人工智能與機(jī)器學(xué)習(xí)入門(mén)（原書(shū)第2版）

目錄
譯者序
原書(shū)前言
作者簡(jiǎn)介
第1章人工智能入門(mén)1
1.1人工智能的歷史2
1.1.1什么是人工智能2
1.1.2人工智能的出現(xiàn)3
1.1.3認(rèn)知科學(xué)與人工智能3
1.1.4人工智能的邏輯方法4
1.1.5基于知識(shí)的系統(tǒng)4
1.1.6人工智能的概率方法5
1.1.7進(jìn)化計(jì)算和群體智能6
1.1.8神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)6
1.1.9創(chuàng)建HAL6
1.2大綱7
第1部分邏 輯 智 能
第2章命題邏輯8
2.1命題邏輯基礎(chǔ)9
2.1.1語(yǔ)法9
2.1.2語(yǔ)義10
2.1.3重言式和邏輯含義13
2.1.4邏輯參數(shù)14
2.1.5派生系統(tǒng)17
2.2歸結(jié)20
2.2.1范式20
2.2.2歸結(jié)的推導(dǎo)21
2.2.3歸結(jié)算法24
2.3人工智能應(yīng)用25
2.3.1基于知識(shí)的系統(tǒng)25
2.3.2wumpus world35
2.4討論和擴(kuò)展閱讀41
練習(xí)41
第3章一階邏輯44
3.1一階邏輯基礎(chǔ)44
3.1.1語(yǔ)法44
3.1.2語(yǔ)義46
3.1.3有效性和邏輯蘊(yùn)涵49
3.1.4推導(dǎo)系統(tǒng)51
3.1.5一階邏輯的分離規(guī)則54
3.2人工智能應(yīng)用57
3.2.1重訪wumpus world57
3.2.2計(jì)劃57
3.3討論和擴(kuò)展閱讀60
練習(xí)60
第4章特定知識(shí)表示63
4.1分類學(xué)知識(shí)63
4.1.1語(yǔ)義網(wǎng)64
4.1.2人類知識(shí)的組織模型65
4.2框架65
4.2.1框架數(shù)據(jù)結(jié)構(gòu)65
4.2.2使用框架做旅行規(guī)劃66
4.3非單調(diào)邏輯68
4.3.1界限68
4.3.2默認(rèn)邏輯69
4.3.3難點(diǎn)70
4.4討論和擴(kuò)展閱讀70
練習(xí)71
第5章學(xué)習(xí)確定性模型72
5.1監(jiān)督學(xué)習(xí)72
5.2回歸72
5.2.1簡(jiǎn)單線性回歸73
5.2.2多元線性回歸75
5.2.3過(guò)擬合和交叉驗(yàn)證76
5.3參數(shù)估計(jì)78
5.3.1簡(jiǎn)單線性回歸的參數(shù)估計(jì)78
5.3.2梯度下降80
5.3.3邏輯回歸和梯度下降82
5.3.4隨機(jī)梯度下降82
5.4決策樹(shù)的學(xué)習(xí)83
5.4.1信息論85
5.4.2信息增益和ID3算法87
5.4.3過(guò)擬合89
練習(xí)89
第2部分概 率 智 能
第6章概率論92
6.1概率基本知識(shí)94
6.1.1概率空間94
6.1.2條件概率與獨(dú)立性96
6.1.3貝葉斯定理98
6.2隨機(jī)變量99
6.2.1隨機(jī)變量的概率分布99
6.2.2隨機(jī)變量的獨(dú)立性103
6.3概率的含義106
6.3.1概率的相對(duì)頻率法106
6.3.2主觀概率108
6.4應(yīng)用中的隨機(jī)變量110
6.5wumpus world的概率112
練習(xí)114
第7章不確定性知識(shí)的表示117
7.1貝葉斯網(wǎng)絡(luò)的直觀介紹118
7.2貝葉斯網(wǎng)絡(luò)的性質(zhì)120
7.2.1貝葉斯網(wǎng)絡(luò)的定義120
7.2.2貝葉斯網(wǎng)絡(luò)的表示123
7.3貝葉斯網(wǎng)絡(luò)的因果網(wǎng)絡(luò)124
7.3.1因果關(guān)系124
7.3.2因果關(guān)系和馬爾可夫條件125
7.3.3沒(méi)有因果關(guān)系的馬爾可夫條件128
7.4貝葉斯網(wǎng)絡(luò)的推理129
7.4.1推理示例129
