具体描述
《人工智能》从一个新颖的角度对人工智能各方面的问题进行了探讨。由浅入深地介绍了整个人工智能系统和agent的发展历程。首先，描述了仅能对周围环境中可感知特征做出反应的原始agent，以及它们所涉及的机器视觉、机器学习和机器进化等问题；然后，逐步介绍了agent可以从无法立即感知的任务环境中获取信息的技术。《人工智能》不仅是对人工智能技术的介绍，而且能为人工智能的研究提供参考和建议。《人工智能》作为人工智能的入门教材，适合所有对人工智能这门学科感兴趣的读者参考，尤其适合大专院校的计算机专业及相关专业的学生用做教材或教学参考书。
作者简介
目录信息
前言
第1章 绪论 1
1.1 什么是人工智能 1
1.2 人工智能的研究方法 4
1.3 人工智能简史 5
1.4 《人工智能》规划 7
1.5 补充读物和讨论 9
第一部分 响应机器
第2章 刺激响应agent 13
2.1 感知和动作 13
2.1.1 感知 15
2.1.2 动作 15
2.1.3 布尔代数 16
2.1.4 布尔函数的类别和形式 16
2.2 动作函数的表达和执行 17
2.2.1 产生式系统 17
2.2.2 网络 18
2.2.3 包含体系结构 20
2.3 补充读物和讨论 21
第3章 神经网络 23
3.1 引言 23
3.2 训练单个TLU 23
3.2.1 TLU几何学 23
3.2.2 扩充向量 24
3.2.3 梯度下降方法 24
3.2.4 Widrow-Hoff程序 25
3.2.5 一般化Delta程序 26
3.2.6 纠错程序 27
3.3 神经网络 28
3.3.1 动机 28
3.3.2 表示符号 28
3.3.3 反向传播方法 29
3.3.4 计算最后一层的权值变化 30
3.3.5 计算中间层的权值变化 30
3.4 一般化、准确度和过度拟合 32
3.5 补充读物和讨论 34
第4章 机器进化 37
4.1 进化计算 37
4.2 遗传编程 37
4.2.1 遗传编程的程序表示 37
4.2.2 遗传编程过程 39
4.2.3 进化一个沿墙运动的机器人 40
4.3 补充读物和讨论 43
第5章 状态机 45
5.1 用特征向量来表示环境 45
5.2 Elman网络 46
5.3 图标表示 47
5.4 黑板系统 49
5.5 补充读物和讨论 50
第6章 机器人视觉 53
6.1 引言 53
6.2 操纵一辆汽车 54
6.3 机器人视觉的两个阶段 55
6.4 图象处理 56
6.4.1 平均法 56
6.4.2 边缘增强 58
6.4.3 边缘增强与平均法的结合 59
6.4.4 区域查找 61
6.4.5 运用亮度以外的其他图象的属性 62
6.5 场景分析 63
6.5.1 解释图象中的线条和曲线 63
6.5.2 基于模型的视觉 65
6.6 立体视觉和深度信息 66
6.7 补充读物和讨论 67
第二部分 状态空间搜索
第7章 能计划的agent 71
7.1 存储与计算 71
7.2 状态空间图 72
7.3 显式状态空间搜索 74
7.4 基于特征的状态空间 74
7.5 图记号 75
7.6 补充读物和讨论 76
第8章 盲目搜索 78
8.1 用公式表示状态空间 78
8.2 隐式状态空间图的组成 78
8.3 广度优先搜索 79
8.4 深度优先或回溯搜索 80
8.5 迭代加深 81
8.6 补充读物和讨论 82
第9章 启发式搜索 84
9.1 使用评估函数 84
9.2 一个通用的图搜索算法 85
9.2.1 算法A* 86
9.2.2 A*的可接纳性 88
9.2.3 一致性（或单调）条件 91
9.2.4 迭代加深的A* 92
9.2.5 递归最优搜索 93
9.3 启发式函数和搜索效率 94
9.4 补充读物和讨论 97
第10章 计划、动作和学习 99
10.1 感知/计划/动作循环 99
10.2 逼近搜索 100
10.2.1 孤岛驱动搜索 100
10.2.2 层次搜索 101
10.2.3 有限范围搜索 102
10.2.4 循环 103
10.2.5 建立反应过程 104
10.3 学习启发式函数 105
10.3.1 显式图 105
