 |
-- 會員 / 註冊 --
|
 |
|
|
|
人工智能：計算Agent基礎（原書第2版） ( 簡體 字) |
| 作者：大衛·L. 普爾(David L. Poole),阿蘭·K. 麥克沃斯(Alan K. Mackworth) | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 54768
詢問書籍請說出此書號！【有庫存】
NT售價： 745 元 |
| 出版日：6/1/2021 |
| 頁數：516 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111684350 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書是人工智能領域的經典書籍，新版做了全面修訂，增加了關于機器學習的內容，并更新了代碼示例和練習。本書主要討論智能體（agent）的基本概念和體系結構，從計算的角度介紹相關的規劃、學習、推理、協商、交互機制等理論，基于自主送貨機器人、診斷助手、智能輔導系統和交易智能體四個原型應用，在一個連貫的框架下研究智能體的設計、構建和實現，并從十個維度考慮設計空間的復雜性。本書適合作為高等院校計算機科學等相關專業的人工智能入門教材，也適合該領域的技術人員參考。 |
目錄：第一部分 世界中的智能體：什么是智能體？如何創建智能體？
第1章 人工智能與智能體2
1.1 什么是人工智能2
1.1.1 人工智能和自然智能3
1.2 人工智能簡史5
1.2.1 與其他學科的關系7
1.3 環境中的智能體7
1.4 設計智能體8
1.4.1 設計時間計算、離線計算和在線計算8
1.4.2 任務10
1.4.3 定義解決方案11
1.4.4 表示12
1.5 智能體設計空間14
1.5.1 模塊性14
1.5.2 規劃視野14
1.5.3 表示15
1.5.4 計算限制16
1.5.5 學習17
1.5.6 不確定性18
1.5.7 偏好19
1.5.8 智能體數量19
1.5.9 交互性20
1.5.10 各維度的相互作用20
1.6 原型應用21
1.6.1 自主送貨機器人22
1.6.2 診斷助手24
1.6.3 智能輔導系統25
1.6.4 交易智能體27
1.6.5 智能家居28
1.7 本書概覽29
1.8 回顧29
1.9 參考文獻和進一步閱讀30
1.10 練習31
第2章 智能體的體系結構與層次控制32
2.1 智能體32
2.2 智能體系統33
2.2.1 智能體的功能33
2.3 層級控制36
2.4 用推理行動42
2.4.1 智能體建模世界42
2.4.2 知識和行動43
2.4.3 設計時間計算和離線計算44
2.4.4 在線計算45
2.5 回顧46
2.6 參考文獻和進一步閱讀46
2.7 練習47
第二部分 確定性推理、規劃與學習
第3章 搜索解決方案50
3.1 以搜索的方式解決問題50
3.2 狀態空間51
3.3 圖搜索53
3.3.1 形式化圖搜索53
3.4 通用搜索算法55
3.5 無信息搜索策略57
3.5.1 廣度優先搜索57
3.5.2 深度優先搜索59
3.5.3 迭代深化62
3.5.4 最低代價優先搜索64
3.6 啟發式搜索65
3.6.1 A𤤳搜索66
3.6.2 設計啟發式函數69
3.7 搜索空間的修剪70
3.7.1 環修剪70
3.7.2 多路徑修剪70
3.7.3 搜索策略小結72
3.8 更復雜的搜索73
3.8.1 分支定界73
3.8.2 搜索的方向75
3.8.3 動態規劃77
3.9 回顧79
3.10 參考文獻和進一步閱讀80
3.11 練習80
第4章 約束推理83
4.1 可能世界、變量和約束83
4.1.1 變量和世界83
4.1.2 約束86
4.1.3 約束滿足問題87
4.2 生成和測試算法88
4.3 使用搜索求解CSP88
4.4 一致性算法89
4.5 域分割93
4.6 變量消除94
4.7 局部搜索96
4.7.1 迭代最佳改進98
4.7.2 隨機算法98
4.7.3 局部搜索的變體99
4.7.4 評估隨機算法102
4.7.5 隨機重啟104
4.8 基于種群的方法104
4.9 優化器106
4.9.1 系統化的優化方法108
4.9.2 用于優化的局部搜索110
4.10 回顧111
4.11 參考文獻和進一步閱讀112
