人工智能：计算Agent基础

基本信息

• 商品名称：人工智能：计算Agent基础（原书第2版）
• 作者：[加] 大卫·L. 普尔（David L. Poole） 阿兰·K. 麦克沃斯（Al|译者:黄智濒
• 定价：149
• 出版社：机械工业
• 书号：9787111684350

其他参考信息（以实物为准）

• 出版时间：2021-06-01
• 印刷时间：2021-06-01
• 版次：1
• 印次：1
• 开本：16开
• 包装：平装
• 页数：499

内容提要

本书是人工智能领域的经典书籍，新版做了全面修订，增加了关于机器学习的内容，并 新了代码示例和练习。本书主要讨论智能体（agent）的基本概念和体系结构，从计算的角度介绍相关的规划、学习、推理、协商、交互机制等理论，基于自主送货机器人、诊断助手、智能辅导系统和交易智能体四个原型应用，在一个连贯的框架下研究智能体的设计、构建和实现，并从十个维度考虑设计空间的复杂性。本书适合作为高等院校计算机科学等相关专业的人工智能入门教材，也适合该领域的技术人员参考。

目录

译者序<br/>前言<br/>致谢<br/> 部分　世界中的智能体：什么是智能体？如何创建智能体？<br/>第1章　人工智能与智能体2<br/>　1.1　什么是人工智能2<br/>　　1.1.1　人工智能和自然智能3<br/>　1.2　人工智能简史5<br/>　　1.2.1　与其他学科的关系7<br/>　1.3　环境中的智能体7<br/>　1.4　设计智能体8<br/>　　1.4.1　设计时间计算、离线计算和在线计算8<br/>　　1.4.2　任务10<br/>　　1.4.3　定义解决方案11<br/>　　1.4.4　表示12<br/>　1.5　智能体设计空间14<br/>　　1.5.1　模块性14<br/>　　1.5.2　规划视野14<br/>　　1.5.3　表示15<br/>　　1.5.4　计算限制16<br/>　　1.5.5　学习17<br/>　　1.5.6　不确定性18<br/>　　1.5.7　偏好19<br/>　　1.5.8　智能体数量19<br/>　　1.5.9　交互性20<br/>　　1.5.10　各维度的相互作用20<br/>　1.6　原型应用21<br/>　　1.6.1　自主送货机器人22<br/>　　1.6.2　诊断助手24<br/>　　1.6.3　智能辅导系统25<br/>　　1.6.4　交易智能体27<br/>　　1.6.5　智能家居28<br/>　1.7　本书概览29<br/>　1.8　回顾29<br/>　1.9　参考文献和进一步阅读30<br/>　1.10　练习31<br/>第2章　智能体的体系结构与层次控制32<br/>　2.1　智能体32<br/>　2.2　智能体系统33<br/>　　2.2.1　智能体的功能33<br/>　2.3　层级控制36<br/>　2.4　用推理行动42<br/>　　2.4.1　智能体建模世界42<br/>　　2.4.2　知识和行动43<br/>　　2.4.3　设计时间计算和离线计算44<br/>　　2.4.4　在线计算45<br/>　2.5　回顾46<br/>　2.6　参考文献和进一步阅读46<br/>　2.7　练习47<br/>第二部分　确定性推理、规划与学习<br/>第3章　搜索解决方案50<br/>　3.1　以搜索的方式解决问题50<br/>　3.2　状态空间51<br/>　3.3　图搜索53<br/>　　3.3.1　形式化图搜索53<br/>　3.4　通用搜索算法55<br/>　3.5　无信息搜索策略57<br/>　　3.5.1　广度优先搜索57<br/>　　3.5.2　深度优先搜索59<br/>　　3.5.3　迭代深化62<br/>　　3.5.4　 代价优先搜索64<br/>　3.6　启发式搜索65<br/>　　3.6.1　A搜索66<br/>　　3.6.2　设计启发式函数69<br/>　3.7　搜索空间的修剪70<br/>　　3.7.1　环修剪70<br/>　　3.7.2　多路径修剪70<br/>　　3.7.3　搜索策略小结72<br/>　3.8　 复杂的搜索73<br/>　　3.8.1　分支定界73<br/>　　3.8.2　搜索的方向75<br/>　　3.8.3　动态规划77<br/>　3.9　回顾79<br/>　3.10　