内容介绍
作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。
本书包括引言、基础知识、基于知识的系统、高级专题以及现在和未来五部分内容。
第一部分从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、新千年人工智能的发展进行了简要论述。
第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。
第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，以及受到自然启发的搜索等。
第四部分介绍了自然语言处理和自动规划等*级专题。
第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。
本书系统、全面地涵盖了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书特色鲜明，内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。
作者简介
史蒂芬·卢奇，拥有纽约市立大学的博士学位，目前在纽约市立大学教授计算机科学课程。他曾在高性能计算领域发表了多篇论文，并且是NASA发起的MU-SPIN项目的学术带头人。MU-SPIN项目旨在为NASA培养下一代很好的科学家和工程师。
丹尼·科佩*，拥有爱丁堡大学博士学位，目前在纽约市立大学布鲁*林学院和纽约市立大学研究生中心任教。他发表过多篇论文，并出版过几本书，还是一位靠前象棋大师。
林赐，软件设计师、网络工程师，毕业于渥太华大学系统科学硕士专业，已翻译出版《Python神经网络编程》等多本技术图书。
目录
- 第一部分 引 言
- 第 1章 人工智能概述 2
- 1.0 引言 2
- 1.0.1 人工智能的定义 3
- 1.0.2 思维是什么？智能是什么？ 3
- 1.1 图灵测试 5
- 1.1.1 图灵测试的定义 6
- 1.1.2 图灵测试的争议和批评 8
- 1.2 强人工智能与弱人工智能 9
- 1.3 启发法 11
- 1.3.1 长方体的对角线：解决一个相对简单但相关的
- 问题 11
- 1.3.2 水壶问题：向后倒推 12
- 1.4 识别适用人工智能来求解的问题 13
- 1.5 应用和方法 15
- 1.5.1 搜索算法和拼图 16
- 1.5.2 二人博弈 18
- 1.5.3 自动推理 18
- 1.5.4 产生式规则和专家系统 19
- 1.5.5 细胞自动机 20
- 1.5.6 神经计算 21
- 1.5.7 遗传算法 23
- 1.5.8 知识表示 23
- 1.5.9 不确定性推理 24
- 1.6 人工智能的早期历史 25
- 1.7 人工智能的近期历史到现在 29
- 1.7.1 博弈 29
- 1.7.2 专家系统 30
- 1.7.3 神经计算 31
- 1.7.4 进化计算 31
- 1.7.5 自然语言处理 32
- 1.7.6 生物信息学 34
- 1.8 新千年人工智能的发展 34
- 1.9 本章小结 36
- 第二部分 基 础 知 识
- 第 2章 盲目搜索 46
- 2.0 简介：智能系统中的搜索 46
- 2.1 状态空间图 47
- 2.2 生成与测试范式 49
- 2.2.1 回溯 50
- 2.2.2 贪婪算法 54
- 2.2.3 旅行销售员问题 56
- 2.3 盲目搜索算法 58
- 2.3.1 深度优先搜索 58
- 2.3.2 广度优先搜索 60
- 2.4 盲目搜索算法的实现和比较 63
- 2.4.1 实现深度优先搜索 63
- 2.4.2 实现广度优先搜索 65
- 2.4.3 问题求解性能的测量指标 65
- 2.4.4 DFS和BFS的比较 66
- 2.5 本章小结 68
- 第3章 知情搜索 74
- 3.0 引言 74
- 3.1 启发法 76
- 3.2 知情搜索（*一部分）——找到任何解 81
- 3.2.1 爬山法 81
- 3.2.2 *陡爬坡法 82
- 3.3 *佳优先搜索 84
- 3.4 集束搜索 87
- 3.5 搜索算法的其他指标 89
- 3.6 知情搜索（*二部分）——找到*佳解 90
- 3.6.1 分支定界法 90
- 3.6.2 使用低估值的分支定界法 95
- 3.6.3 采用动态规划的分支定界法 98
- 3.6.4 A *搜索 99
- 3.7 知情搜索（第三部分）—*级搜索算法 100
- 3.7.1 约束满足搜索 100
- 3.7.2 与或树 101
- 3.7.3 双向搜索 102
- 3.8 本章小结 104
- 第4章 博弈中的搜索 109
- 4.0 引言 109
- 4.1 博弈树和极小化极大评估 110
- 4.1.1 启发式评估 112
- 4.1.2 博弈树的极小化极大评估 112
- 4.2 具有α- 剪枝的极小化极大算法 115
- 4.3 极小化极大算法的变体和改进 120
- 4.3.1 负极大值算法 120
- 4.3.2 渐进深化法 122
- 4.3.3 启发式续篇和地平线效应 122
- 4.4 概率游戏和预期极小化极大值算法 123
- 4.5 博弈理论 125
- 迭代的囚徒困境 126
- 4.6 本章小结 127
