人工智能：现代方法（第4版）（精装版）

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