人工智能

作為計算機科學的一個分支，人工智能主要研究、開發用於模擬、延伸和擴展人類智能的理論、方法、技術及應用系統，涉及機器人、語音識別、圖像識別、自然語言處理和專家系統等方向。

本書包括引言、基礎知識、基於知識的系統、高級專題以及現在和未來五部分內容。第一部分從人工智能的定義講起，就人工智能的早期歷史、思維和智能的內涵、圖靈測試、啓發法、新千年人工智能的發展進行了簡要論述。第二部分詳細講述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的邏輯、知識表示和產生式系統等基礎知識。第三部分介紹並探究了人工智能領域的成功案例，如DENDRAL、MYCIN、EMYCIN等經典的專家系統，振動故障診斷、自動牙科識別等新的專家系統，以及受到自然啓發的搜索等。第四部分介紹了自然語言處理和自動規劃等高級專題。第五部分對人工智能的歷史和現狀進行了梳理，回顧了幾十年來人工智能所取得的諸多成就，並對其未來進行了展望。

本書系統、全面地涵蓋了人工智能的相關知識，既簡明扼要地介紹了這一學科的基礎知識，也對自然語言處理、自動規劃、神經網絡等內容進行了拓展，更輔以實例，可以幫助讀者紮紮實實打好基礎。本書特色鮮明，內容易讀易學，適合人工智能相關領域和對該領域感興趣的讀者閲讀，也適合高校計算機專業的教師和學生參考。 ^[1] 

史蒂芬·盧奇(Stephen Lucci)

擁有紐約市立大學的博士學位，在紐約市立大學教授計算機科學課程。他曾在高性能計算領域發表了多篇論文，並且是NASA發起的MU-SPIN項目的學術帶頭人。MU-SPIN項目旨在為NASA培養下一代頂尖的科學家和工程師。

丹尼·科佩克(Danny Kopec)

擁有愛丁堡大學博士學位，在紐約市立大學布魯克斯學院和紐約市立大學研究生中心任教。他發表過多篇論文，並出版過幾本書，還是一位國際象棋大師。

林賜

軟件設計師、網絡工程師，碩士畢業於渥太華大學系統科學專業，現為貝爾實驗室(加拿大)人工智能研究員，已翻譯出版《Python神經網絡編程》等多本技術圖書。 ^[1] 