7.4.2推理算法和包131
7.4.3使用Netica推斷132
7.5具有連續(xù)變量的網(wǎng)絡(luò)133
7.5.1高斯貝葉斯網(wǎng)絡(luò)133
7.5.2混合網(wǎng)絡(luò)135
7.6取得概率137
7.6.1多繼承的固有問(wèn)題137
7.6.2基本noisy OR- gate模型137
7.6.3leaky noisy OR-gate模型138
7.6.4附加模型140
7.7大規(guī)模應(yīng)用:Promedas140
練習(xí)142
第8章貝葉斯網(wǎng)絡(luò)的高級(jí)特性144
8.1附帶條件獨(dú)立性144
8.1.1附帶條件獨(dú)立性實(shí)例145
8.1.2d-分離147
8.2忠實(shí)性150
8.2.1非忠實(shí)概率分布150
8.2.2忠實(shí)條件151
8.3馬爾可夫等價(jià)152
8.4馬爾可夫毯和邊界155
練習(xí)155
第9章決策分析159
9.1決策樹(shù)160
9.1.1簡(jiǎn)單的例子160
9.1.2求解更復(fù)雜的決策樹(shù)163
9.2影響圖172
9.2.1用影響圖表示決策問(wèn)題172
9.2.2求解影響圖177
9.2.3求解影響圖的技術(shù)177
9.2.4使用Netica求解影響圖181
9.3風(fēng)險(xiǎn)建模偏好185
9.3.1指數(shù)效用函數(shù)185
9.3.2評(píng)估r186
9.4分析直接風(fēng)險(xiǎn)187
9.4.1使用方差來(lái)衡量風(fēng)險(xiǎn)187
9.4.2風(fēng)險(xiǎn)列表188
9.4.3決策的地位190
9.5良好的決策與良好的結(jié)果192
9.6敏感性分析193
9.7信息的價(jià)值195
9.7.1完備信息的預(yù)期值195
9.7.2不完備信息的預(yù)期值198
9.8討論和擴(kuò)展閱讀199
9.8.1學(xué)者199
9.8.2商業(yè)和金融199
9.8.3資本設(shè)備199
9.8.4計(jì)算機(jī)游戲200
9.8.5計(jì)算機(jī)視覺(jué)200
9.8.6計(jì)算機(jī)軟件200
9.8.7醫(yī)學(xué)200
9.8.8自然語(yǔ)言處理200
9.8.9規(guī)劃201
9.8.10心理學(xué)201
9.8.11可靠性分析201
9.8.12調(diào)度201
9.8.13語(yǔ)音識(shí)別201
9.8.14車(chē)輛控制與故障診斷201
練習(xí)201
第10章學(xué)習(xí)概率模型參數(shù)207
10.1學(xué)習(xí)單個(gè)參數(shù)207
10.1.1二項(xiàng)式隨機(jī)變量207
10.1.2多項(xiàng)式隨機(jī)變量210
10.2在貝葉斯網(wǎng)絡(luò)中學(xué)習(xí)參數(shù)211
10.2.1學(xué)習(xí)參數(shù)的步驟211
10.2.2等效樣本量212
10.3缺少數(shù)據(jù)的學(xué)習(xí)參數(shù)214
練習(xí)220
第11章學(xué)習(xí)概率模型結(jié)構(gòu)222
11.1結(jié)構(gòu)學(xué)習(xí)問(wèn)題222
11.2基于分?jǐn)?shù)的結(jié)構(gòu)學(xué)習(xí)223
11.2.1貝葉斯分?jǐn)?shù)223
11.2.2BIC分?jǐn)?shù)229
11.2.3一致的評(píng)分準(zhǔn)則231
11.2.4DAG評(píng)分的數(shù)量231
11.2.5使用學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行推理*231
11.2.6缺少數(shù)據(jù)的學(xué)習(xí)結(jié)構(gòu)*232
11.2.7近似結(jié)構(gòu)學(xué)習(xí)238
11.2.8模型平均242
11.2.9近似模型平均*244
