人工智能：计算agent基础

内容概要

普尔（David L.Poole），加拿大不列颠哥伦比亚大学计算机科学教授，计算智能实验室主任。2014-2015年，他是牛津大学Leverhulme Trust客座教授。他还是加拿大人工智能学会（CAIAC）2013年终身成就奖获得者，是国际人工智能促进协会（AAAI）和加拿大人工智能学会（CAIAC）Fellow。



麦克沃思（Alan K.Mackworth），加拿大不列颠哥伦比亚大学计算机科学教授。他的研究兴趣是基于约束的人工智能及其应用，被称为约束满足、机器人足球、混合系统和基于约束的Agent等研究领域的先驱。他是国际人工智能联合会议（IJCAI）公司的总裁和理事，以及IJCAI执行委员会主席；同时还担任许多编委会和程序委员会委员。他是加拿大计算机智能研究会（CSCSI）主席，还担任国际人工智能促进协会（AAAI）主席。荣获的奖励包括：ITAC/NSERC杰出学术奖.Killam研究奖，《人工智能》杂志经典论文奖，CSCSI杰出服务奖，AAAI杰出服务奖，CAIAC终身成就奖等。他是AAAI和CAIAC的Fellow，加拿大前沿科学研究院和加拿大皇家学院院士。

书籍目录

出版者的话

译者序

前言

第一部分世界中的Agent：什么是Agent及如何创建它们

第1章人工智能与Agent

1.1什么是人工智能

1.2人工智能简史

1.3环境中的Agent

1.4知识表示

1.4.1定义解

1.4.2表示

1.4.3推理与行为

1.5复杂性维度

1.5.1模块性

1.5.2表示方案

1.5.3规划期

1.5.4不确定性

1.5.5偏好

1.5.6Agent数量

1.5.7学习

1.5.8计算限制

1.5.9多维交互

1.6原型应用

1.6.1自主传送机器人

1.6.2诊断助手

1.6.3智能指导系统

1.6.4交易Agent

1.7本书概述

1.8本章小结

1.9参考文献及进一步阅读

1.10习题

第2章Agent体系结构和分层控制

2.1Agent

2.2Agent系统

2.3分层控制

2.4嵌入式和仿真Agent

2.5通过推理来行动

2.5.1设计时间与离线计算

2.5.2在线计算

2.6本章小结

2.7参考文献及进一步阅读

2.8习题

第二部分表达和推理

第3章状态和搜索

3.1用搜索进行问题求解

3.2状态空间

3.3图搜索

3.4一个通用搜索算法

3.5无信息搜索策略

3.5.1深度优先搜索

3.5.2宽度优先搜索

3.5.3最低花费优先搜索

3.6启发式搜索

3.6.1A*搜索

3.6.2搜索策略总结

3.7更复杂的搜索方法

3.7.1环检查

3.7.2多路径剪枝

3.7.3迭代深化

3.7.4分支界限法

3.7.5搜索方向

3.7.6动态规划法

3.8本章小结

3.9参考文献及进一步阅读

3.10习题

第4章特征和约束

4.1特征和状态

4.2可能世界、变量和约束

4.2.1约束

4.2.2约束满足问题

4.3生成—测试算法

4.4使用搜索求解CSP

4.5一致性算法

4.6域分割

4.7变量消除

4.8局部搜索

4.8.1迭代最佳改进

4.8.2随机算法

4.8.3评估随机算法

4.8.4局部搜索中利用命题结构

4.9基于种群的方法

4.10最优化

4.10.1最优化的系统方法

4.10.2局部搜索最优化

4.11本章小结

4.12参考文献及进一步阅读

4.13习题

第5章命题和推理

5.1命题

5.1.1命题演算的语法

5.1.2命题演算的语义

5.2命题确定子句

5.2.1问题与解答

5.2.2验证

5.3知识表示问题

5.3.1背景知识与观察

5.3.2询问用户

5.3.3知识层的解释

5.3.4知识层的调试

5.4反证法验证

5.4.1Horn子句

5.4.2假说与冲突

5.4.3基于一致性的诊断

5.4.4通过假设和Horn子句推理

5.5完备知识假设

5.5.1非单调推理

5.5.2完备知识的验证程序

5.6溯因推理

5.7因果模型

5.8本章小结

5.9参考文献及进一步阅读

5.10习题

第6章不确定推理

6.1概率

6.1.1概率的语义

6.1.2概率公理

6.1.3条件概率

6.1.4期望值

6.1.5信息理论

6.2独立性

6.3信念网络

6.4概率推理

6.4.1信念网络中的变量消除

6.4.2通过随机模拟进行近似推理

6.5概率和时间

6.5.1马尔可夫链

6.5.2隐马尔可夫模型

6.5.3监听和平滑算法

6.5.4动态信念网络

6.5.5时间粒度

6.6本章小结

6.7参考文献及进一步阅读

6.8习题

第三部分学习与规划

第7章学习概述与有监督学习

7.1学习问题

7.2有监督学习

7.2.1评估预测

7.2.2无输入特征的点估计

7.2.3概率学习

7.3有监督学习的基本模型

7.3.1决策树学习

7.3.2线性回归与分类

7.3.3贝叶斯分类器

7.4组合模型

7.4.1神经网络

7.4.2集成学习

7.5避免过拟合