- 第5章 人工智能中的逻辑 133
- 5.0 引言 133
- 5.1 逻辑和表示 134
- 5.2 命题逻辑 135
- 5.2.1 命题逻辑—基础 136
- 5.2.2 命题逻辑中的论证 140
- 5.2.3 证明命题逻辑论证有效的*二种方法 141
- 5.3 谓词逻辑——简要介绍 143
- 5.3.1 谓词逻辑中的合一 144
- 5.3.2 谓词逻辑中的反演 146
- 5.3.3 将谓词表达式转换为子句形式 148
- 5.4 其他一些逻辑 151
- 5.4.1 二阶逻辑 151
- 5.4.2 非单调逻辑 152
- 5.4.3 模糊逻辑 152
- 5.4.4 模态逻辑 153
- 5.5 本章小结 153
- 第6章 知识表示 160
- 6.0 引言 160
- 6.1 图形草图和人类视窗 163
- 6.2 图和哥尼斯堡桥问题 166
- 6.3 搜索树 167
- 6.4 表示方法的选择 169
- 6.5 产生式系统 172
- 6.6 面向对象 172
- 6.7 框架法 173
- 6.8 脚本和概念依赖系统 176
- 6.9 语义网络 179
- 6.10 关联 181
- 6.11 新近的方法 182
- 6.11.1 概念地图 182
- 6.11.2 概念图 184
- 6.11.3 Baecker的工作 184
- 6.12 智能体：智能或其他 185
- 6.12.1 智能体的一些历史 188
- 6.12.2 当代智能体 189
- 6.12.3 语义网 191
- 6.12.4 IBM眼中的未来世界 191
- 6.12.5 作者的观点 192
- 6.13 本章小结 192
- 第7章 产生式系统 199
- 7.0 引言 199
- 7.1 背景 199
- 7.2 基本示例 202
- 7.3 CARBUYER系统 204
- 7.4 产生式系统和推导方法 208
- 7.4.1 冲突消解 211
- 7.4.2 正向链接 213
- 7.4.3 反向链接 214
- 7.5 产生式系统和细胞自动机 219
- 7.6 随机过程与马尔可夫链 221
- 7.7 本章小结 222
- 第三部分 基于知识的系统
- 第8章 人工智能中的不确定性 228
- 8.0 引言 228
- 8.1 模糊集 229
- 8.2 模糊逻辑 231
- 8.3 模糊推理 232
- 8.4 概率理论和不确定性 235
- 8.5 本章小结 239
- 第9章 专家系统 242
- 9.0 引言 242
- 9.1 背景 242
- 9.2 专家系统的特点 249
- 9.3 知识工程 250
- 9.4 知识获取 252
- 9.5 经典的专家系统 254
- 9.5.1 DENDRAL 254
- 9.5.2 MYCIN 255
- 9.5.3 EMYCIN 258
- 9.5.4 PROSPECTOR 259
- 9.5.5 模糊知识和贝叶斯规则 261
- 9.6 提高效率的方法 262
- 9.6.1 守护规则 262
- 9.6.2 Rete算法 263
- 9.7 基于案例的推理 264
- 9.8 更多*新的专家系统 269
- 9.8.1 改善就业匹配系统 269
- 9.8.2 振动故障诊断的专家系统 270
- 9.8.3 自动牙科识别 270
- 9.8.4 更多采用案例推理的专家系统 271
- 9.9 本章小结 271
- 第 10章 机器学习*一部分 277
- 10.0 引言 277
- 10.1 机器学习：简要概述 277
- 10.2 机器学习系统中反馈的作用 279
- 10.3 归纳学习 280
- 10.4 利用决策树进行学习 282
- 10.5 适用于决策树的问题 283
- 10.6 熵 284
- 10.7 使用ID3构建决策树 285
- 10.8 其余问题 287
- 10.9 本章小结 288
- 第 11章 机器学习*二部分：神经网络 291
- 11.0 引言 291
- 11.1 人工神经网络的研究 292
- 11.2 麦卡洛克-皮茨网络 294
- 11.3 感知器学习规则 295
- 11.4 增量规则 303
- 11.5 反向传播 308
- 11.6 实现关注点 313
- 11.6.1 模式分析 316
- 11.6.2 训练方法 317
- 11.7 离散型霍普菲尔德网络 318
- 11.8 应用领域 323
- 11.9 本章小结 330
- 第 12章 受到自然启发的搜索 337
- 12.0 引言 337
- 12.1 模拟退火 338
- 12.2 遗传算法 341
- 12.3 遗传规划 349
- 12.4 禁忌搜索 353
- 12.5 蚂蚁聚居地优化 356
- 12.6 本章小结 359
- 第四部分 高 级 专 题
- 第 13章 自然语言处理 368
- 13.0 引言 368
- 13.1 概述：语言的问题和可能性 368
- 13.2 自然语言处理的历史 371
- 13.2.1 基础期（20世纪40年代和50年代） 371
- 13.2.2 符号与随机方法（1957—1970） 372
- 13.2.3 ４种范式（1970—1983） 372
- 13.2.4 经验主义和有限状态模型（1983—1993） 373
- 13.2.5 大融合（1994—1999） 373