10.3.2 隐式图 106
10.4 奖赏代替目标 107
10.5 补充读物和讨论 108
第11章 其他搜索公式及其应用 111
11.1 赋值问题 111
11.2 构造性方法 112
11.3 启发式修补 114
11.4 函数优化 115
第12章 敌对搜索 118
12.1 双agent博弈 118
12.2 最小最大化过程 119
12.3 a -b 过程 122
12.4 a -b 过程的搜索效率 125
12.5 其他重要问题 125
12.6 概率博弈 126
12.7 学习评估函数 127
12.8 补充读物和讨论 128
第三部分 知识的表示和推理
第13章 命题演算 131
13.1 对特征值加以约束 131
13.2 语言 132
13.3 推理规则 133
13.4 验证定义 133
13.5 语义 134
13.5.1 解释 134
13.5.2 命题真值表 134
13.5.3 可满足性与模型 135
13.5.4 永真性 136
13.5.5 等价 136
13.5.6 涵蕴 136
13.6 合理性和完备性 137
13.7 命题可满足性问题 137
13.8 另一些重要的问题 138
13.8.1 语言差异 138
13.8.2 元定理 138
13.8.3 结合律 139
13.8.4 分配律 139
第14章 命题演算中的归结 140
14.1 一种新的推理规则：归结 140
14.1.1 作为合式公式的子句 140
14.1.2 子句上的归结 140
14.1.3 归结的合理性 141
14.2 转换任意的合式公式为子句的合取式 141
14.3 归结反驳 142
14.4 归结反驳搜索策略 142
14.4.1 排序策略 143
14.4.2 精确策略 143
14.5 Horn 子句 144
第15章 谓词演算 146
15.1 动机 146
15.2 谓词演算语言和它的句法 146
15.3 语义 147
15.3.1 世界 147
15.3.2 解释 147
15.3.3 模型及其相关的概念 148
15.3.4 知识 149
15.4 量化 150
15.5 量词语义学 150
15.5.1 全称量词 150
15.5.2 存在量词 151
15.5.3 有用的等价式 151
15.5.4 推理规则 151
15.6 谓词演算作为一种表示知识的语言 151
15.6.1 概念化 151
15.6.2 举例 152
15.7 补充读物和讨论 153
第16章 谓词演算中的归结 155
16.1 合一 155
16.2 谓词演算归结 157
16.3 完备性和合理性 158
16.4 把任意的合式公式转化为子句形式 158
16.5 用归结证明定理 160
16.6 回答提取 161
16.7 等式谓词 161
16.8 补充读物和讨论 163
第17章 基于知识的系统 166
17.1 面对现实世界 166
17.2 用Horn子句进行推理 166
17.3 动态知识库的维持 170
17.4 基于规则的专家系统 173
17.5 规则学习 176
17.5.1 学习命题演算规则 177
17.5.2 学习一阶逻辑规则 180
17.5.3 基于解释的一般化 183
17.6 补充读物和讨论 184
第18章 表示常识知识 187
18.1 常识世界 187
18.1.1 什么是常识知识 187
18.1.2 表示常识知识的困难 188
18.1.3 常识知识的重要性 189
18.1.4 研究领域 189
18.2 时间 190
18.3 用网络表示知识 191
18.3.1 分类的知识 191
18.3.2 语义网络 192
18.3.3 语义网络的非单调推理 193
18.3.4 框架 194
18.4 补充读物和讨论 194
第19章 用不确定信息进行推理 197
19.1 概率论简介 197
19.1.1 基本思想 197
19.1.2 条件概率 199
19.2 概率推理 201
19.2.1 一个一般的方法 201
19.2.2 条件独立 202
19.3 贝叶斯网 203
19.4 贝叶斯网的推理模式 204
