人工智能 原理与实践

本书介绍了经典人工智能(逻辑或演绎推理)和现代人工智能(归纳学习和神经网络)的相关知识。首先讨论演绎推理方法，主要包括搜索和逻辑；然后讨论归纳学习方法，使用统计方法，结合大量示例以得出假设，包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图模型；最后介绍基于推理和学习的方法，包括知识图谱和神经符号人工智能等技术。此外，还讨论了迁移学习和终身学习等重要话题。
本书可作为高等院校人工智能等课程的研究生教材，或作为相关领域研究人员的参考读物。

推荐序一
推荐序二
译者序
前言
第1章人工智能导论1
1.1引言1
1.2两大流派1
1.3通用人工智能9
1.4代理的概念10
1.5人工智能中的演绎推理12
1.5.1实例13
1.5.2演绎推理的经典方法17
1.5.3演绎推理的优势和局限19
1.6人工智能中的归纳学习19
1.6.1学习的类型20
1.6.2无监督学习任务21
1.6.3监督学习任务23
1.7人工智能中的生物进化24
1.8总结25
1.9拓展阅读26
1.10练习26
第2章搜索状态空间27
2.1引言27
2.2不知情搜索算法30
2.2.1案例研究：八个拼图问题35
2.2.2案例研究：在线迷宫搜索36
2.2.3通过双向搜索提高效率36
2.3知情搜索：佳优先搜索37
2.3.1贪婪佳优先搜索39
2.3.2A*-搜索算法40
2.4具有特定于状态的损失函数的局部搜索41
2.4.1爬山43
2.4.2禁忌搜索45
2.4.3模拟退火47
2.5遗传算法48
2.6约束满足问题50
2.6.1作为约束满足的旅行推销员问题50
2.6.2作为约束满足的图着色51
2.6.3数独作为约束满足51
2.6.4约束满足的搜索算法52
2.6.5利用特定于状态的损失值53
2.7总结53
2.8拓展阅读53
2.9练习53
第3章多代理搜索55
3.1引言55
3.2不知情搜索：AND-OR搜索树56
3.2.1处理两个以上的代理59
3.2.2处理非确定性环境59
3.3具有特定于状态的损失函数的知情搜索树60
3.3.1启发式变化63
3.3.2适应对抗环境63
3.3.3预存储子树65
3.3.4设计评估函数面临的挑战66
3.3.5极小极大树的缺点67
3.4alpha-beta剪枝69
3.5蒙特卡罗树搜索：归纳视图71
3.5.1对预期结果模型的改进74
3.5.2演绎与归纳：小值和蒙特卡罗树77
3.5.3应用于非确定性和部分可观测游戏78
3.6总结79
3.7拓展阅读79
3.8练习80
第4章命题逻辑81
4.1引言81
4.2命题逻辑：基础82
4.3命题逻辑定律86
4.3.1蕴涵和等价的有用性质88
4.3.2重言式和可满足性89
4.3.3子句和规范形式90
4.4命题逻辑作为专家系统的先驱91
4.5命题逻辑中表达式的等价性92
4.6知识库中的证明基础94
4.7矛盾证明法96
4.8具有明确子句的有效蕴涵100
4.8.1正向链接100
4.8.2反向链接102
4.8.3比较正向链接和反向链接103
4.9总结103
4.10拓展阅读104
4.11练习104
第5章一阶逻辑106
5.1引言106
5.2一阶逻辑的基础108
5.2.1量词的使用109
5.2.2一阶逻辑中的函数112
5.2.3一阶逻辑如何建立在命题逻辑上113
5.2.4标准化问题和范围扩展115
5.2.5否定与量词的相互作用116
5.2.6置换和斯科伦化117
5.2.7为什么一阶逻辑更具表现力119
5.3填充知识库120
5.4一阶逻辑专家系统示例122
5.5系统推断程序123
5.5.1矛盾证明法123
5.5.2正向链接125
5.5.3反向链接126
5.6总结126
5.7拓展阅读127
5.8练习127
第6章机器学习：归纳观点129
6.1引言129
6.2线性回归131
6.2.1随机梯度下降132
6.2.2基于矩阵的解决方案133
6.2.3偏差的使用134
6.2.4为什么正则化很重要134
6.3小二乘分类135
6.4支持向量机138
6.5逻辑回归140
6.5.1计算梯度140
6.5.2比较支持向量机和逻辑回归140
6.5.3逻辑回归作为概率分类器142
6.6多类设置143
6.6.1一对其余，一票反对一票143
6.6.2多项式逻辑回归144
6.7Na?veBayes模型145
6.8近邻分类器147
6.9决策树148
6.9.1决策树构建的训练阶段148
6.9.2拆分节点151
6.9.3将决策树推广到随机森林152
6.10基于规则的分类器153
6.10.1顺序覆盖算法154
6.10.2将基于规则的分类器与专家系统中的逻辑规则进行比较155
6.11分类的评估155
6.11.1分为训练和测试部分157
6.11.2绝对准确度测量158
6.11.3排名措施159
6.12总结162
6.13拓展阅读163
6.14练习163
第7章神经网络164
7.1引言164
7.2计算图简介165
7.2.1神经网络作为定向计算图168
7.2.2softmax激活函数169
7.2.3常见损失函数170
7.2.4非线性如何增加表达能力170
7.3有向无环图的优化172
7.3.1计算图的挑战172
7.3.2坡度计算的广泛框架173
7.3.3使用暴力计算节点到节点的导数174
7.3.4计算节点到节点导数的动态规划177
7.3.5将节点到节点导数转换为损失到权重导数181
7.3.6带有向量变量的计算图183
7.4应用：神经网络中的反向传播185
7.4.1常用激活函数的导数187
7.4.2softmax的特殊情况187
7.4.3以向量为中心的反向传播188
7.4.4以向量为中心的反向传播示例190
7.5计算图的一般视图192
7.6总结194
7.7拓展阅读194
7.8练习194
第8章特定领域的神经架构198
8.1引言198
8.2卷积神经网络的基本原理198
8.3卷积神经网络的基本架构200
8.3.1填充204
8.3.2步幅205
8.3.3典型的设置205
8.3.4ReLU层206
8.3.5池化206
8.3.6接近连接层208
8.3.7层之间的交错208
8.3.8分层特性工程210
8.4卷积架构的案例研究211
8.4.1AlexNet212
8.4.2VGG214
8.4.3ResNet216
8.5递归神经网络的基本原理218
8.6递归神经网络的结构220
8.6.1RNN语言建模实例222
8.6.2通过时间反向传播224


8.6.3多层迭代网络226

……