《人工智慧：計算agent基礎》是2015年1月1日機械工業出版社出版的圖書，作者是[加] 普爾（ David L.Poole）、[加] 麥克活思（ Alan K.Mackworth）。
基本介紹
- 中文名：人工智慧：計算agent基礎
- 作者：[加] 普爾（ David L.Poole）、[加] 麥克活思（ Alan K.Mackworth）
- 出版社：機械工業出版社
- ISBN：9787111484578
內容簡介,圖書目錄,
內容簡介
《計算機科學叢書·人工智慧：計算agent基礎》有機地將理論與實踐結合起來，既詳細地介紹了各種人工智慧理論，又提供了實現的思路和程式，這將有利於本科生或研究生在學習人工智慧時把對人工智慧的理性認識轉化為對具體程式的感性認識，從而彌補大部分人工智慧教材偏重於理論的缺陷。《計算機科學叢書·人工智慧：計算agent基礎》可供計算機科學或計算機工程、哲學、認知科學和心理學等相關學科的高年級本科生或研究生學習。
圖書目錄
出版者的話
譯者序
前言
第一部分 世界中的Agent：什麼是Agent及如何創建它們
第1章 人工智慧與
1.1 什麼是人工智慧
1.2 人工智慧簡史
1.3 環境中的
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 複雜性維度
1.5.1 模組性
1.5.2 表示方案
1.5.3 規劃期
1.5.4 不確定性
1.5.5 偏好
1.5.6 Agent數量
1.5.7 學習
1.5.8 計算限制
1.5.9 多維互動
1.6 原型套用
1.6.1 自主傳送機器人
1.6.2 診斷助手
1.6.3 智慧型指導系統
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
1.1 0習題
第2章 Agent體系結構和分層控制
2.1 Agent
2.2 Agent系統
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 線上計算
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 狀態和搜尋
3.1 用搜尋進行問題求解
3.2 狀態空間
3.3 圖搜尋
3.4 一個通用搜尋算法
3.5 無信息搜尋策略
3.5.1 深度優先搜尋
3.5.2 寬度優先搜尋
3.5.3 最低花費優先搜尋
3.6 啟發式搜尋
3.6.1 A*搜尋
3.6.2 搜尋策略總結
3.7 更複雜的搜尋方法
3.7.1 環檢查
3.7.2 多路徑剪枝
3.7.3 疊代深化
3.7.4 分支界限法
3.7.5 搜尋方向
3.7.6 動態規劃法
3.8 本章小結
3.9 參考文獻及進一步閱讀
3.1 0習題
第4章 特徵和約束
4.1 特徵和狀態
4.2 可能世界、變數和約束
4.2.1 約束
4.2.2 約束滿足問題
4.3 生成測試算法
4.4 使用搜尋求解CSP
4.5 一致性算法
4.6 域分割
4.7 變數消除
4.8 局部搜尋
4.8.1 疊代最佳改進
4.8.2 隨機算法
4.8.3 評估隨機算法
4.8.4 局部搜尋中利用命題結構
4.9 基於種群的方法
4.10 最最佳化
4.10.1 最最佳化的系統方法
4.10.2 局部搜尋最最佳化
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
5.4.1 Horn子句
5.4.2 假說與衝突
5.4.3 基於一致性的診斷
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 完備知識的驗證程式
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 機率
6.1.1 機率的語義
6.1.2 機率公理
6.1.3 條件機率
6.1.4 期望值
6.1.5 信息理論
6.2 獨立性
6.3 信念網路
6.4 機率推理
6.4.1 信念網路中的變數消除
6.4.2 通過隨機模擬進行近似推理
6.5 機率和時間
6.5.1 馬爾可夫鏈
6.5.2 隱馬爾可夫模型
6.5.3 監聽和平滑算法
6.5.4 動態信念網路
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 學習與規劃
第7章 學習概述與有監督學習
7.1 學習問題
7.2 有監督學習
7.2.1 評估預測
7.2.2 無輸入特徵的點估計
7.2.3 機率學習
7.3 有監督學習的基本模型
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
……
第四部分 個體與關係的推理
第五部分 巨觀圖景