19.5 不确定证据 205
19.6 D 分离 205
19.7 在polytree中的概率推理 206
19.7.1 证据在上方 207
19.7.2 证据在下方 208
19.7.3 证据在上下两方 209
19.7.4 一个数值例子 210
19.8 补充读物和讨论 211
第20章 用贝叶斯网学习和动作 214
20.1 学习贝叶斯网 214
20.1.1 已知网络结构 214
20.1.2 学习网络结构 216
20.2 概率推理与动作 219
20.2.1 一般设置 219
20.2.2 一个扩展的例子 220
20.2.3 一般化举例 222
20.3 补充读物和讨论 223
第四部分 基于逻辑的规划方法
第21章 状态演算 227
21.1 状态和动作推理 227
21.2 存在的一些困难 229
21.2.1 框架公理 229
21.2.2 条件 230
21.2.3 分枝 230
21.3 生成计划 231
21.4 补充读物和讨论 231
第22章 规划 234
22.1 STRIPS规划系统 234
22.1.1 描述状态和目标 234
22.1.2 向前搜索方法 235
22.1.3 递归STRIPS 236
22.1.4 带有运行时条件的计划 238
22.1.5 Sussman异常 238
22.1.6 向后搜索方法 239
22.2 计划空间和部分有序规划 242
22.3 层次规划 246
22.3.1 ABSTRIPS 246
22.3.2 层次规划和部分有序规划的组合 248
22.4 学习计划 248
22.5 补充读物和讨论 250
第五部分 通信与集成
第23章 多agent 255
23.1 交互agent 255
23.2 其他agent模型 255
23.2.1 模型种类 255
23.2.2 模拟策略 256
23.2.3 模拟数据库 257
23.2.4 有意思维方式 257
23.3 知识模式逻辑 258
23.3.1 模式算子 258
23.3.2 知识公理 259
23.3.3 关于其他agent知识的推理 260
23.3.4 预测其他agent的动作 261
23.4 补充读物和讨论 261
第24章 agent之间的通信 263
24.1 交谈 263
24.1.1 计划交谈 264
24.1.2 实现交谈 264
24.2 理解语言字符串 265
24.2.1 短语结构语法 265
24.2.2 语义分析 267
24.2.3 扩展语法 271
24.3 有效通信 272
24.3.1 上下文的使用 272
24.3.2 使用知识解决歧义性 273
24.4 自然语言处理 274
24.5 补充读物和讨论 275
第25章 agent体系结构 277
25.1 三级体系结构 277
25.2 目标仲裁 278
25.3 三层塔式结构 279
25.4 自举 280
25.5 补充读物和讨论 280
参考文献 282
· · · · · · (收起)
读后感
用户评价
我在这本书中找到了我一直渴望的那种“顿悟”时刻。很多之前我一直困惑的概念，在这本书里得到了清晰的解答。作者不仅仅是陈述事实，更重要的是，他能够引导我去思考，去理解“为什么”。例如，在探讨数据在人工智能中的作用时，作者不仅仅说明数据的重要性，更阐述了不同类型的数据如何影响模型的训练过程，以及数据质量和多样性如何决定了AI的最终表现。这种对“因果关系”的深入挖掘，让我从一个被动的接受者，转变为一个主动的思考者。这本书的逻辑线非常清晰，从基础概念到复杂应用，再到未来展望，每一步都衔接得恰到好处。我尤其欣赏作者在处理一些争议性话题时的审慎和客观。他并没有回避人工智能可能带来的负面影响，而是以一种理性、平和的态度，分析了这些挑战，并提出了建设性的解决方案。这让我对人工智能的理解更加全面和辩证，也让我对未来的科技发展充满了信心，同时保持着一份清醒的认识。
