本书是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了“基于随机方法的机器学习”等内容，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。 本书适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。

目录

出版者的话
译者序
前言

第一部分人工智能的历史渊源及研究范围
第1章人工智能的历史及应用
11从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
111人工智能基础的简要历史
112理性主义和经验主义学派对人工智能的影响
113形式逻辑的发展
114图灵测试
115智能的生物和社会模型：主体理论
12人工智能应用领域概述
121博弈
122自动推理和定理证明
123专家系统
124自然语言理解和语义学
125对人类表现建模
126规划和机器人学
127人工智能的语言和环境
128机器学习
129其他表示：神经网络和遗传算法
1210AI和哲学
13人工智能小结
14结语和参考文献
15习题
第二部分作为表示和搜索的人工智能
第2章谓词演算
20简介
21命题演算（选读）
211符号和语句
212命题演算的语义
22谓词演算
221谓词的语法和语句
222谓词演算的语义
223语义含义的积木世界例子
23使用推理规则产生谓词演算表达式
231推理规则
232合一算法
233合一的例子
24应用：一个基于逻辑的财务顾问
25结语和参考文献
26习题
第3章状态空间搜索的结构和策略
30简介
31状态空间搜索的结构
311图论（选读）
312有限状态自动机（选读）
313问题的状态空间表示
32用于状态空间搜索的策略
321数据驱动搜索和目标驱动搜索
322图搜索的实现
323深度优先搜索和宽度优先搜索
324迭代加深的深度优先搜索
33利用状态空间来表示命题演算和谓词演算的推理
331逻辑系统的状态空间描述
332与或图
333进一步的例子和应用
34结语和参考文献
35习题
第4章启发式搜索
40简介
41爬山法和动态规划法
411爬山
412动态规划
42最佳优先搜索算法
421实现最佳优先搜索
422实现启发评估函数
423启发式搜索和专家系统
43可采纳性、单调性和信息度
431可采纳性度量
432单调性
433信息度更高的启发是更好的启发
44在博弈中使用启发
441在可穷举搜索图上的极小极大过程
442固定层深的极小极大过程
443αβ过程
45复杂度问题
46结语和参考文献
47习题
第5章随机方法
50简介
51计数基础（选读）
511加法和乘法规则
512排列与组合
52概率论基础
521样本空间、概率和独立性
522概率推理：一个道路/交通例子
523随机变量
524条件概率
53贝叶斯定理
54随机方法学的应用
541“tomato”是如何发音的
542道路/交通例子的扩展
55结语和参考文献
56习题
第6章为状态空间搜索建立控制算法
60简介
61基于递归的搜索（选读）
611递归
612一个递归搜索的例子：模式驱动推理
62产生式系统
621定义和历史
622产生式系统的例子
623产生式系统中的搜索控制
624AI产生式系统的优点
63用于问题求解的黑板结构
64结语和参考文献
65习题
第三部分捕获智能：AI中的挑战
第7章知识表示
70知识表示问题
71AI表示模式的简要历史
711语义关联理论
712语义网的早期研究
713网络关系的标准化
714脚本
715框架
72概念图：网络语言
721概念图简介
722类型、个体和名字
723类型层次
724泛化和特化
725命题结点
726概念图和逻辑
73其他表示方法和本体
731Brooks的包容结构
732Copycat结构
733多种表示、本体和知识服务
74基于主体的和分布式的问题求解方法
741基于主体的定义
742基于主体的应用
75结语和参考文献
76习题
第8章求解问题的强方法
80简介
81专家系统技术概览
811基于规则的专家系统设计
812问题选择和知识工程的步骤
813概念模型及其在知识获取中的作用
82基于规则的专家系统
821产生式系统和目标驱动问题求解
822目标驱动推理中的解释和透明性
823利用产生式系统进行数据驱动推理
824专家系统的启发和控制
83基于模型系统、基于案例系统和混合系统
831基于模型推理简介
832基于模型推理：来自NASA的例子
833基于案例推理介绍
834混合设计：强方法系统的优势和不足
84规划
841规划简介：机器人学
842使用规划宏：STRIPS
843teleoreactive规划
844规划：来自NASA的例子
85结语和参考文献
86习题
第9章不确定条件下的推理
90简介
91基于逻辑的反绎推理
911非单调推理逻辑
912真值维护系统
913基于最小模型的逻辑
914集合覆盖和基于逻辑的反绎