参考文献和进一步阅读80<br/>　3.11　练习80<br/>第4章　约束推理83<br/>　4.1　可能世界、变量和约束83<br/>　　4.1.1　变量和世界83<br/>　　4.1.2　约束86<br/>　　4.1.3　约束满足问题87<br/>　4.2　生成和测试算法88<br/>　4.3　使用搜索求解CSP88<br/>　4.4　一致性算法89<br/>　4.5　域分割93<br/>　4.6　变量消除94<br/>　4.7　局部搜索96<br/>　　4.7.1　迭代 改进98<br/>　　4.7.2　随机算法98<br/>　　4.7.3　局部搜索的变体99<br/>　　4.7.4　评估随机算法102<br/>　　4.7.5　随机重启104<br/>　4.8　基于种群的方法104<br/>　4.9　优化器106<br/>　　4.9.1　系统化的优化方法108<br/>　　4.9.2　用于优化的局部搜索110<br/>　4.10　回顾111<br/>　4.11　参考文献和进一步阅读112<br/>　4.12　练习112<br/>第5章　命题与推理115<br/>　5.1　命题115<br/>　　5.1.1　命题演算的语法115<br/>　　5.1.2　命题演算的语义116<br/>　5.2　命题约束119<br/>　　5.2.1　用于一致性算法的子句形式120<br/>　　5.2.2　在局部搜索中利用命题结构121<br/>　5.3　命题确定子句121<br/>　　5.3.1　问题和答案123<br/>　　5.3.2　证明124<br/>　5.4　知识表示问题129<br/>　　5.4.1　背景知识和观察129<br/>　　5.4.2　查询用户130<br/>　　5.4.3　知识层面的解释131<br/>　　5.4.4　知识层面的调试133<br/>　5.5　反证法137<br/>　　5.5.1　霍恩子句137<br/>　　5.5.2　假设与冲突138<br/>　　5.5.3　基于一致性的诊断139<br/>　　5.5.4　用假设和霍恩子句进行推理140<br/>　5.6　完备知识假设143<br/>　　5.6.1　非单调推理145<br/>　　5.6.2　否定作为失败的证明过程146<br/>　5.7　溯因法148<br/>　5.8　因果模型152<br/>　5.9　回顾153<br/>　5.10　参考文献和进一步阅读153<br/>　5.11　练习154<br/>第6章　确定性规划161<br/>　6.1　状态、动作、目标的表示161<br/>　　6.1.1　显式状态空间表示162<br/>　　6.1.2　STRIPS表示163<br/>　　6.1.3　基于特征的动作表示164<br/>　　6.1.4　初始化状态和目标166<br/>　6.2　前向规划166<br/>　6.3　回归规划168<br/>　6.4　CSP规划169<br/>　　6.4.1　动作特征171<br/>　6.5　偏序规划173<br/>　6.6　回顾175<br/>　6.7　参考文献和进一步阅读176<br/>　6.8　练习176<br/>第7章　有监督机器学习179<br/>　7.1　学习问题179<br/>　7.2　有监督学习181<br/>　　7.2.1　评估预测值183<br/>　　7.2.2　误差类型187<br/>　　7.2.3　无输入特征的点估算189<br/>　7.3　有监督学习的基本模型190<br/>　　7.3.1　学习决策树191<br/>　　7.3.2　线性回归和分类195<br/>　7.4　过拟合200<br/>　　7.4.1　伪计数202<br/>　　7.4.2　正则化203<br/>　　7.4.3　交叉验证204<br/>　7.5　神经网络与深度学习207<br/>　7.6　复合模型211<br/>　　7.6.1　随机森林212<br/>　　7.6.2　集成学习212<br/>　7.7　基于案例的推理214<br/>　7.8　实现精炼假设空间的学习216<br/>　　7.8.1　版本空间学习217<br/>　　7.8.2　可能近似正确的学习219<br/>　7.9　回顾221<br/>　7.10　参考文献和进一步阅读221<br/>　7.11　练习222<br/>第三部分　不确定性推理、学习与行动<br/>第8章　