这本书的封面设计就足够吸引我了，那种深邃的蓝色背景，仿佛星空般浩瀚，上面跃动着由无数代码线条勾勒出的抽象大脑轮廓，光影交错间，透露出一种神秘而引人入胜的科技感。我是一个对未来充满好奇的人，尤其对人工智能这个概念一直怀有极大的兴趣，但同时，我也明白，这并非一个可以用简单的几句话就能概括的领域。它涉及的知识面极广，从基础的数学、统计学，到复杂的算法、深度学习，再到伦理、哲学层面的探讨，无一不让人感到敬畏。当我看到这本书的名字时，我的第一反应就是，这或许是一扇能够引领我深入探索这个迷人世界的窗口。我曾尝试过阅读一些关于人工智能的科普文章，虽然它们提供了基础的概念，但往往缺乏系统性和深度，更像是碎片化的信息堆叠。我更渴望的是一种能够将零散的知识点串联起来，构建一个完整认知框架的读物。我希望这本书能够不仅仅是罗列技术名词，更能讲解它们背后的原理，以及这些原理是如何一步步演化至今的。同时，我也希望它能触及人工智能的实际应用，那些我们生活中已经悄然改变，或者即将改变我们生活的方方面面，比如智能家居、自动驾驶、医疗诊断等等。我期待这本书能够以一种清晰、易懂的方式，将那些看似高深的理论转化为触手可及的理解，让我能够真正领略到人工智能的魅力与力量。
在我阅读这本书的过程中，我体验到了一种持续不断的“惊喜感”。作者的写作方式非常灵活多样，他能够根据不同的主题，采用最恰当的表达方式。有时，他会像一位严谨的学者，用精确的语言阐述复杂的理论；有时，他又像一位富有激情的科普作家，用生动的比喻和幽默的语言，将抽象的概念变得鲜活有趣。这种多变的风格，让我始终保持着阅读的兴趣，丝毫不会感到疲倦。尤其让我感到惊喜的是，书中对某些前沿技术的介绍，比如生成式AI和具身智能，并没有停留在概念层面，而是深入探讨了它们的技术原理和潜在应用。它让我得以窥见人工智能的未来发展方向，并且对这些新兴领域产生了浓厚的兴趣。这本书不仅仅是知识的传递，更是一种思维的启发，它让我开始思考，人工智能将如何重塑我们的工作、生活，甚至是我们对“智能”本身的定义。
这本书的结构安排给了我极大的惊喜，它不是那种一味堆砌知识点的“硬汉”风格，而是循序渐进，层层递进，如同攀登一座知识的高峰。作者似乎非常理解读者的心理，总是能在最关键的地方提供最恰当的解释，让我始终保持着学习的热情和动力。尤其令我印象深刻的是，书中穿插了许多生动有趣的案例研究，这些案例并非枯燥的学术论文摘录，而是真实发生在我们身边的，或者具有前瞻性的应用场景。通过这些案例，我能够更直观地感受到人工智能是如何解决实际问题，如何提升效率，甚至是如何创造全新的可能。例如，它对某个自然语言处理技术的分析，通过一个具体的对话系统应用来呈现，让我不仅理解了技术的核心，更能体会到它带来的便利。此外，书中对一些伦理和社会问题的探讨，也让我受益匪浅。人工智能的发展并非一帆风顺，它也伴随着挑战和争议。作者能够以一种客观、理性的态度，呈现这些复杂的问题，并引导读者进行深入的思考，这对于一个希望全面了解人工智能的人来说，无疑是非常宝贵的。它让我明白，技术的发展必须与人文关怀和社会责任并行，才能真正实现可持续的进步。
这本书给我最深刻的感受是，它让我看到了人工智能是如何从一个抽象的概念，逐渐转化为改变我们现实生活的具体力量。作者在书中大量的篇幅，都用来展示人工智能在不同行业的实际应用，这些应用场景之广泛，之深入，让我感到由衷的惊叹。从医疗影像的辅助诊断，到金融市场的风险预测，再到智能交通的优化调度，人工智能的身影无处不在。我特别欣赏书中对一个具体案例的详细剖析，比如某个大型电商平台是如何利用推荐算法来提升用户体验和销售额的。通过对这个案例的深入解读，我不仅理解了推荐算法的工作原理，更看到了人工智能是如何为商业模式带来颠覆性的变革。这本书让我明白，人工智能并非只是实验室里的理论，而是已经实实在在地影响着我们的经济、生活乃至社会结构。它让我对未来的科技发展充满期待，也让我更加渴望去学习和掌握这项强大的技术。
