.3过拟合问题与剪枝204

5.3.4随机森林算法210

5.4k近邻方法212

5.5支持向量机215

5.5.1什么是支持向量机215

5.5.2线性可分支持向量机220

5.5.3线性支持向量机232

5.5.4非线性支持向量机236

5.5.5核函数与核方法239

5.5.6支持向量机用于多分类问题245

5.6K均值聚类算法248

5.7层次聚类算法255

5.8DBSCAN聚类算法257

5.9验证与测试问题259

5.10特征抽取问题262

5.11总结266

第6章神经网络与深度学习269

6.1从数字识别谈起269

6.2神经元与神经网络273

6.3神经网络的训练方法276

6.4卷积神经网络283

6.5梯度消失问题292

6.6过拟合问题300

6.7词向量303

6.7.1词的向量表示303

6.7.2神经网络语言模型305

6.7.3word2vec模型310

6.7.4词向量应用举例312

6.8循环神经网络315

6.9长短期记忆网络322

6.10深度学习框架329

6.11总结329

第7章对抗搜索330

7.1能穷举吗？331

7.2极小极大模型332

7.3αβ剪枝算法334

7.4蒙特卡洛树搜索336

7.5AlphaGo原理344

7.6围棋中的深度强化学习方法350

7.6.1基于策略梯度的强化学习352

7.6.2基于价值评估的强化学习353

7.6.3基于演员评价方法的强化学习354

7.7AlphaGo Zero原理356

7.8总结362

第8章高级搜索364

8.1基本概念364

8.1.1组合优化问题364

8.1.2邻域366

8.2局部搜索算法367

8.3模拟退火算法373

8.3.1固体退火过程373

8.3.2模拟退火算法376

8.3.3参数的确定379

8.3.4应用举例——旅行商问题386

8.4遗传算法389

8.4.1生物进化与遗传算法389

8.4.2遗传算法的实现问题396

习题407

附录408

附录ABP算法408

A.1求导数的链式法则408

A.2符号约定410

A.3对于输出层的神经元410

A.4对于隐含层的神经元412

A.5BP算法——随机梯度下降版415

附录B序列最小最优化(SMO)算法415

B.1SMO算法的基本思想416

B.2SMO算法的详细计算过程421

参考文献427