《人工智能：一种现代的方法（第3版）》是最权威、最经典的人工智能教材，已被全世界100多个国家的1200多所大学用作教材。
《人工智能：一种现代的方法（第3版）》的最新版全面而系统地介绍了人工智能的理论和实践，阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向。全书分为七大部分：第1部分“人工智能”，第II部分“问题求解”，第III部分“知识、推理与规划”，第IV部分“不确定知识与推理”，第V部分“学习”，第VI部分“通信、感知与行动”，第VII部分“结论”。《人工智能：一种现代的方法（第3版）》既详细介绍了人工智能的基本概念、思想和算法，还描述了其各个研究方向最前沿的进展，同时收集整理了详实的历史文献与事件。另外，本书的配套网址为教师和学生提供了大量教学和学习资料。
本书适合于不同层次和领域的研究人员及学生，是高等院校本科生和研究生人工智...
《人工智能：一种现代的方法（第3版）》是最权威、最经典的人工智能教材，已被全世界100多个国家的1200多所大学用作教材。
《人工智能：一种现代的方法（第3版）》的最新版全面而系统地介绍了人工智能的理论和实践，阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向。全书分为七大部分：第1部分“人工智能”，第II部分“问题求解”，第III部分“知识、推理与规划”，第IV部分“不确定知识与推理”，第V部分“学习”，第VI部分“通信、感知与行动”，第VII部分“结论”。《人工智能：一种现代的方法（第3版）》既详细介绍了人工智能的基本概念、思想和算法，还描述了其各个研究方向最前沿的进展，同时收集整理了详实的历史文献与事件。另外，本书的配套网址为教师和学生提供了大量教学和学习资料。
本书适合于不同层次和领域的研究人员及学生，是高等院校本科生和研究生人工智能课的首选教材，也是相关领域的科研与工程技术人员的重要参考书。
Author(s): 罗素; 诺维格
Edition: 3
Publisher: 清华大学出版社
Year: 2013
Language: Chinese
Commentary: 无水印版 Without watermarks
City: 北京
封面页
书名页
版权页
前言页
目录页
第Ⅰ部分 人工智能
第1章 绪论
1.1 什么是人工智能
1.2 人工智能的基础
1.3 人工智能的历史
1.4 最新发展水平
1.5 本章小结
参考文献与历史注释
习题
第2章 智能Agent
2.1 Agent和环境
2.2 好的行为：理性的概念
2.3 环境的性质
2.4 Agent的结构
2.5 本章小结
参考文献与历史注释
习题
第Ⅱ部分 问题求解
第3章 通过搜索进行问题求解
3.1 问题求解Agent
3.2 问题实例
3.3 通过搜索求解
3.4 无信息搜索策略
3.5 有信息（启发式）的搜索策略
3.6 启发式函数
3.7 本章小结
参考文献与历史注释
习题
第4章 超越经典搜索
4.1 局部搜索算法和最优化问题
4.2 连续空间中的局部搜索
4.3 使用不确定动作的搜索
4.4 使用部分可观察信息的搜索
4.5 联机搜索Agent和未知环境
4.6 本章小结
参考文献与历史注释
习题
第5章 对抗搜索
5.1 博弈
5.2 博弈中的优化决策
5.3 α-β剪枝
5.4 不完美的实时决策
5.5 随机博弈
5.6 部分可观察的博弈
5.7 博弈程序发展现状
5.8 其他途径
5.9 本章小结
参考文献与历史注释
习题
第6章 约束满足问题
6.1 定义约束满足问题
6.2 约束传播：CSP中的推理
6.3 CSP的回溯搜索
6.4 CSP局部搜索
6.5 问题的结构
6.6 本章小结
参考文献与历史注释
习题
第Ⅲ部分 知识、推理与规划
第7章 逻辑Agent
7.1 基于知识的Agent
7.2 Wumpus世界
7.3 逻辑
7.4 命题逻辑：一种简单逻辑
7.5 命题逻辑定理证明
7.6 有效的命题逻辑模型检验
7.7 基于命题逻辑的Agent
7.8 本章小结
参考文献与历史注释
习题
第8章 一阶逻辑
8.1 重温表示
8.2 一阶逻辑的语法和语义
8.3 运用一阶逻辑
8.4 一阶逻辑的知识工程
8.5 本章小结
参考文献与历史注释
习题
第9章 一阶逻辑的推理
9.1 命题推理与一阶推理
9.2 合一和提升
9.3 前向链接
9.4 反向链接
9.5 归结
9.6 本章小结
参考文献与历史注释
习题
第10章 经典规划
10.1 经典规划的定义
10.2 状态空间搜索规划算法
10.3 规划图
10.4 其他经典规划方法
10.5 规划方法分析
10.6 本章小结
参考文献与历史注释
习题