我必须承认，在翻开这本书之前，我对人工智能的理解还停留在一些科幻电影的片段中，总觉得它离我们现实生活很遥远，或者充斥着一些不确定的恐惧。然而，这本书的文字却以一种我从未预料到的亲切和细腻，逐渐剥开了人工智能的神秘面纱。它并没有一开始就抛出晦涩难懂的数学公式或者复杂的算法模型，而是从人工智能的起源和发展历史娓娓道来，仿佛一位经验丰富的向导，耐心地引导我一步步走进这个全新的领域。我特别欣赏作者对于概念的解释，那些曾经让我望而却步的术语，在作者的笔下变得生动而形象。例如，它用非常贴切的比喻来形容神经网络的运作方式，让我能够从中感受到那种模拟人类大脑学习过程的精妙。读到这里，我脑海中那些模糊的画面开始变得清晰，我开始理解，人工智能并非是某种神秘的力量，而是人类智慧与工程技术的结晶。更让我惊喜的是，这本书不仅仅关注理论，还深入探讨了人工智能在各个领域的应用，从医疗、金融到教育、艺术，它展现了人工智能如何渗透到我们生活的方方面面，并且正在以前所未有的速度改变着世界。这让我重新审视了人工智能的价值和意义，不再仅仅是技术的革新，更是一种社会进步的驱动力。
毫无疑问，这本书为我打开了一扇通往人工智能世界的大门，而更重要的是，它为我提供了继续探索的“钥匙”。作者在书中并没有试图将所有知识点都塞给读者，而是巧妙地为我们指明了学习的方向和路径。在每一章的结尾，他都会推荐相关的延伸阅读材料，或者提出一些值得进一步思考的问题，这让我能够根据自己的兴趣和理解程度，进行更深入的学习。此外，书中还提供了一些实践性的建议，比如如何开始学习编程，或者如何利用开源工具来实践AI模型。这些实用的指导，让我感觉自己不再是孤立的学习者，而是拥有了前进的动力和方法。这本书不仅仅教会了我“是什么”，更教会了我“怎么学”，以及“学了之后该做什么”。它让我意识到，人工智能的学习是一个持续不断的过程，而这本书，就是我开启这个精彩旅程的绝佳起点。
我发现这本书在语言的运用上，也下足了功夫。它并没有采用那种一本正经、枯燥乏味的学术语言，而是充满了活力和温度，读起来就像是在和一位博学的朋友交流。作者善于运用通俗易懂的类比和生动的比喻，将那些抽象的概念具象化，让我在阅读的过程中，丝毫不会感到枯燥乏味。例如，当解释机器学习中的“过拟合”现象时，作者就用了一个非常形象的例子，让我瞬间就理解了其中的含义，并且能够融会贯通。更重要的是，这本书并非只是停留在表面，它在深入浅出的同时，也保留了知识的严谨性。作者在每一个关键的节点，都会适当地引用相关的研究成果和理论依据，这让我在享受阅读乐趣的同时，也能感受到知识的深度和专业性。这种“接地气”又不失“有深度”的写作风格，是许多科技类书籍所缺乏的。它让我相信，即便没有深厚的理工科背景，普通读者也能够凭借这本书，搭建起对人工智能的基本认知框架。
这本书的深度和广度都让我感到非常震撼。它并没有局限于某个特定的人工智能分支，而是提供了一个宏观的视角，让我能够一窥整个AI领域的全貌。从最基础的算法原理，到复杂的模型构建，再到前沿的研究动态，这本书都进行了系统性的梳理和介绍。我特别喜欢书中对机器学习算法的讲解，它不仅罗列了各种算法的名称，更深入地剖析了它们的设计思想、工作机制以及优缺点。通过对这些算法的理解，我开始逐渐领悟到人工智能为何能够实现如此强大的能力。书中对深度学习的介绍也尤为精彩，它用清晰的逻辑和丰富的图示，揭示了神经网络的层层递进，以及它们是如何通过海量数据进行训练和优化的。读到这里，我仿佛看到了一幅幅人工智能学习和进化的生动画面。此外，这本书还触及了强化学习、迁移学习等更高级的概念，让我看到了人工智能发展的无限可能性。它不仅仅是一本书，更像是一张引人入胜的AI地图，让我得以规划自己的探索路径。
我从这本书中获得的，不仅仅是知识，更是一种全新的思维方式。它让我开始以一种更具逻辑性和分析性的视角来看待身边的世界。作者在书中提出的很多观点，都非常有启发性，让我能够跳出传统的思维定式，去发现事物背后隐藏的规律。例如，当书中讨论到“决策树”算法时，它不仅仅解释了算法的构成，更让我思考，在日常生活中，我们其实也在不自觉地运用类似的决策过程。这种将抽象理论与生活经验相结合的讲解方式，让学习变得更加有趣和深刻。另外，书中对人工智能伦理问题的探讨，也深深触动了我。它让我意识到，科技的发展并非只是工程师的专利，更需要社会各界的共同参与和思考。作者对于“AI偏见”、“算法歧视”等问题的分析，让我对科技的社会责任有了更深刻的理解。它提醒我们，在追求技术进步的同时，更要关注人文关怀，确保科技的发展能够惠及每一个人。
上课用书，比较简略，单看书基本写不出来实验
我居然会把课本都这么无聊地搬上来了，唉～～
简单的入门。不过内容齐全～ 作者牛啊～
没有看懂，也没有读完，个人功力不够
人工智能的经典教材！
