人工智能:一种现代的方法(中文第3版) PDF 高清电子书 免费下载 完整版 在线阅读- 高飞网
人工智能

人工智能(第3版)
一种现代的方法

中文版
(美国)罗素(Stuart J.Russell)、 (美国)诺维格(Peter Norvig)
人工智能
浏览人数:48 在读人数:5
《人工智能:一种现代的方法(第3版)》是最权威、最经典的人工智能教材,已被全世界100多个国家的1200多所大学用作教材。
《人工智能:一种现代的方法(第3版)》的最新版全面而系统地介绍了人工智能的理论和实践,阐述了人工智能领域的核心内容,并深入介绍了各个主要的研究方向。全书分为七大部分:第1部分“人工智能”,第II部分“问题求解”,第III部分“知识、推理与规划”,第IV部分“不确定知识与推理”,第V部分“学习”,第VI部分“通信、感知与行动”,第VII部分“结论”。《人工智能:一种现代的方法(第3版)》既详细介绍了人工智能的基本概念、思想和算法,还描述了其各个研究方向最前沿的进展,同时收集整理了详实的历史文献与事件。另外,本书的配套网址为教师和学生提供了大量教学和学习资料。
本书适合于不同层次和领域的研究人员及学生,是高等院校本科生和研究生人工智能课的首选教材,也是相关领域的科研与工程技术人员的重要参考书。[1] 

