人工智能實戰( 簡體 字) | |
| 作者：[古] 阿納達·佩雷茲·卡斯塔諾（Arnaldo Pérez Casta?o）著 敖富江 周云彥 李博 李海莉譯 | 類別：1. -> 程式設計 -> 人工智慧 |
| 出版社：清華大學出版社 |  3dWoo書號： 52155詢問書籍請說出此書號！ 有庫存 NT售價： 490 元 |
| 出版日：12/1/2019 | |
| 頁數：369 | |
| 光碟數：0 | |
站長推薦：   | |
| 印刷：黑白印刷 | 語系： ( 簡體 字 ) |
| ISBN：9787302538561 | 加入購物車 │加到我的最愛 (請先登入會員) |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證, 繁體書的下載亦請直接連絡出版社) | |
第1章邏輯學與人工智能1
1.1邏輯是什么1 1.2命題邏輯2 1.3邏輯聯結詞3 1.3.1否定3 1.3.2合取4 1.3.3析取4 1.3.4蘊涵5 1.3.5等值6 1.4命題邏輯定律6 1.5范式8 1.6邏輯電路9 1.7實際問題：使用繼承和C#運算符計算邏輯公式的值11 1.8實際問題：將邏輯公式表達為二叉決策樹14 1.9實際問題：將公式轉換為否定范式(NNF)16 1.10實際問題：將公式轉換為合取范式(CNF)18 1.11本章小結21 第2章自動定理證明和一階邏輯23 2.1自動定理證明23 2.2實際問題：C#中的Clause類和Cnf類25 2.3DPLL算法30 2.4實際問題：在命題邏輯中建模鴿巢原理37 2.5實際問題：判斷一個命題邏輯公式是否可滿足37 2.6一階邏輯41 2.7實際問題：清潔機器人45 2.8本章小結49 第3章Agents51 3.1Agent是什么51 3.2Agent的屬性53 3.3Agent環境的類型55 3.4有狀態Agent56 3.5實際問題：將清潔機器人作為Agent建模并對其添加狀態57 3.6Agent的架構63 3.6.1反應式架構：包容架構63 3.6.2慎思式架構：BDI架構65 3.6.3混合架構69 3.6.4旅行機71 3.6.5InteRRaP72 3.7本章小結73 第4章火星漫游車75 4.1火星漫游車簡介75 4.2火星車的架構77 4.3火星車的程序代碼78 4.4MarsRover可視化應用程序96 4.5本章小結106 第5章多Agent系統107 5.1多Agent系統是什么107 5.2多Agent組織109 5.3通信110 5.3.1言語行為理論111 5.3.2Agent通信語言(ACL)112 5.4協調與合作116 5.4.1使用合同網協商118 5.4.2社會規范與社會120 5.5本章小結121 第6章基于WCF的多Agent系統通信123 6.1服務123 6.2契約124 6.3綁定126 6.4端點126 6.5發布者/訂閱者模式127 6.6實際問題：利用WCF在多個Agent之間通信127 6.7本章小結138 第7章清潔Agent：一個多Agent系統問題139 7.1程序結構139 7.2清潔任務140 7.3清潔Agent平臺141 7.4合同網142 7.5FIPA-ACL146 7.6MAS清潔Agent149 7.7GUI155 7.8運行應用程序157 7.9本章小結159 第8章仿真161 8.1仿真是什么161 8.2離散事件仿真162 8.3概率分布163 8.4實際問題：機場仿真165 8.5本章小結173 第9章支持向量機175 9.1支持向量機是什么176 9.2實際問題：利用C#實現線性SVM181 9.3不完全可分情形189 9.4非線性可分情形：核心技巧191 9.5序列最小優化算法(SMO)192 9.6實際問題：SMO實現196 9.7本章小結201 第10章決策樹203 10.1決策樹是什么203 10.2利用ID3算法生成決策樹206 10.2.1熵和信息增益207 10.2.2實際問題：實現ID3算法208 10.2.3C4.5算法217 10.2.4實際問題：實現C4.5算法220 10.3本章小結226 第11章神經網絡227 11.1神經網絡是什么227 11.2感知器：單神經網絡229 11.2.1實際問題：實現感知器神經網絡231 11.2.2Adaline神經網絡和梯度下降搜索235 11.2.3隨機逼近法237 11.2.4實際問題：實現Adaline神經網絡238 11.2.5多層網絡239 11.2.6反向傳播算法241 11.2.7實際問題：實現反向傳播算法并解決XOR問題244 11.3本章小結251 第12章手寫數字識別253 12.1手寫數字識別是什么253 12.2訓練數據集254 12.3用于HDR的多層神經網絡255 12.4實現256 12.5測試261 12.6本章小結262 第13章聚類和多目標聚類263 13.1聚類是什么263 13.2層次聚類265 13.3劃分聚類267 13.4實際問題：k-Means算法269 13.5多目標聚類274 13.6帕累托邊界生成器275 13.7本章小結278 第14章啟發式方法&元啟發式方法279 14.1啟發式方法是什么279 14.2爬山算法280 