书籍作者:斯图尔特·罗素 | ISBN:9787115598110 |
书籍语言:简体中文 | 连载状态:全集 |
电子书格式:pdf,txt,epub,mobi,azw3 | 下载次数:9563 |
创建日期:2023-05-12 | 发布日期:2023-05-12 |
运行环境:PC/Windows/Linux/Mac/IOS/iPhone/iPad/Kindle/Android/安卓/平板 |
本书全面、深入地探讨了人工智能(AI)领域的理论和实践,以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中,真正做到理论和实践相结合。全书分7个部分,共28章,理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想,内容主要包括逻辑、概率和连续数学,感知、推理、学习和行动,公平、信任、社会公益和安全;实践部分完美地践行了“现代”理念,实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材,也可以作为相关领域专业人员的参考书。
斯图尔特.罗素(Stuart Russell),1986年他进入加利福尼亚大学伯克利分校,任计算机科学系教授,并曾担任系主任,人类兼容人工智能中心主任,他也是史密斯–扎德(Smith-Zadeh)工程系讲席教授。1990年,他获得了美国国家科学基金会(NSF)杰出青年科学家总统奖;1995年,他成为计算机与思想奖的获奖人之一。他是美国人工智能协会(AAAI)、美国计算机协会(ACM)和美国科学促进协会的会士,牛津大学瓦德汉学院的荣誉院士和安德鲁.卡内基(Andrew Carnegie)院士。2012年到2014年,他在巴黎担任布莱斯.帕斯卡(Blaise Pascal)主席。他在人工智能领域发表了300多篇论文,涉及范围广泛。
彼得.诺维格(Peter Norvig)曾任谷歌公司的研究总监、核心网络搜索算法的负责人。他曾与他人合作共同教授了一门有16万名学生注册的在线人工智能课程,帮助开启了当下的大规模在线公开课程的大幕。他曾担任美国宇航局艾姆斯研究中心计算科学部的负责人,负责人工智能和机器人学的研究和开发。他曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。他是美国人工智能协会和美国计算机协会的会士,以及美国艺术与科学院和加利福尼亚科学院的院士。
两位作者共同获得了2016年首届AAAI/EAAI杰出教育家奖。
1.全球1500多所学校采用的教材,国内众多高校选用。
2.配备丰富的教学资源,解决教师授课后顾之忧。
3.配套网站提供多种语言版本源代码,满足不同编程语言使用者的自学需要。
4.程序员入门人工智能领域的推荐书籍。
第 一部分 人工智能基础
第 1 章 绪论 2
1.1 什么是人工智能 2
1.2 人工智能的基础 6
1.3 人工智能的历史 16
1.4 目前的先进技术 24
1.5 人工智能的风险和收益 27
小结 30
参考文献与历史注释 31
第 2 章 智能体 32
2.1 智能体和环境 32
2.2 良好行为:理性的概念 34
2.3 环境的本质 37
2.4 智能体的结构 41
小结 50
参考文献与历史注释 51
第二部分 问题求解
第 3 章 通过搜索进行问题求解 54
3.1 问题求解智能体 54
3.2 问题示例 57
3.3 搜索算法 61
3.4 无信息搜索策略 65
3.5 有信息(启发式)搜索策略 73
3.6 启发式函数 85
小结 90
参考文献与历史注释 92
第 4 章 复杂环境中的搜索 95
4.1 局部搜索和最优化问题 95
4.2 连续空间中的局部搜索 102
4.3 使用非确定性动作的搜索 104
4.4 部分可观测环境中的搜索 108
4.5 在线搜索智能体和未知环境 115
小结 120
参考文献与历史注释 121
第 5 章 对抗搜索和博弈 124
5.1 博弈论 124
5.2 博弈中的优化决策 126
5.3 启发式 α-β 树搜索 132
5.4 蒙特卡罗树搜索 136
5.5 随机博弈 139
5.6 部分可观测博弈 142
5.7 博弈搜索算法的局限性 146
小结 147
参考文献与历史注释 148
第 6 章 约束满足问题 152
6.1 定义约束满足问题 152
6.2 约束传播:CSP 中的推断 156
6.3 CSP 的回溯搜索 161
6.4 CSP 的局部搜索 166
6.5 问题的结构 168
小结 171
参考文献与历史注释 172
第三部分 知识、推理和规划
第 7 章 逻辑智能体 176
7.1 基于知识的智能体 176
7.2 wumpus 世界 178
7.3 逻辑 180
7.4 命题逻辑:一种非常简单的逻辑 183
7.5 命题定理证明 187
7.6 高效命题模型检验 196
7.7 基于命题逻辑的智能体 200
小结 207
参考文献与历史注释 208
第 8 章 一阶逻辑 211
8.1 回顾表示 211
8.2 一阶逻辑的语法和语义 215
8.3 使用一阶逻辑 223
8.4 一阶逻辑中的知识工程 228
小结 233
参考文献与历史注释 234
第 9 章 一阶逻辑中的推断 236
9.1 命题推断与一阶推断 236
9.2 合一与一阶推断 238
9.3 前向链接 241
9.4 反向链接 247
9.5 归结 252
小结 261
参考文献与历史注释 262
第 10 章 知识表示 265
10.1 本体论工程 265
10.2 类别与对象 267
10.3 事件 272
10.4 精神对象和模态逻辑 275
10.5 类别的推理系统 278
10.6 用缺省信息推理 281
小结 284
参考文献与历史注释 285
第 11 章 自动规划 290
11.1 经典规划的定义 290
11.2 经典规划的算法 294