不确定性推理228<br/>　8.1　概率228<br/>　　8.1.1　概率的语义229<br/>　　8.1.2　概率的公理230<br/>　　8.1.3　条件概率232<br/>　　8.1.4　期望值236<br/>　　8.1.5　信息237<br/>　8.2　独立性238<br/>　8.3　信念网络239<br/>　　8.3.1　观察和查询241<br/>　　8.3.2　构造信念网络241<br/>　8.4　概率推理246<br/>　　8.4.1　信念网络的变量消去247<br/>　　8.4.2　表示条件概率和因子253<br/>　8.5　序贯概率模型255<br/>　　8.5.1　马尔可夫链256<br/> 　8.5.2　隐马尔可夫模型257<br/>　　8.5.3　监控和平滑的算法261<br/>　　8.5.4　动态信念网络262<br/>　　8.5.5　时间粒度263<br/>　　8.5.6　语言的概率模型263<br/>　8.6　随机模拟268<br/>　　8.6.1　单变量采样268<br/>　　8.6.2　信念网络的前向采样269<br/>　　8.6.3　拒 采样270<br/>　　8.6.4　似然加权271<br/>　　8.6.5　重要性采样272<br/>　　8.6.6　粒子滤波273<br/>　　8.6.7　马尔可夫链蒙特卡罗275<br/>　8.7　回顾276<br/>　8.8　参考文献和进一步阅读276<br/>　8.9　练习277<br/>第9章　不确定性规划283<br/>　9.1　偏好和效用284<br/>　　9.1.1　理性公理284<br/>　　9.1.2　因子化效用288<br/>　　9.1.3　前景理论290<br/>　9.2　一次性决策291<br/>　　9.2.1　单阶段决策网络294<br/>　9.3　序贯决策296<br/>　　9.3.1　决策网络296<br/> 　9.3.2　策略299<br/>　　9.3.3　决策网络的变量消去300<br/>　9.4　信息和控制的价值303<br/>　9.5　决策过程305<br/>　　9.5.1　策略308<br/>　　9.5.2　价值迭代310<br/>　　9.5.3　策略迭代313<br/>　　9.5.4　动态决策网络314<br/>　　9.5.5　部分可观察决策过程316<br/>　9.6　回顾317<br/>　9.7　参考文献和进一步阅读317<br/>　9.8　练习318<br/> 0章　不确定性学习324<br/>　10.1　概率学习324<br/>　　10.1.1　学习概率324<br/>　　10.1.2　概率分类器326<br/>　　10.1.3　决策树的MAP学习330<br/>　　10.1.4　描述长度331<br/>　10.2　无监督学习332<br/>　　10.2.1　k-均值332<br/>　　10.2.2　用于软聚类的期望 化335<br/>　10.3　学习信念网络338<br/>　　10.3.1　学习概率338<br/>　　10.3.2　隐藏变量339<br/>　　10.3.3　缺失值340<br/>　　10.3.4　结构学习340<br/>　　10.3.5　信念网络学习的一般情况341<br/>　10.4　贝叶斯学习341<br/>　10.5　回顾345<br/>　10.6　参考文献和进一步阅读345<br/>　10.7　练习345<br/> 1章　多智能体系统347<br/>　11.1　多智能体框架347<br/>　11.2　博弈的表示348<br/>　　11.2.1　博弈的标准形式348<br/>　　11.2.2　博弈的扩展形式349<br/>　　11.2.3　多智能体决策网络351<br/>　11.3　 信息计算策略352<br/>　11.4　不 信息推理354<br/>　　11.4.1　计算纳什均衡359<br/>　11.5　群体决策360<br/>　11.6　机制设计361<br/>　11.7　回顾363<br/>　11.8　参考文献和进一步阅读363<br/>　11.9　练习364<br/> 2章　学习行动366<br/>　12.1　强化学习问题366<br/>　12.2　进化算法368<br/>　12.3　时间差分369<br/>　12.4　Q-学习370<br/>　12.5　