人工智能實(shí)用教程

第1章  引論
1.1 概述
1.2 人工智能簡(jiǎn)史
1.3 人工智能的研究途徑及主要方法
1.4 人工智能發(fā)展趨勢(shì)
第2章  智能體
2.1 智能體
2.2 性能度量
2.3 任務(wù)環(huán)境的屬性
2.4 常見(jiàn)智能體
2.4.1 反射智能體
2.4.2 基于目標(biāo)的智能體
第3章  搜索
3.1 問(wèn)題求解智能體
3.1.1 定義明確的問(wèn)題及解
3.1.2 問(wèn)題的形式化
3.2 一般搜索系統(tǒng)
3.3 無(wú)信息搜索策略
3.3.1 廣度優(yōu)先搜索
3.3.2 一致費(fèi)用搜索
3.3.3 深度優(yōu)先搜索
3.3.4 深度受限搜索
3.3.5 迭代深入搜索
3.4 啟發(fā)式搜索
3.4.1 貪婪最佳搜索
3.4.2 A搜索
3.4.3 啟發(fā)函數(shù)
3.5 局部搜索算法
3.5.1 爬山法
3.5.2 模擬退火搜索
3.5.3 遺傳算法
第4章  約束可滿(mǎn)足性問(wèn)題
4.1 概述
4.2 實(shí)例及形式化
4.3 分類(lèi)
4.4 搜索方法
4.4.1 CSP問(wèn)題的回溯搜索
4.4.2 通過(guò)約束傳播信息
4.5 約束滿(mǎn)足的局部搜索
4.6 問(wèn)題的結(jié)構(gòu)
4.6.1 子結(jié)構(gòu)
4.6.2 樹(shù)狀結(jié)構(gòu)
第5章  對(duì)抗搜索
5.1 博弈
5.2 博弈中的優(yōu)化決策
5.2.1 最優(yōu)決策
5.2.2 極小極大算法
5.2.3 多人游戲中的最優(yōu)策略
5.3 α-β剪枝
5.4 不完整的實(shí)時(shí)決策
第6章  馬爾可夫決策過(guò)程
6.1 最大化期望效用原理
6.2 效用理論基礎(chǔ)
6.2.1 理性偏好的約束
6.2.2 效用函數(shù)
6.3 馬爾可夫決策過(guò)程
6.4 值迭代
6.5 策略迭代
第7章  增強(qiáng)學(xué)習(xí)
7.1 被動(dòng)增強(qiáng)學(xué)習(xí)
7.1.1 直接狀態(tài)估計(jì)
7.1.2 基于模型的估計(jì)
7.2 時(shí)序差分學(xué)習(xí)
7.3 主動(dòng)增強(qiáng)學(xué)習(xí)
7.3.1 探索與利用
7.3.2 學(xué)習(xí)Q值函數(shù)
7.4 增強(qiáng)學(xué)習(xí)的一般化
7.4.1 增強(qiáng)學(xué)習(xí)在博弈中的應(yīng)用
7.4.2 增強(qiáng)學(xué)習(xí)在機(jī)器人中的應(yīng)用
第8章  概率推理
8.1 概述
8.2 概率基礎(chǔ)
8.3 概率推理
8.4 貝葉斯網(wǎng)絡(luò)
8.5 貝葉斯網(wǎng)絡(luò)的獨(dú)立性.
8.6 貝葉斯網(wǎng)絡(luò)的推理
8.6.1 窮舉法推理
8.6.2 消除變量法
8.7 貝葉斯網(wǎng)絡(luò)的近似推理
第9章  基于時(shí)間的推理
9.1 時(shí)間與不確定性
9.1.1 狀態(tài)與觀察
9.1.2 穩(wěn)態(tài)馬爾可夫模型
9.2 時(shí)序模型中的推理
9.3 隱馬爾可夫模型
9.4 粒子(質(zhì)點(diǎn))濾波
9.5 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)
第10章  機(jī)器學(xué)習(xí)
10.1 樸素貝葉斯
10.1.1 基本概念
10.1.2 基本模型
10.1.3 過(guò)擬合
10.2 感知器
10.2.1 特征
10.2.2 生成模型和判別模型
10.2.3 線性分類(lèi)器
10.2.4 二元分類(lèi)