当前位置:主页 > 计算机电子书 > 人工智能 > 人工智能下载
人工智能:计算Agent基础

人工智能:计算Agent基础 PDF 高清版

  • 更新:2020-06-05
  • 大小:77.6 MB
  • 类别:人工智能
  • 作者:David、L.、Poole,、Alan
  • 出版:机械工业出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

《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。

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

资源下载

资源下载地址1:https://pan.baidu.com/s/13p0QJLlThpUIYrc-jwwjaw

相关资源

网友留言