4.12 練習112
第5章 命題與推理115
5.1 命題115
5.1.1 命題演算的語法115
5.1.2 命題演算的語義116
5.2 命題約束119
5.2.1 用于一致性算法的子句形式120
5.2.2 在局部搜索中利用命題結構121
5.3 命題確定子句121
5.3.1 問題和答案123
5.3.2 證明124
5.4 知識表示問題129
5.4.1 背景知識和觀察129
5.4.2 查詢用戶130
5.4.3 知識層面的解釋131
5.4.4 知識層面的調試133
5.5 反證法137
5.5.1 霍恩子句137
5.5.2 假設與沖突138
5.5.3 基于一致性的診斷139
5.5.4 用假設和霍恩子句進行推理140
5.6 完備知識假設143
5.6.1 非單調推理145
5.6.2 否定作為失敗的證明過程146
5.7 溯因法148
5.8 因果模型152
5.9 回顧153
5.10 參考文獻和進一步閱讀153
5.11 練習154
第6章 確定性規劃161
6.1 狀態、動作、目標的表示161
6.1.1 顯式狀態空間表示162
6.1.2 STRIPS表示163
6.1.3 基于特征的動作表示164
6.1.4 初始化狀態和目標166
6.2 前向規劃166
6.3 回歸規劃168
6.4 CSP規劃169
6.4.1 動作特征171
6.5 偏序規劃173
6.6 回顧175
6.7 參考文獻和進一步閱讀176
6.8 練習176
第7章 有監督機器學習179
7.1 學習問題179
7.2 有監督學習181
7.2.1 評估預測值183
7.2.2 誤差類型187
7.2.3 無輸入特征的點估算189
7.3 有監督學習的基本模型190
7.3.1 學習決策樹191
7.3.2 線性回歸和分類195
7.4 過擬合200
7.4.1 偽計數202
7.4.2 正則化203
7.4.3 交叉驗證204
7.5 神經網絡與深度學習207
7.6 復合模型211
7.6.1 隨機森林212
7.6.2 集成學習212
7.7 基于案例的推理214
7.8 實現精煉假設空間的學習216
7.8.1 版本空間學習217
7.8.2 可能近似正確的學習219
7.9 回顧221
7.10 參考文獻和進一步閱讀221
7.11 練習222
第三部分 不確定性推理、學習與行動
第8章 不確定性推理228
8.1 概率228
8.1.1 概率的語義229
8.1.2 概率的公理230
8.1.3 條件概率232
8.1.4 期望值236
8.1.5 信息237
8.2 獨立性238
8.3 信念網絡239
8.3.1 觀察和查詢241
8.3.2 構造信念網絡241
8.4 概率推理246
8.4.1 信念網絡的變量消去247
8.4.2 表示條件概率和因子253
8.5 序貫概率模型255
8.5.1 馬爾可夫鏈256
8.5.2 隱馬爾可夫模型257
8.5.3 監控和平滑的算法261
8.5.4 動態信念網絡262
8.5.5 時間粒度263
8.5.6 語言的概率模型263
8.6 隨機模擬268
8.6.1 單變量采樣268
8.6.2 信念網絡的前向采樣269
8.6.3 拒絕采樣270
8.6.4 似然加權271
8.6.5 重要性采樣272
8.6.6 粒子濾波273
8.6.7 馬爾可夫鏈蒙特卡羅275
8.7 回顧276
8.8 參考文獻和進一步閱讀276
8.9 練習277
第9章 不確定性規劃283
9.1 偏好和效用284
9.1.1 理性公理284
9.1.2 因子化效用288
9.1.3 前景理論290
9.2 一次性決策291
9.2.1 單階段決策網絡294
9.3 序貫決策296
9.3.1 決策網絡296
9.3.2 策略299
9.3.3 決策網絡的變量消去300
9.4 信息和控制的價值303
9.5 決策過程305
9.5.1 策略308
9.5.2 價值迭代310
9.5.3 策略迭代313
9.5.4 動態決策網絡314
9.5.5 部分可觀察決策過程316
9.6 回顧317
9.7 參考文獻和進一步閱讀317
9.8 練習318
第10章 不確定性學習324
10.1 概率學習324
10.1.1 學習概率324
10.1.2 概率分類器326
10.1.3 決策樹的MAP學習330
10.1.4 描述長度331
10.2 無監督學習332