第11章 现实世界的规划与行动
11.1 时间、调度和资源
11.2 分层规划
11.3 非确定性领域中的规划与行动
11.4 多Agent规划
11.5 本章小结
参考文献与历史注释
习题
第12章 知识表示
12.1 本体论工程
12.2 类别和对象
12.3 事件
12.4 精神事件和精神对象
12.5 类别的推理系统
12.6 缺省信息推理
12.7 互联网购物世界
12.8 本章小结
参考文献与历史注释
习题
第Ⅳ部分 不确定知识与推理
第13章 不确定性的量化
13.1 不确定环境下的行动
13.2 基本概率符号
13.3 使用完全联合分布进行推理
13.4 独立性
13.5 贝叶斯规则及其应用
13.6 重游wumpus世界
13.7 本章小结
参考文献与历史注释
习题
第14章 概率推理
14.1 不确定性问题域中的知识表示
14.2 贝叶斯网络的语义
14.3 条件分布的有效表示
14.4 贝叶斯网络中的精确推理
14.5 贝叶斯网络中的近似推理
14.6 关系和一阶概率模型
14.7 不确定推理的其他方法
14.8 本章小结
参考文献与历史注释
习题
第15章 时间上的概率推理
15.1 时间与不确定性
15.2 时序模型中的推理
15.3 隐马尔可夫模型
15.4 卡尔曼滤波器
15.5 动态贝叶斯网络
15.6 跟踪多个对象
15.7 本章小结
参考文献与历史注释
习题
第16章 制定简单决策
16.1 在不确定环境下结合信念与愿望
16.2 效用理论基础
16.3 效用函数
16.4 多属性效用函数
16.5 决策网络
16.6 信息价值
16.7 决策理论专家系统
16.8 本章小结
参考文献与历史注释
习题
第17章 制定复杂决策
17.1 序列式决策问题
17.2 价值迭代
17.3 策略迭代
17.4 部分可观察的MDP
17.5 多Agent的决策：博弈论
17.6 机制设计
17.7 本章小结
参考文献与历史注释
习题
第Ⅴ部分 学 习
第18章 样例学习
18.1 学习形式
18.2 监督学习
18.3 学习决策树
18.4 评估和选择最佳假说
18.5 学习理论
18.6 带线性模型的回归和分类
18.7 人工神经网
18.8 非参数化模型
18.9 支持向量机
18.10 组合学习
18.11 机器学习实例
18.12 本章小结
参考文献与历史注释
习题
第19章 学习中的知识
19.1 学习的逻辑公式化
19.2 学习中的知识
19.3 基于解释的学习
19.4 使用相关性信息学习
19.5 归纳逻辑程序设计
19.6 本章小结
参考文献与历史注释
练习
第20章 学习概率模型
20.1 统计学习
20.2 带完整数据的学习
20.3 隐变量学习：EM算法
20.4 本章小结
参考文献与历史注释
习题
第21章 强化学习
21.1 引言
21.2 被动强化学习
21.3 主动强化学习
21.4 强化学习中的泛化
21.5 策略搜索
21.6 强化学习的应用
21.7 本章小结
参考文献与历史注释
习题
第Ⅵ部分 通讯、感知与行动
第22章 自然语言处理
22.1 语言模型
22.2 文本分类
22.3 信息检索
22.4 信息抽取
22.5 本章小结
参考文献与历史注释
习题
第23章 用于通讯的自然语言
23.1 短语结构语法
23.2 句法分析
23.3 扩展文法和语义解释
23.4 机器翻译
23.5 语音识别
23.6 本章小结
参考文献与历史注释
习题
第24章 感知
24.1 图像生成
24.2 图像预处理
24.3 基于外观的物体识别
24.4 重建三维世界
24.5 基于结构的物体识别
24.6 视觉应用
24.7 本章小结
参考文献与历史注释
习题
第25章 机器人学
25.1 引言
25.2 机器人硬件
25.3 机器人的感知
25.4 运动规划
25.5 规划不确定的运动
25.6 运动
25.7 机器人软件体系结构
25.8 应用领域
25.9 本章小结
参考文献与历史注释
习题
第Ⅶ部分 结 论
第26章 哲学基础
26.1 弱人工智能：机器能够智能地行动吗
26.2 强人工智能：机器真能思考吗
26.3 发展人工智能的道德规范与风险
26.4 本章小结
参考文献与历史注释
习题
第27章 人工智能：现状与未来
27.1 Agent的组成部分
27.2 Agent的体系结构
27.3 我们在沿着正确的方向前进吗
27.4 如果人工智能成功了会怎样
附录A数学背景
A.1 复杂度分析与O()符号
A.2 向量、矩阵和线性代数
A.3 概率分布
参考文献与历史注释
附录B关于语言和算法的注释
B.1 用巴科斯范式（BNF）定义语言
B.2 算法的伪代码描述
B.3 联机帮助
参考文献
插页页
附录页
封底页