11.3基于約束的結(jié)構(gòu)學(xué)習(xí)246
11.3.1學(xué)習(xí)一個(gè)服從于P的DAG246
11.3.2學(xué)習(xí)一個(gè)可信嵌入P中的DAG251
11.4應(yīng)用：MENTOR251
11.4.1開(kāi)發(fā)網(wǎng)絡(luò)251
11.4.2驗(yàn)證MENTOR253
11.5用于學(xué)習(xí)的軟件包254
11.6因果學(xué)習(xí)254
11.6.1因果置信假設(shè)254
11.6.2因果嵌入置信假設(shè)256
11.6.3應(yīng)用：大學(xué)生保留率問(wèn)題258
11.7類概率樹(shù)261
11.7.1類概率樹(shù)理論261
11.7.2目標(biāo)廣告應(yīng)用262
11.8討論和擴(kuò)展閱讀265
11.8.1生物學(xué)265
11.8.2商業(yè)和金融265
11.8.3因果學(xué)習(xí)266
11.8.4數(shù)據(jù)挖掘266
11.8.5醫(yī)學(xué)266
11.8.6天氣預(yù)報(bào)266
練習(xí)266
第12章無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)270
12.1無(wú)監(jiān)督學(xué)習(xí)270
12.1.1聚類270
12.1.2自動(dòng)發(fā)現(xiàn)271
12.2強(qiáng)化學(xué)習(xí)271
12.2.1多臂強(qiáng)盜算法272
12.2.2動(dòng)態(tài)網(wǎng)絡(luò)*274
12.3討論和擴(kuò)展閱讀282
練習(xí)283
第3部分涌 現(xiàn) 智 能
第13章進(jìn)化計(jì)算284
13.1遺傳學(xué)評(píng)論284
13.2遺傳算法286
13.2.1算法286
13.2.2說(shuō)明性示例287
13.2.3旅行的銷(xiāo)售人員問(wèn)題289
13.3遺傳編程296
13.3.1說(shuō)明性示例296
13.3.2人工螞蟻299
13.3.3金融交易應(yīng)用300
13.4討論和擴(kuò)展閱讀302
練習(xí)303
第14章群體智能305
14.1螞蟻系統(tǒng)305
14.1.1真實(shí)蟻群305
14.1.2求解TSP人工螞蟻算法306
14.2鳥(niǎo)群308
14.3討論和擴(kuò)展閱讀310
練習(xí)311
第4部分神 經(jīng) 智 能
第15章神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)312
15.1感知器312
15.1.1學(xué)習(xí)感知器的權(quán)重313
15.1.2感知器和邏輯回歸316
15.2前饋神經(jīng)網(wǎng)絡(luò)318
15.2.1XOR建模318
15.2.2兩個(gè)隱層示例319
15.2.3前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)322
15.3激活函數(shù)323
15.3.1輸出節(jié)點(diǎn)323
15.3.2隱層節(jié)點(diǎn)326
15.4應(yīng)用于圖像識(shí)別327
15.5討論和擴(kuò)展閱讀327
練習(xí)328
第5部分語(yǔ) 言 理 解
第16章自然語(yǔ)言理解331
16.1語(yǔ)法解析332
16.1.1遞歸語(yǔ)法解析器334
16.1.2歧義性335
16.1.3動(dòng)態(tài)編程語(yǔ)法解析器337
16.1.4概率語(yǔ)法解析器340
16.1.5獲得PCFG的概率342
16.1.6詞典化的PCFG343
16.2語(yǔ)義解釋344
16.3概念/知識(shí)解釋345
16.4信息檢索346
16.4.1信息檢索的應(yīng)用346
16.4.2信息檢索系統(tǒng)的體系結(jié)構(gòu)347
16.5討論和擴(kuò)展閱讀348
練習(xí)348
參考文獻(xiàn)350