探索和利用371<br/>　12.6　评估强化学习算法372<br/>　12.7　同策学习373<br/>　12.8　基于模型的强化学习375<br/>　12.9　使用特征的强化学习377<br/>　　12.9.1　线性函数近似的SARSA377<br/>　12.10　多智能体强化学习379<br/>　　12.10.1　 信息游戏379<br/>　　12.10.2　学会协作379<br/>　12.11　回顾383<br/>　12.12　参考文献和进一步阅读383<br/>　12.13　练习383<br/>第四部分　基于个体和关系的推理、学习与行动<br/> 3章　个体与关系386<br/>　13.1　利用关系结构386<br/>　13.2　符号和语义387<br/>　13.3　Datalog：一种关系规则语言388<br/>　　13.3.1　基础Datalog的语义390<br/>　　13.3.2　解释变量392<br/>　　13.3.3　带变量的查询395<br/>　13.4　证明与替换397<br/>　　13.4.1　实例和替换397<br/>　　13.4.2　带变量的自下而上的程序398<br/>　　13.4.3　合一化400<br/>　　13.4.4　带变量的确定性解析401<br/>　13.5　函数符号403<br/>　　13.5.1　带函数符号的证明程序40<br/>　13.6　自然语言中的应用408<br/>　　13.6.1　在无上下文的语法中使用确定子句409<br/>　　13.6.2　增强语法412<br/>　　13.6.3　用于非终止的构建结构412<br/>　　13.6.4　罐装的文本输出413<br/>　　13.6.5　强制执行限制因素414<br/>　　13.6.6　构建数据库的自然语言接口415<br/>　　13.6.7　限制418<br/>　13.7　相等性419<br/> 　13.7.1　允许相等性断言419<br/>　　13.7.2　 名称假设420<br/>　13.8　完备知识假设422<br/>　　13.8.1　完备知识假设证明程序425<br/>　13.9　回顾426<br/>　13.10　参考文献和进一步阅读426<br/>　13.11　练习427<br/> 4章　本体论与知识库系统431<br/>　14.1　知识共享431<br/>　14.2　灵活的表示432<br/>　　14.2.1　选择个体和关系432<br/>　　14.2.2　图形化表示434<br/>　　14.2.3　类435<br/>　14.3　本体论和知识共享437<br/>　　14.3.1　统一资源标识符442<br/>　　14.3.2　描述逻辑442<br/>　　14.3.3　顶层本体448<br/>　14.4　实现知识库系统450<br/>　　14.4.1　基础语言和元语言450<br/>　　14.4.2　一个普通的元解释器452<br/>　　14.4.3　拓展基础语言453<br/>　　14.4.4　深度受限搜索454<br/>　　14.4.5　建立证明树的元解释器455<br/>　　14.4.6　延迟目标455<br/>　14.5　回顾456<br/>　14.6　参考文献和进一步阅读457<br/>　14.7　练习457<br/> 5章　关系规划、学习与概率推理461<br/>　15.1　个体和关系的规划461<br/>　　15.1.1　情境演算461<br/>　　15.1.2　事件演算467<br/>　15.2　关系学习468<br/>　　15.2.1　结构化学习：归纳逻辑编程468<br/>　　15.2.2　学习隐藏属性：协作过滤472<br/>　15.3　统计关系型人工智能476<br/>　　15.3.1　关系概率模型476<br/>　15.4　回顾483<br/>　15.5　参考文献和进一步阅读484<br/>　15.6　练习484<br/>第五部分　回顾与展望<br/> 6章　回顾与展望488<br/>　16.1　复杂性维度的回顾488<br/>　16.2　社会和道德后果491<br/>　16.3　参考文献和进一步阅读495<br/>　16.4　练习495<br/>附录A　数学基础与标记496<br/>参考文献<br/>　<br/>参考文献为网络资源，请访问华章网站www.hzbook.com下载。——编辑注