第一部分 引言

第1章 人工智能概述

1.0 引言

1.0.1 人工智能的定義

1.0.2 思維是什麼？智能是什麼？

1.1 圖靈測試

1.1.1 圖靈測試的定義

1.1.2 圖靈測試的爭議和批評

1.2 強人工智能與弱人工智能

1.3 啓發法

1.3.1 長方體的對角線：解決一個相對簡單但相關的問題

1.3.2 水壺問題：向後倒推

1.4 識別適用人工智能來求解的問題

1.5 應用和方法

1.5.1 搜索算法和拼圖

1.5.2 二人博弈

1.5.3 自動推理

1.5.4 產生式規則和專家系統

1.5.5 細胞自動化

1.5.6 神經計算

1.5.7 遺傳算法

1.5.8 知識表示

1.5.9 不確定性推理

1.6 人工智能的早期歷史

1.7 人工智能的近期歷史到現在

1.7.1 博弈

1.7.2 專家系統

1.7.3 神經計算

1.7.4 進化計算

1.7.5 自然語言處理

1.7.6 生物信息學

1.8 新千年人工智能的發展

1.9 本章小結

第二部分 基礎知識

第2章 盲目搜索

2.0 簡介：智能系統中的搜索

2.1 狀態空間圖

2.2 生成與測試範式

2.2.1 回溯

2.2.2 貪婪算法

2.2.3 旅行銷售員問題

2.3 盲目搜索算法

2.3.1 深度優先搜索

2.3.2 廣度優先搜索

2.4 盲目搜索算法的實現和比較

2.4.1 實現深度優先搜索

2.4.2 實現廣度優先搜索

2.4.3 問題求解性能的測量指標

2.4.4 DFS 和 BFS 的比較

2.4.5 本章小結

第3章 知情搜索

3.0 引言

3.1 啓發法

3.2 知情搜索(第一部分)——找到任何解

3.2.1 爬山法

3.2.2 最陡爬坡法

3.3 最佳優先搜索

3.4 集束搜索

3.5 搜索算法的其他指標

3.6 知情搜索(第二部分)——找到最佳解

3.6.1 分支定界法

3.6.2 使用低估值的分支定界法

3.6.3 採用動態規劃的分支定界法

3.6.4 A* 搜索

3.7 知情搜索(第三部分)——高級搜索算法

3.7.1 約束滿足搜索

3.7.2 與或樹

3.7.3 雙向搜索

3.8 本章小結

第4章 博弈中的搜索

4.0 引言

4.1 博弈樹和極小化極大評估

4.1.1 啓發式評估

4.1.2 博弈樹的極小化極大評估

4.2 具有α-β剪枝的極小化極大算法

4.3 極小化極大算法的變體和改進

4.3.1 負極大值算法

4.3.2 漸進深化法

4.3.3 啓發式續編和地平線效應

4.4 概率遊戲和預期極小化極大值算法

4.5 博弈理論

迭代的囚徒困境

4.6 本章小結

第5章 人工智能中的邏輯

5.0 引言

5.1 邏輯和表示

5.2 命題邏輯

5.2.1 命題邏輯——基礎

5.2.2 命題邏輯中的論證

5.2.3 證明命題邏輯論證有效的第二種方法

5.3 謂詞邏輯——簡要介紹

5.3.1 謂詞邏輯中的合一

5.3.2 謂詞邏輯中的反演

5.2.3 將謂詞表達式轉換為子句形式

5.4 其他一些邏輯

5.4.1 二階邏輯

5.4.2 非單調邏輯

5.4.3 模糊邏輯

5.4.4 模態邏輯

5.5 本章小結

第6章 知識表示

6.0 引言

6.1 圖形草圖和人類視窗

6.2 圖和哥尼斯堡橋問題

6.3 搜索樹

6.4 表示方法的選擇

6.5 產生式系統

6.6 面向對象

6.7 框架法

6.8 腳本和概念依賴系統

6.9 語義網絡

6.10 關聯

6.11 新近的方法

6.11.1 概念地圖

6.11.2 概念圖

6.11.3 Baecker 的工作

6.12 智能體：智能或其他

6.12.1 智能體的一些歷史

6.12.2 當代智能體

6.12.3 語義網

6.12.4 IBM 眼中的未來世界

6.12.5 作者的觀點

6.13 本章小結

第7章 產生式系統

7.0 引言

7.1 背景

7.2 基本示例

7.3 CARBUYER 系統

7.4 產生式系統和推導方法

7.4.1 衝突消解

7.4.2 正向鏈接

7.4.3 反向鏈接

7.5 產生式系統和細胞自動機

7.6 隨機過程與馬爾可夫鏈

7.7 本章小結

第三部分 基於知識的系統

第8章 人工智能中的不確定性

8.0 引言

8.1 模糊集

8.2 模糊邏輯

8.3 模糊推理

8.4 概率理論和不確定性

8.5 本章小結

第9章 專家系統

9.0 引言

9.1 背景

9.2 專家系統的特點

9.3 知識工程

9.4 知識獲取

9.5 經典的專家系統

9.5.1 DENDRAL

9.5.2 MYCIN

9.5.3 EMYCIN

9.5.4 PROSPECTOR

9.5.5 模糊知識和貝葉斯規則

9.6 提高效率的方法

9.6.1 守護規則

9.6.2 Rete 算法

9.7 基於案例的推理

9.8 更多最新的專家系統

9.8.1 改善就業匹配系統

9.8.2 振動故障診斷的專家系統

9.8.3 自動牙科識別

9.8.4 更多采用案例推理的專家系統

9.9 本章小結

第10章 機器學習第一部分

10.0 引言

10.1 機器學習：簡要概述

10.2 機器學習系統中反饋的作用

10.3 歸納學習

10.4 利用決策樹進行學習

10.5 適用於決策樹的問題

10.6 熵

10.7 使用 ID3 構建決策樹

10.8 其餘問題

10.9 本章小結

第11章 機器學習第二部分：神經網絡

11.0 引言

11.1 人工神經網絡的研究

11.2 麥卡洛克-皮茨網絡

11.3 感知器學習規則

11.4 增量規則

11.5 反向傳播

11.6 實現關注點

11.6.1 模式分析

11.6.2 訓練方法

11.7 離散型霍普菲爾德網絡

11.8 應用領域

11.9 本章小結

第12章 受到自然啓發的搜索

12.0 引言

12.1 模擬退火

12.2 遺傳算法

12.3 遺傳規則

12.4 禁忌搜索

12.5 螞蟻聚居地優化

12.6 本章小結

第四部分 高級專題

第13章 自然語言處理

13.0 引言

13.1 概述：語言的問題和可能性

13.2 自然語言處理的歷史

13.2.1 基礎期(20世紀40年代和50年代)