92反绎：逻辑之外的办法
921Stanford确信度代数
922模糊集推理
923DempsterShafer证据理论
93处理不确定性的随机方法
931有向图模型：贝叶斯信念网络
932有向图模型：d-可分
933有向图模型：一个推理算法
934有向图模型：动态贝叶斯网络
935马尔可夫模型：离散马尔可夫过程
936马尔可夫模型：变形
937BBN概率建模的一阶替代方案
94结语和参考文献
95习题
第四部分机器学习
第10章基于符号的机器学习
100简介
101基于符号学习的框架
102变形空间搜索
1021泛化操作符和概念空间
1022候选解排除算法
1023LEX：启发式归纳搜索
1024评估候选解排除算法
103ID3决策树归纳算法
1031自顶向下决策树归纳
1032测试选择的信息论方法
1033评价ID3
1034决策树数据问题：打包、推进
104归纳偏置和学习能力
1041归纳偏置
1042可学习性理论
105知识和学习
1051MetaDENDRAL
1052基于解释的学习
1053EBL和知识层学习
1054类比推理
106无监督学习
1061发现和无监督学习
1062概念聚类
1063COBWEB和分类知识的结构
107强化学习
1071强化学习的组成部分
1072一个例子：九宫游戏
1073强化学习的推理算法和应用
108结语和参考文献
109习题
第11章机器学习：连接机制
110简介
111连接网络的基础
112感知机学习
1121感知机训练算法
1122例子：用感知机网络进行分类
1123通用delta规则
113反传学习
1131反传算法的起源
1132反传算法实例1：NETtalk
1133反传算法实例2：异或
114竞争学习
1141对于分类的“胜者全拿”学习
1142学习原型的Kohonen网络
1143outstar网络和逆传
1144支持向量机
115Hebbian一致性学习
1151概述
1152无监督Hebbian学习的例子
1153有监督Hebbian学习
1154联想记忆和线性联想器
116吸引子网络或“记忆”
1161概述
1162双向联想记忆
1163BAM处理的例子
1164自相关记忆和Hopfield网络
117结语和参考文献
118习题
第12章机器学习：遗传性和涌现性
120社会性和涌现性的学习模型
121遗传算法
1211两个例子：CNF可满足性问题和巡回推销员问题
1212遗传算法的评估
122分类器系统和遗传程序设计
1221分类器系统
1222用遗传算子进行程序设计
123人工生命和基于社会的学习
1231生命游戏
1232进化规划
1233涌现的实例研究
124结语和参考文献
125习题
第13章机器学习：概率理论
130学习中的随机模型和动态模型
131隐马尔可夫模型(HMM)
1311隐马尔可夫模型的介绍和定义
1312隐马尔可夫模型的重要变形
1313使用HMM和Viterbi解码音素串
132动态贝叶斯网络和学习
1321动态贝叶斯网络
1322学习贝叶斯网络
1323期望最大化：一个例子
133强化学习的随机扩展
1331马尔可夫决策过程
1332部分可观测的马尔可夫决策过程
1333马尔可夫决策过程实现的例子
134结语和参考文献
135习题
第五部分人工智能问题求解的高级课题
第14章自动推理
140定理证明中的弱方法
141通用问题求解器和差别表
142归结定理证明
1421概述
1422为归结反驳生成子句形式
1423二元归结证明过程
1424归结策略和简化技术
1425从归结反驳中抽取解答
143Prolog和自动推理
1431概述
1432逻辑程序设计和Prolog
144自动推理进一步的问题
1441弱方法求解的统一表示法
1442可选推理规则
1443归结反驳支持下的问答机制
1444搜索策略及其使用
145结语和参考文献
146习题
第15章自然语言理解
150自然语言理解问题
151解构语言：分析
152语法
1521使用上下文无关文法说明和解析
1522Earley解析器：动态规划二次访问
153转移网络解析器及语义学
1531转移网络解析器
1532乔姆斯基层次和上下文相关文法
1533ATN解析器的语义
1534结合句法和语义知识的ATN
154语言理解的随机工具
1541概述：语言分析中的统计技术
1542马尔可夫模型方法
1543决策树方法
1544解析的概率方法
1545概率上下文无关解析器
155自然语言应用
1551故事理解和问题解答
1552数据库前端
1553Web信息抽取和摘要系统
1554用学习算法来泛化抽取的信息
156结语和参考文献
157习题
第六部分后记
第16章人工智能是经验式的学科
160简介
161人工智能：修订的定义
1611人工智能和物理符号系统假设
1612连接或者“神经”计算
1613主体、涌现和智能
1614概率模型和随机技术
162智能系统科学
1621心理学约束
1622认识论问题
163人工智能：当前的挑战和未来的方向
164结语和参考文献