人工智能（第2版）

馬少平,,清華大學計算機系長聘教授，博世知識表示與推理冠名教授，博士生導師，清華天工智能計算研究院常務副院長，中國人工智能學會副監事長，中國中文信息學會副理事長。主要研究方向為信息檢索與推薦。所編寫的教材《人工智能》曾獲得北京市高等教育精品教材，主講的《人工智能導論》課程獲得清華大學精品課。

目錄CONTENTS

 

 

第0章緒論1

0.1人工智能的誕生1

0.2人工智能發展簡史4

0.2.1初期時代4

0.2.2知識時代6

0.2.3特征時代7

0.2.4數據時代9

0.2.5大模型時代12

0.3什麼是人工智能17

0.4圖靈測試與中文屋子問題19

0.4.1圖靈測試19

0.4.2中文屋子問題21

0.5第三代人工智能22

0.6總結25

第1章搜索問題28

1.1回溯策略29

1.2圖搜索策略34

1.3無信息圖搜索過程35

1.4啟發式圖搜索過程37

1.5搜索算法討論58

習題62

第2章謂詞邏輯與歸結原理65

2.1命題邏輯65

2.1.1命題65

2.1.2命題公式66

2.1.3命題邏輯的意義69

2.1.4命題邏輯的推理規則70

2.1.5命題邏輯的歸結方法71

2.2謂詞邏輯基礎74

2.2.1謂詞基本概念75

2.2.2一階謂詞邏輯76

2.2.3謂詞演算與推理78

2.2.4謂詞知識表示80

目錄人工智能（第2版）2.3謂詞邏輯歸結原理82

2.3.1歸結原理概述83

2.3.2Skolem 標準型83

2.3.3子句集85

2.3.4置換與合一87

2.3.5歸結式89

2.3.6歸結過程91

2.3.7歸結過程控制策略92

2.4Herbrand定理96

2.4.1概述96

2.4.2H域96

2.4.3H解釋99

2.4.4語義樹與Herbrand定理100

2.4.5Herbrand定理102

2.4.6Herbrand定理與歸結法的完備性102

習題103

第3章知識表示105

3.1概述105

3.1.1知識105

3.1.2知識表示107

3.1.3知識表示觀108

3.2產生式表示110

3.2.1事實與規則的表示110

3.2.2產生式系統的結構111

3.2.3產生式系統的推理112

3.2.4產生式表示的特點116

3.3語義網絡表示117

3.3.1語義網絡的結構117

3.3.2基本的語義關系118

3.3.3語義網絡的推理121

3.3.4語義網絡表示法的特點123

3.4框架表示124

3.4.1框架結構124

3.4.2框架表示下的推理126

3.4.3框架表示法的特點127

3.5其他表示方法128

3.5.1腳本知識表示方法128

3.5.2過程性知識表示法129

3.5.3直接性知識表示方法131

習題131

第4章不確定性推理方法133

4.1概述133

4.1.1不確定性133

4.1.2不確定性推理的基本問題135

4.1.3不確定性推理方法的分類136

4.2概率論基礎137

4.2.1隨機事件137

4.2.2事件的概率139

4.2.3貝葉斯定理142

4.2.4信任概率143

4.3貝葉斯網絡143

4.3.1貝葉斯網絡基本概念144

4.3.2貝葉斯網絡的推理模式149

4.4主觀貝葉斯方法152

4.4.1規則的不確定性152

4.4.2證據的不確定性155

4.4.3推理計算155

4.5確定性方法159

4.5.1規則的不確定性度量161

4.5.2證據的不確定性度量162

4.5.3不確定性的傳播與更新162

4.5.4問題164

4.6證據理論(DS theory)165

4.6.1基本概念165

4.6.2證據的不確定性166

4.6.3規則的不確定性168

4.6.4推理計算168

習題170

第5章統計機器學習方法173

5.1什麼是統計機器學習方法173

5.2樸素貝葉斯方法177

5.3決策樹183

5.3.1決策樹算法——ID3算法185

5.3.2決策樹算法——C4.5算法197

5.3.3過擬合問題與剪枝204

5.3.4隨機森林算法210

5.4k近鄰方法212

5.5支持向量機215

5.5.1什麼是支持向量機215

5.5.2線性可分支持向量機220

5.5.3線性支持向量機232

5.5.4非線性支持向量機236

5.5.5核函數與核方法239

5.5.6支持向量機用於多分類問題245

5.6K均值聚類算法248

5.7層次聚類算法255

5.8DBSCAN聚類算法257

5.9驗證與測試問題259

5.10特征抽取問題262

5.11總結266

第6章神經網絡與深度學習269

6.1從數字識別談起269

6.2神經元與神經網絡273

6.3神經網絡的訓練方法276

6.4卷積神經網絡283

6.5梯度消失問題292

6.6過擬合問題300

6.7詞向量303

6.7.1詞的向量表示303

6.7.2神經網絡語言模型305

6.7.3word2vec模型310

6.7.4詞向量應用舉例312

6.8循環神經網絡315

6.9長短期記憶網絡322

6.10深度學習框架329

6.11總結329

第7章對抗搜索330

7.1能窮舉嗎？331

7.2極小極大模型332

7.3αβ剪枝算法334

7.4蒙特卡洛樹搜索336

7.5AlphaGo原理344

7.6圍棋中的深度強化學習方法350

7.6.1基於策略梯度的強化學習352

7.6.2基於價值評估的強化學習353

7.6.3基於演員評價方法的強化學習354

7.7AlphaGo Zero原理356

7.8總結362

第8章高級搜索364

8.1基本概念364

8.1.1組合優化問題364

8.1.2鄰域366

8.2局部搜索算法367

8.3模擬退火算法373

8.3.1固體退火過程373

8.3.2模擬退火算法376

8.3.3參數的確定379

8.3.4應用舉例——旅行商問題386

8.4遺傳算法389

8.4.1生物進化與遺傳算法389

8.4.2遺傳算法的實現問題396

習題407

附錄408

附錄ABP算法408

A.1求導數的鏈式法則408

A.2符號約定410

A.3對於輸出層的神經元410

A.4對於隱含層的神經元412

A.5BP算法——隨機梯度下降版415

附錄B序列最小最優化(SMO)算法415

B.1SMO算法的基本思想416

B.2SMO算法的詳細計算過程421

參考文獻427