第Ⅰ部分人工智能 1   
第1章 绪论 3   
1.1 什么是人工智能 3   
1.2 人工智能的基础 6   
1.3 人工智能的历史 16   
1.4 最新发展水平 27   
1.5 本章小结 28   
参考文献与历史注释 29   
习题 29   
第2章 智能Agent 32   
2.1 Agent 和环境 32   
2.2 好的行为:理性的概念 34   
2.3 环境的性质 37   
2.4 Agent 的结构 41   
2.5 本章小结 52   
参考文献与历史注释 52   
习题 54   
第Ⅱ部分问题求解   
第3章 通过搜索进行问题求解 59   
3.1 问题求解Agent 59   
3.2 问题实例 64   
3.3 通过搜索求解 68   
3.4 无信息搜索策略 73   
3.5 有信息(启发式)的搜索策略 82   
3.6 启发式函数 91   
3.7 本章小结 95   
参考文献与历史注释 96   
习题 99   
第4章 超越经典搜索 105   
4.1 局部搜索算法和最优化问题 105   
4.2 连续空间中的局部搜索 113   
4.3 使用不确定动作的搜索 115   
4.4 使用部分可观察信息的搜索 119   
4.5 联机搜索Agent 和未知环境 126   
4.6 本章小结 131   
参考文献与历史注释 131   
习题 134   
第5章 对抗搜索 137   
5.1 博弈 137   
5.2 博弈中的优化决策 139   
5.3 α-β剪枝 141   
5.4 不完美的实时决策 144   
5.5 随机博弈 149   
5.6 部分可观察的博弈 152   
5.7 博弈程序发展现状 155   
5.8 其他途径 157   
5.9 本章小结 159   
参考文献与历史注释 159   
习题 164   
第6章 约束满足问题 169   
6.1 定义约束满足问题 169   
6.2 约束传播:CSP 中的推理 173   
6.3 CSP 的回溯搜索 178   
6.4 CSP 局部搜索 183   
6.5 问题的结构 184   
6.6 本章小结 188   
参考文献与历史注释 188   
习题 191   
第Ⅲ部分知识、推理与规划   
第7章 逻辑Agent 197   
7.1 基于知识的Agent 197   
7.2 Wumpus 世界 199   
7.3 逻辑 201   
7.4 命题逻辑:一种简单逻辑 204   
7.5 命题逻辑定理证明 209   
7.6 有效的命题逻辑模型检验 217   
7.7 基于命题逻辑的Agent 221   
7.8 本章小结 229   
参考文献与历史注释 230   
习题 233   
第8章 一阶逻辑 238   
8.1 重温表示 238   
8.2 一阶逻辑的语法和语义 242   
8.3 运用一阶逻辑 250   
8.4 一阶逻辑的知识工程 255   
8.5 本章小结 260   
参考文献与历史注释 261   
习题 262   
第9章 一阶逻辑的推理 268   
9.1 命题推理与一阶推理 268   
9.2 合一和提升 270   
9.3 前向链接 274   
9.4 反向链接 280   
9.5 归结 287   
9.6 本章小结 296   
参考文献与历史注释 297   
习题 299   
第10章 经典规划 304   
10.1 经典规划的定义 304   
10.2 状态空间搜索规划算法 309   
10.3 规划图 314   
10.4 其他经典规划方法 321   
10.5 规划方法分析 325   
10.6 本章小结 326   
参考文献与历史注释 326   
习题 329   
第11章 现实世界的规划与行动 332   
11.1 时间、调度和资源 332   
11.2 分层规划 336   
11.3 非确定性领域中的规划与行动 343   
11.4 多Agent 规划 351   
11.5 本章小结 355   
参考文献与历史注释 356   
习题 359   
第12章 知识表示 361   
12.1 本体论工程 361   
12.2 类别和对象 363   
12.3 事件 368   
12.4 精神事件和精神对象 372   
12.5 类别的推理系统 375   
12.6 缺省信息推理 379   
12.7 互联网购物世界 383   
12.8 本章小结 387   
参考文献与历史注释 388   
习题 392   
第Ⅳ部分不确定知识与推理   
第13章 不确定性的量化 401   
13.1 不确定环境下的行动 401   
13.2 基本概率符号 404   
13.3 使用完全联合分布进行推理 410   
13.4 独立性 413   
13.5 贝叶斯规则及其应用 414   
13.6 重游wumpus 世界 417   
13.7 本章小结 420   
参考文献与历史注释 420   
习题 422   
第14章 概率推理 426   
14.1 不确定性问题域中的知识表示 426   
14.2 贝叶斯网络的语义 428   
14.3 条件分布的有效表示 433   
14.4 贝叶斯网络中的精确推理 436   
14.5 贝叶斯网络中的近似推理 443   
14.6 关系和一阶概率模型 450   
14.7 不确定推理的其他方法 456   
14.8 本章小结 461   
参考文献与历史注释 461   
习题 466   
第15章 时间上的概率推理 473   
15.1 时间与不确定性 473   
15.2 时序模型中的推理 476   
15.3 隐马尔可夫模型 483   
15.4 卡尔曼滤波器 487   
15.5 动态贝叶斯网络 493   
15.6 跟踪多个对象 500   
15.7 本章小结 503   
参考文献与历史注释 503   
习题 506   
第16章 制定简单决策 509   
16.1 在不确定环境下结合信念与愿望 509   
16.2 效用理论基础 510   
16.3 效用函数 513   
16.4 多属性效用函数 519   
16.5 决策网络 522   
16.6 信息价值 524   
16.7 决策理论专家系统 528   
16.8 本章小结 530   
参考文献与历史注释 531   
习题 534   
第17章 制定复杂决策 538   
17.1 序列式决策问题 538   
17.2 价值迭代 543   
17.3 策略迭代 547   
17.4 部分可观察的MDP 548   
17.5 多Agent 的决策:博弈论 555   
17.6 机制设计 565   
17.7 本章小结 570   
参考文献与历史注释 570   
习题 573   
第Ⅴ部分学习   
第18章 样例学习 579   
18.1 学习形式 579   
18.2 监督学习 581   
18.3 学习决策树 582   
18.4 评估和选择最佳假说 591   
18.5 学习理论 595   
18.6 带线性模型的回归和分类 599   
18.7 人工神经网 606   
18.8 非参数化模型 614   
18.9 支持向量机 619   
18.10 组合学习 622   
18.11 机器学习实例 626   
18.12 本章小结 629   
参考文献与历史注释 630   
习题 634   
第19章 学习中的知识 639   
19.1 学习的逻辑公式化 639   
19.2 学习中的知识 645   
19.3 基于解释的学习 648   
19.4 使用相关性信息学习 651   
19.5 归纳逻辑程序设计 654   
19.6 本章小结 662   
参考文献与历史注释 662 练习 664   
第20章 学习概率模型 666   
20.1 统计学习 666   
20.2 带完整数据的学习 669   
20.3 隐变量学习:EM 算法 677   
20.4 本章小结 684   
参考文献与历史注释 684   
习题 686   
第21章 强化学习 688   
21.1 引言 688   
21.2 被动强化学习 689   
21.3 主动强化学习 695   
21.4 强化学习中的泛化 700   
21.5 策略搜索 702   
21.6 强化学习的应用 704   
21.7 本章小结 706   
参考文献与历史注释 707   
习题 710   
第Ⅵ部分通讯、感知与行动   
第22章 自然语言处理 715   
22.1 语言模型 715   
22.2 文本分类 719   
22.3 信息检索 721   
22.4 信息抽取 727   
22.5 本章小结 735   
参考文献与历史注释 735   
习题 737 第23章 用于通讯的自然语言 740   
23.1 短语结构语法 740   
23.2 句法分析 743   
23.3 扩展文法和语义解释 747   
23.4 机器翻译 755   
23.5 语音识别 760   
23.6 本章小结 765   
参考文献与历史注释 766   
习题 769   
第24章 感知 774   
24.1 图像生成 775   
24.2 图像预处理 780   
24.3 基于外观的物体识别 785   
24.4 重建三维世界 789   
24.5 基于结构的物体识别 797   
24.6 视觉应用 799   
24.7 本章小结 802   
参考文献与历史注释 803   
习题 805   
第25章 机器人学 807   
25.1 引言 807   
25.2 机器人硬件 809   
25.3 机器人的感知 813   
25.4 运动规划 819   
25.5 规划不确定的运动 825   
25.6 运动 828   
25.7 机器人软件体系结构 833   
25.8 应用领域 836   
25.9 本章小结 839   
参考文献与历史注释 840   
习题 843   
第Ⅶ部分结论   
第26章 哲学基础 851   
26.1 弱人工智能:机器能够智能地行动吗 851   
26.2 强人工智能:机器真能思考吗 856   
26.3 发展人工智能的道德规范与风险 862   
26.4 本章小结 868   
参考文献与历史注释 868   
习题 870   
第27章 人工智能:现状与未来 872   
27.1 Agent 的组成部分 872   
27.2 Agent 的体系结构 874   
27.3 我们在沿着正确的方向前进吗 876   
27.4 如果人工智能成功了会怎样 877   
附录A 数学背景 879   
A.1 复杂度分析与O()符号 879   
A.2 向量、矩阵和线性代数 881   
A.3 概率分布 882   
参考文献与历史注释 884   
附录B 关于语言和算法的注释 885   
B.1 用巴科斯范式(BNF )定义语言 885   
B.2 算法的伪代码描述 886   
B.3 联机帮助 887   
参考文献 888   
看过本书的人还看过