7.5.1最大后验概率和最小描述长度

7.5.2交叉验证

7.6基于案例的推理

7.7改进假设空间的学习

7.7.1变型空间学习

7.7.2可能近似正确学习

7.8贝叶斯学习

7.9本章小结

7.10参考文献及进一步阅读

7.11习题

第8章确定性规划

8.1状态、动作以及目标的表示

8.1.1显式状态空间表示法

8.1.2基于特征的动作表示

8.1.3STRIPS表示法

8.1.4初始状态和目标

8.2前向规划

8.3回归规划

8.4CSP规划

8.5偏序规划

8.6本章小结

8.7参考文献及进一步阅读

8.8习题

第9章不确定性规划

9.1偏好和效用

9.2一次性的决策

9.3序贯决策

9.3.1决策网络

9.3.2策略

9.3.3决策网络的变量消除

9.4信息与控制的价值

9.5决策过程

9.5.1策略值

9.5.2最优策略值

9.5.3值迭代

9.5.4策略迭代

9.5.5动态决策网络

9.5.6部分可观察决策过程

9.6本章小结

9.7参考文献及进一步阅读

9.8习题

第10章多Agent系统

10.1多Agent框架

10.2博弈的表示

10.2.1博弈的标准形式

10.2.2博弈的扩展形式

10.2.3多Agent决策网络

10.3完全信息的计算策略

10.4部分可观察的多Agent推理

10.4.1纳什均衡计算

10.4.2学习协调

10.5群体决策

10.6机制设计

10.7本章小结

10.8参考文献及进一步阅读

10.9习题

第11章有监督之外的其他学习模型

11.1聚类

11.1.1期望最大化

11.1.2k—均值

11.1.3用于软聚类的期望最大化

11.2信念网络学习

11.2.1概率学习

11.2.2未观察到的变量

11.2.3缺失数据

11.2.4结构学习

11.2.5信念网络学习的一般情形

11.3增强学习

11.3.1演化算法

11.3.2时闻差

11.3.3Q—学习

11.3.4探索与利用

11.3.5增强学习算法的评估

11.3.6在策略学习

11.3.7为路径分配信用和责任

11.3.8基于模型的方法

11.3.9基于特征的增强学习

11.4本章小结

11.5参考文献及进一步阅读

11.6习题

第四部分个体与关系的推理

第12章个体与关系

12.1在特征之外利用结构

12.2符号与语义

12.3Datalog：一个关联规则语言

12.3.1基Datalog的语义

12.3.2解释变量

12.3.3带变量的查询

12.4证明与替换

12.4.1带变量的自底向上过程

12.4.2带变量的确定性归结

12.5函数符号

12.6在自然语言处理中的应用

12.6.1在上下文无关文法中使用限定子句

12.6.2增强文法

12.6.3为非终结符号建立结构

12.6.4封装的文本输出

12.6.5强制约束

12.6.6建立自然语言与数据库的接口

12.6.7局限

12.7相等

12.7.1允许相等断言

12.7.2唯一名字假设

12.8完备知识假设

12.9本章小结

12.10参考文献及进一步阅读

12.11习题

第13章本体和基于知识的系统

13.1知识共享

13.2灵活的表示

13.2.1选择个体和关系

13.2.2图形化表示

13.2.3原始关系与导出关系

13.3本体与知识共享

13.3.1描述逻辑

13.3.2顶层本体

13.4查询用户和其他知识来源

13.4.1函数化关系

13.4.2更普遍的问题

13.5实现基于知识的系统

13.5.1基语言和元语言

13.5.2普通的元解释器

13.5.3扩展基语言

13.5.4深度有限搜索

13.5.5元解释器构建证明树

13.5.6可询问用户的元解释器

13.5.7推迟目标

13.6本章小结

13.7参考文献及进一步阅读

13.8习题

第14章关系规划、学习和概率推理

14.1规划个体与关系

14.1.1情景演算

14.1.2事件演算

14.2个体与关系的学习

14.3概率关系模型

14.4本章小结

14.5参考文献及进一步阅读

14.6习题

第五部分宏观图景

第15章回顾与展望

15.1复杂性维度回顾

15.2社会与道德后果

15.3参考文献及进一步阅读

附录A数学基础与记号

参考文献

索引

作者简介

《人工智能:计算agent基础》讨论AI科学，它将AI作为智能计算Agent设计的研究课题。《人工智能:计算agent基础》虽然设计为教科书，但它也适合广大专业人员和研究人员阅读。《人工智能:计算agent基础》的一个重要特色是其在线学习资源。在过去的几十年里，人工智能是作为一种严肃科学和工程学科出现的。《人工智能:计算agent基础》提供了针对本科生和研究生的第一手便利可用的领域综合资料，对当今该领域的基础发展进行了展望。像任何名副其实的科学一样，AI具有条理分明、形式化的理论和难以控制的实验。《人工智能:计算agent基础》均衡了理论和实验部分，并说明了如何将理论与实验密切地联系起来，使科学与工程应用共同发展。

 人工智能：计算agent基础下载