10.2.1 k-均值332
10.2.2 用于軟聚類的期望最大化335
10.3 學習信念網絡338
10.3.1 學習概率338
10.3.2 隱藏變量339
10.3.3 缺失值340
10.3.4 結構學習340
10.3.5 信念網絡學習的一般情況341
10.4 貝葉斯學習341
10.5 回顧345
10.6 參考文獻和進一步閱讀345
10.7 練習345
第11章 多智能體系統347
11.1 多智能體框架347
11.2 博弈的表示348
11.2.1 博弈的標準形式348
11.2.2 博弈的擴展形式349
11.2.3 多智能體決策網絡351
11.3 完美信息計算策略352
11.4 不完美信息推理354
11.4.1 計算納什均衡359
11.5 群體決策360
11.6 機制設計361
11.7 回顧363
11.8 參考文獻和進一步閱讀363
11.9 練習364
第12章 學習行動366
12.1 強化學習問題366
12.2 進化算法368
12.3 時間差分369
12.4 Q-學習370
12.5 探索和利用371
12.6 評估強化學習算法372
12.7 同策學習373
12.8 基于模型的強化學習375
12.9 使用特征的強化學習377
12.9.1 線性函數近似的SARSA377
12.10 多智能體強化學習379
12.10.1 完美信息游戲379
12.10.2 學會協作379
12.11 回顧383
12.12 參考文獻和進一步閱讀383
12.13 練習383
第四部分 基于個體和關系的推理、學習與行動
第13章 個體與關系386
13.1 利用關系結構386
13.2 符號和語義387
13.3 Datalog：一種關系規則語言388
13.3.1 基礎Datalog的語義390
13.3.2 解釋變量392
13.3.3 帶變量的查詢395
13.4 證明與替換397
13.4.1 實例和替換397
13.4.2 帶變量的自下而上的程序398
13.4.3 合一化400
13.4.4 帶變量的確定性解析401
13.5 函數符號403
13.5.1 帶函數符號的證明程序406
13.6 自然語言中的應用408
13.6.1 在無上下文的語法中使用確定子句409
13.6.2 增強語法412
13.6.3 用于非終止的構建結構412
13.6.4 罐裝的文本輸出413
13.6.5 強制執行限制因素414
13.6.6 構建數據庫的自然語言接口415
13.6.7 限制418
13.7 相等性419
13.7.1 允許相等性斷言419
13.7.2 唯一名稱假設420
13.8 完備知識假設422
13.8.1 完備知識假設證明程序425
13.9 回顧426
13.10 參考文獻和進一步閱讀426
13.11 練習427
第14章 本體論與知識庫系統431
14.1 知識共享431
14.2 靈活的表示432
14.2.1 選擇個體和關系432
14.2.2 圖形化表示434
14.2.3 類435
14.3 本體論和知識共享437
14.3.1 統一資源標識符442
14.3.2 描述邏輯442
14.3.3 頂層本體448
14.4 實現知識庫系統450
14.4.1 基礎語言和元語言450
14.4.2 一個普通的元解釋器452
14.4.3 拓展基礎語言453
14.4.4 深度受限搜索454
14.4.5 建立證明樹的元解釋器455
14.4.6 延遲目標455
14.5 回顧456
14.6 參考文獻和進一步閱讀457
14.7 練習457
第15章 關系規劃、學習與概率推理461
15.1 個體和關系的規劃461
15.1.1 情境演算461
15.1.2 事件演算467
15.2 關系學習468
15.2.1 結構化學習：歸納邏輯編程468
15.2.2 學習隱藏屬性：協作過濾472
15.3 統計關系型人工智能476
15.3.1 關系概率模型476
15.4 回顧483
15.5 參考文獻和進一步閱讀484
15.6 練習484
第五部分 回顧與展望
第16章 回顧與展望488
16.1 復雜性維度的回顧488
16.2 社會和道德后果491
16.3 參考文獻和進一步閱讀495
16.4 練習495
附錄A 數學基礎與標記496
參考文獻峯
參考文獻為網絡資源，請訪問華章網站下載。——編輯注 |
| 序： |
|