11.3 规划的启发式方法 297
11.4 分层规划 300
11.5 非确定性域的规划和行动 307
11.6 时间、调度和资源 315
11.7 规划方法分析 318
小结 319
参考文献与历史注释 320
第四部分 不确定知识和不确定推理
第 12 章 不确定性的量化 326
12.1 不确定性下的动作 326
12.1.1 不确定性概述 327
12.1.2 不确定性与理性决策 328
12.2 基本概率记号 329
12.3 使用完全联合分布进行推断 334
12.4 独立性 336
12.5 贝叶斯法则及其应用 337
12.6 朴素贝叶斯模型 340
12.7 重游 wumpus 世界 342
小结 344
参考文献与历史注释 345
第 13 章 概率推理 348
13.1 不确定域的知识表示 348
13.2 贝叶斯网络的语义 350
13.3 贝叶斯网络中的精确推断 360
13.4 贝叶斯网络中的近似推理 367
13.5 因果网络 379
小结 382
参考文献与历史注释 383
第 14 章 时间上的概率推理 388
14.1 时间与不确定性 388
14.2 时序模型中的推断 391
14.3 隐马尔可夫模型 398
14.4 卡尔曼滤波器 403
14.5 动态贝叶斯网络 408
小结 417
参考文献与历史注释 418
第 15 章 概率编程 421
15.1 关系概率模型 421
15.2 开宇宙概率模型 427
15.3 追踪复杂世界 433
15.4 作为概率模型的程序 436
小结 440
参考文献与历史注释 440
第 16 章 做简单决策 444
16.1 在不确定性下结合信念与愿望 444
16.2 效用理论基础 445
16.3 效用函数 448
16.4 多属性效用函数 454
16.5 决策网络 458
16.6 信息价值 460
16.7 未知偏好 465
小结 468
参考文献与历史注释 469
第 17 章 做复杂决策 473
17.1 序贯决策问题 473
17.2 MDP 的算法 482
17.3 老虎机问题 489
17.4 部分可观测MDP 495
17.5 求解POMDP 的算法 497
小结 501
参考文献与历史注释 502
第 18 章 多智能体决策 505
18.1 多智能体环境的特性 505
18.2 非合作博弈论 510
18.3 合作博弈论 527
18.4 制定集体决策 533
小结 544
参考文献与历史注释 545
第五部分 机器学习
第 19 章 样例学习 550
19.1 学习的形式 550
19.2 监督学习 552
19.3 决策树学习 555
19.4 模型选择与模型优化 563
19.5 学习理论 569
19.6 线性回归与分类 572
19.7 非参数模型 581
19.8 集成学习 589
19.9 开发机器学习系统 596
小结 604
参考文献与历史注释 605
第 20 章 概率模型学习 610
20.1 统计学习 610
20.2 完全数据学习 613
20.3 隐变量学习:EM 算法 624
小结 632
参考文献与历史注释 632
第 21 章 深度学习 635
21.1 简单前馈网络 636
21.2 深度学习的计算图 640
21.3 卷积网络 643
21.4 学习算法 648
21.5 泛化 650
21.6 循环神经网络 654
21.7 无监督学习与迁移学习 657
21.8 应用 662
小结 664
参考文献与历史注释 664
第 22 章 强化学习 668
22.1 从奖励中学习 668
22.2 被动强化学习 670
22.3 主动强化学习 674
22.4 强化学习中的泛化 680
22.5 策略搜索 686
22.6 学徒学习与逆强化学习 688
22.7 强化学习的应用 690
小结 692
参考文献与历史注释 693
第六部分 沟通、感知和行动
第 23 章 自然语言处理 698
23.1 语言模型 698
23.2 文法 707
23.3 句法分析 709
23.4 扩展文法 713
23.5 真实自然语言的复杂性 717
23.6 自然语言任务 720
小结 722
参考文献与历史注释 722
第 24 章 自然语言处理中的深度学习 727
24.1 词嵌入 727
24.2 自然语言处理中的循环神经网络 730
24.3 序列到序列模型 733
24.4 Transformer 架构 737
24.5 预训练和迁移学习 739
24.6 Z高水平(SOTA) 742
小结 745
参考文献与历史注释 745
第 25 章 计算机视觉 748
25.1 引言 748
25.2 图像形成 749
25.3 简单图像特征 754
25.4 图像分类 760
有效的原因 762
25.5 物体检测 763
25.6 三维世界 766
25.7 计算机视觉的应用 769
小结 780
参考文献与历史注释 781
第 26 章 机器人学 785
26.1 机器人 785
26.2 机器人硬件 786
26.3 机器人学解决哪些问题 789
26.4 机器人感知 790
26.5 规划与控制 796
26.6 规划不确定的运动 810
26.7 机器人学中的强化学习 812
26.8 人类与机器人 814
26.9 其他机器人框架 820
26.10 应用领域 822
小结 825
参考文献与历史注释 826
第七部分 总结
第 27 章 人工智能的哲学、伦理和安全性 832
27.1 人工智能的极限 832
27.2 机器能真正地思考吗 835
27.3 人工智能的伦理 836
小结 851
参考文献与历史注释 852
第 28 章 人工智能的未来 857
28.1 人工智能组件 857
28.2 人工智能架构 862
附录 A 数学背景知识 865
附录 B 关于语言与算法的说明 871
参考文献 873
索引 914