13.2.2 符號與隨機方法(1957—1970)

13.2.3 4種範式(1970—1983)

13.2.4 經驗主義和有限狀態模型(1983—1993)

13.2.5 大融合(1994—1999)

13.2.6 機器學習的興起(2000—2008)

13.3 句法和形式語法

13.3.1 語法類型

13.3.2 句法解析：CYK算法

13.4 語義分析和擴展語法

13.4.1 轉換語法

13.4.2 系統語法

13.4.3 格語法

13.4.4 語義語法

13.4.5 Schank 系統

13.5 NLP 中的統計方法

13.5.1 統計解析

13.5.2 機器翻譯(回顧)和 IBM 的 Candide 系統

13.5.3 詞義消歧

13.6 統計 NLP 的概率模型

13.6.1 隱馬爾可夫模型

13.6.2 維特比算法

13.7 統計 NLP 語言數據集

13.7.1 賓夕法尼亞州樹庫項目

13.7.2 WordNet

13.7.3 NLP 中的隱喻模型

13.8 應用：信息提取和問答系統

13.8.1 問答系統

13.8.2 信息提取

13.9 現在和未來的研究(基於 CHARNIAK 的工作)

13.10 語音理解

13.11 語音理解技術的應用

13.12 本章小結

第14章 自動規劃

14.0 引言

14.1 規劃問題

14.1.1 規劃術語

14.1.2 規劃應用示例

14.2 一段簡短的歷史和一個著名的問題

14.3 規劃方法

14.3.1 規劃即搜索

14.3.2 部分有序規劃

14.3.3 分級規劃

14.3.4 基於案例的規劃

14.3.5 規劃方法集錦

14.4 早期規劃系統

14.4.1 STRIPS

14.4.2 NOAH

14.4.3 NONLIN

14.5 更多現代規劃系統

14.5.1 O-PLAN

14.5.2 Graphplan

14.5.3 規劃系統集錦

14.5.4 學習系統的規劃方法

14.5.5 SCI Box 自動規劃器

14.6 本章小結

第五部分 現在和未來

第15章 機器人技術

15.0 引言

15.1 歷史：服務人類、仿效人類、增強人類和替代人類

15.1.1 早期機械機器人

15.1.2 電影與文學中的機器人

15.1.3 20世紀早期的機器人

15.2 技術問題

15.2.1 機器人的組件

15.2.2 運動

15.2.3 點機器人的路徑規劃

15.2.4 移動機器人運動學

15.3 應用：21世紀的機器人

15.4 本章小結

第16章 高級計算機博弈

16.0 引言

16.1 跳棋：從賽繆爾到舍弗爾

16.1.1 在跳棋博弈中用於機器學習的啓發式方法

16.1.2 填鴨式學習與概括

16.1.3 簽名表評估和棋譜學習

16.1.4 含有奇諾克程序的世界跳棋錦標賽

16.1.5 徹底解決跳棋遊戲

16.2 國際象棋：人工智能的“果蠅”

16.2.1 計算機國際象棋的歷史背景

16.2.2 編程方法

16.2.3 超越地平線效應

16.2.4 Deep Thought 和 Deep Blue 與特級大師的比賽(1988—1995年)

16.3 計算機國際象棋對人工智能的貢獻

16.3.1 在機器中的搜索

16.3.2 在搜索方面，人與機器的對比

16.3.3 啓發式、知識和問題求解

16.3.4 蠻力：知識 vs.搜索；表現 vs.能力

16.3.5 殘局數據庫和並行計算

16.3.6 本書作者的貢獻

16.4 其他博弈

16.4.1 奧賽羅

16.4.2 西洋雙陸棋

16.4.3 橋牌

16.4.4 撲克

16.5 圍棋：人工智能的“新果蠅”？

16.6 本章小結

第17章 大事記

17.0 引言

17.1 提綱挈領——概述

17.2 普羅米修斯歸來

17.3 提綱挈領——介紹人工智能的成果

17.4 IBM 的沃森-危險邊緣挑戰賽

17.5 21世紀的人工智能

17.6 本章小結

附錄A CLIPS示例：專家系統外殼

附錄B 用於隱馬爾可夫鏈的維特比算法的實現(由 Harun Iftikhar 提供)

附錄C 對計算機國際象棋的貢獻：令人驚歎的Walter Shawn Browne

附錄D 應用程序和數據

附錄E 部分練習的答案 ^[1]