- 13.2.6 机器学习的兴起（2000—2008） 374
- 13.3 句法和形式语法 374
- 13.3.1 语法类型 374
- 13.3.2 句法解析：CYK算法 379
- 13.4 语义分析和扩展语法 380
- 13.4.1 转换语法 381
- 13.4.2 系统语法 381
- 13.4.3 格语法 382
- 13.4.4 语义语法 383
- 13.4.5 Schank系统 383
- 13.5 NLP中的统计方法 387
- 13.5.1 统计解析 387
- 13.5.2 机器翻译（回顾）和IBM的Candide系统 388
- 13.5.3 词义消歧 389
- 13.6 统计NLP的概率模型 390
- 13.6.1 隐马尔可夫模型 390
- 13.6.2 维特比算法 391
- 13.7 统计NLP语言数据集 392
- 13.7.1 宾夕法尼亚州树库项目 392
- 13.7.2 WordNet 394
- 13.7.3 NLP中的隐喻模型 394
- 13.8 应用：信息提取和问答系统 396
- 13.8.1 问答系统 396
- 13.8.2 信息提取 401
- 13.9 现在和未来的研究（基于CHARNIAK的工作） 401
- 13.10 语音理解 402
- 13.11 语音理解技术的应用 405
- 13.12 本章小结 410
- 第 14章 自动规划 417
- 14.0 引言 417
- 14.1 规划问题 418
- 14.1.1 规划术语 418
- 14.1.2 规划应用示例 419
- 14.2 一段简短的历史和一个**名的问题 424
- 14.3 规划方法 426
- 14.3.1 规划即搜索 426
- 14.3.2 部分有序规划 430
- 14.3.3 分级规划 432
- 14.3.4 基于案例的规划 433
- 14.3.5 规划方法集锦 434
- 14.4 早期规划系统 435
- 14.4.1 STRIPS 435
- 14.4.2 NOAH 436
- 14.4.3 NONLIN 436
- 14.5 更多现代规划系统 437
- 14.5.1 O-PLAN 438
- 14.5.2 Graphplan 439
- 14.5.3 规划系统集锦 441
- 14.5.4 学习系统的规划方法 441
- 14.5.5 SCI Box自动规划器 442
- 14.6 本章小结 444
- 第五部分 现在和未来
- 第 15章 机器人技术 452
- 15.0 引言 452
- 15.1 历史：服务人类、仿效人类、增强人类和替代人类 455
- 15.1.1 早期机械机器人 455
- 15.1.2 电影与文学中的机器人 458
- 15.1.3 20世纪早期的机器人 458
- 15.2 技术问题 464
- 15.2.1 机器人的组件 464
- 15.2.2 运动 467
- 15.2.3 点机器人的路径规划 468
- 15.2.4 移动机器人运动学 469
- 15.3 应用：21世纪的机器人 471
- 15.4 本章小结 479
- 第 16章 *级计算机博弈 482
- 16.0 引言 482
- 16.1 跳棋：从塞缪尔到舍弗尔 483
- 16.1.1 在跳棋博弈中用于机器学习的启发式方法 486
- 16.1.2 填鸭式学习与概括 488
- 16.1.3 签名表评估和棋谱学习 489
- 16.1.4 含有奇诺克程序的世界跳棋锦标赛 490
- 16.1.5 彻底解决跳棋游戏 491
- 16.2 国际象棋：人工智能的“果蝇” 494
- 16.2.1 计算机国际象棋的历史背景 495
- 16.2.2 编程方法 496
- 16.2.3 *越地平线效应 505
- 16.2.4 Deep Thought和Deep Blue与特级大师的比赛（1988—1995年） 505
- 16.3 计算机国际象棋对人工智能的贡献 507
- 16.3.1 在机器中的搜索 507
- 16.3.2 在搜索方面，人与机器的对比 508
- 16.3.3 启发式、知识和问题求解 509
- 16.3.4 蛮力：知识vs.搜索；表现vs.能力 510
- 16.3.5 残局数据库和并行计算 511
- 16.3.6 本书*一作者的贡献 514
- 16.4 其他博弈 514
- 16.4.1 奥赛罗 515
- 16.4.2 西洋双陆棋 516
- 16.4.3 桥牌 518
- 16.4.4 扑克 519
- 16.5 围棋：人工智能的“新果蝇”？ 520
- 16.6 本章小结 523
- 第 17章 大事记 532
- 17.0 引言 532
- 17.1 提纲挈领——概述 532
- 17.2 普罗米修斯归来 534
- 17.3 提纲挈领——介绍人工智能的成果 535
- 17.4 IBM的沃森-危险边缘挑战赛 539
- 17.5 21世纪的人工智能 543
- 17.6 本章小结 545
- 附录A CLIPS示例：专家系统外壳 548
- 附录B 用于隐马尔可夫链的维特比算法的实现（由Harun Iftikhar提供） 552
- 附录C 对计算机国际象棋的贡献：令人惊叹的Walter Shawn Browne 555
- 附录D 应用程序和数据 559
- 附录E 部分练习的答案 560