14.3實際問題：實現爬山算法282 14.4P-元啟發式算法：遺傳算法286 14.5實際問題：對旅行商問題實現遺傳算法288 14.6S-元啟發式方法：禁忌搜索296 14.7本章小結300 第15章游戲編程303 15.1電子游戲是什么303 15.2游戲中的搜索304 15.3無信息搜索306 15.4實際問題：實現BFS、DFS、DLS和IDS308 15.5實際問題：在滑塊拼圖問題中實現雙向搜索313 15.6有信息搜索319 15.7運用A*算法求解滑塊拼圖321 15.8本章小結324 第16章博弈論：對抗性搜索與黑白棋游戲325 16.1博弈論是什么326 16.2對抗性搜索327 16.3極小化極大搜索算法328 16.4α-β剪枝算法330 16.5黑白棋游戲332 16.6實際問題：在Windows窗體程序中實現黑白棋游戲335 16.7實際問題：使用Minimax算法實現黑白棋AI347 16.8本章小結349 第17章強化學習351 17.1強化學習是什么351 17.2馬爾可夫決策過程352 17.3值函數/動作值函數與策略355 17.4值迭代算法357 17.5策略迭代算法358 17.6Q-Learning和時序差分學習359 17.7實際問題：使用Q-Learning求解迷宮問題360 17.8本章小結371 主要內容
● 了解Agent和多Agent以及它們是如何合并的 ● 將機器學習與現實問題聯系起來，明白它的意義 ● 在現實世界中應用監督學習和無監督學習的技術和方法 ● 實現強化學習、游戲編程、仿真和神經網絡 《人工智能實戰》提出了一種學習人工智能知識的新模式。大多數人工智能書籍都十分偏重理論，而拋棄了能夠證明書中介紹的理論的實踐問題。而在《人工智能實戰》中，我們提出了一種模式，該模式遵循理念：“告知的會被忘記；教會的能夠記住；親身參與，才能學會”，因此，《人工智能實戰》中包含理論知識，但保證每章中都包含至少一個編寫了完整代碼(C#)的實際問題，以便讓讀者更好地理解，并作為一種讓他們親身體會本章介紹的理論概念和思想的方式。讀者可以使用《人工智能實戰》附帶的代碼來執行這些實際問題，這樣應該能夠幫助讀者更好地理解書中描述的概念。
《人工智能實戰》盡可能淺顯易懂地描述所包含的解釋和定義(考慮到它們屬于數學、科學領域的事實)，因此不同背景的讀者只需要具備最基本的數學或編程知識即可入門并理解內容。 第1章和第2章探討許多科學領域(如數學或計算機科學)的基礎：邏輯學。在這兩章中，我們將介紹命題邏輯、一階邏輯和自動定理證明，還將介紹用C#編程的相關實際問題。 在第3~7章中，重點關注Agent和多Agent系統。這幾章將深入研究不同類型的Agent及其架構，然后提出一個大型實際問題，其中將編寫一個火星漫游車程序，其任務是在火星上找到水。我們還將討論另一個實際問題，即設置一組使用Windows Communication Foundation(WCF)進行通信的Agent，最后通過提出另一個實際問題(第7章)結束《人工智能實戰》的這一部分內容：構成多Agent系統的一組Agent將協作并進行通信以清潔房間的污垢。 第8章將描述人工智能的一個稱為仿真的子領域，在該領域中通過運用統計和概率工具模擬現實生活場景。在本章中，我們將模擬一個機場的運作，其中飛機在某個特定時段內到達和離開機場。 第9~12章專門介紹監督學習，它是一種非常重要的機器學習范式，基本上是通過向一臺機器(程序)提供許多對<數據，分類>的樣本，教會它做某件事(通常是對數據進行分類)，其中數據可以是任何事物，它可以是動物、房屋、人等。例如，樣本集可能是< 象，大型><貓，小型>等。 顯然，為了使機器能夠理解和處理任何數據，必須輸入數值而不是文本。在這些章節中，我們將探討支持向量機、決策樹、神經網絡和手寫數字識別。 第13章將闡釋另一種非常重要的機器學習范式，即無監督學習。在無監督學習中，學習的是作為輸入接收的數據的結構，沒有監督學習中出現的標簽(分類)；換句話說，樣本只是<數據>，并且不包括分類。因此，無監督學習程序是在沒有任何外部幫助的前提下，僅通過研究數據本身提供的信息進行學習。在本章中將介紹聚類，一種經典的無監督學習技術。另外將描述多目標聚類和多目標優化。構造帕累托邊界的方法，即作者提出的帕累托邊界生成器，也將包含在本章中。 第14章將重點介紹啟發式和元啟發式，這是在前幾章中提到過的一個主題，最終在本章中開展研究。本章將主要描述兩種元啟發式：遺傳算法和禁忌搜索，它們是兩種應用最廣泛的元啟發式類，即基于人口的元啟發式和基于單一解的元啟發式的典型代表。 第15章將探討游戲編程，特別是需要執行搜索的游戲的世界。本章將詳解和實現多種流行的搜索算法。本章還包括一個實際問題，其中設計和編碼了一個滑動拼圖智能Agent。 第16章將深入探討博弈論，特別是其稱為對抗性搜索的子領域。在該領域中，我們將研究Minimax算法并實現一個使用該策略(Minimax)進行游戲的黑白棋Agent。 第17章將描述一種目前被視為人工智能未來的機器學習范式：強化學習。在強化學習中，Agent通過獎勵和懲罰來學習。它們像人類一樣與時俱進地學習，當學習過程足夠長時，它們可以在游戲中達到極具競爭力的水平，直到擊敗人類世界冠軍(例如西洋雙陸棋和圍棋)。 《人工智能實戰》下載資源請掃封底二維碼獲取。 | |
