《人工智能与机器学习入门(原书第2版)》理查德 E.那不勒坦 | PDF下载|ePub下载

目录

译者序

原书前言

作者简介

第1章人工智能入门1

1.1人工智能的历史2

1.1.1什么是人工智能2

1.1.2人工智能的出现3

1.1.3认知科学与人工智能3

1.1.4人工智能的逻辑方法4

1.1.5基于知识的系统4

1.1.6人工智能的概率方法5

1.1.7进化计算和群体智能6

1.1.8神经网络与深度学习6

1.1.9创建HAL6

1.2大纲7

第1部分逻 辑 智 能

第2章命题逻辑8

2.1命题逻辑基础9

2.1.1语法9

2.1.2语义10

2.1.3重言式和逻辑含义13

2.1.4逻辑参数14

2.1.5派生系统17

2.2归结20

2.2.1范式20

2.2.2归结的推导21

2.2.3归结算法24

2.3人工智能应用25

2.3.1基于知识的系统25

2.3.2wumpus world35

2.4讨论和扩展阅读41

练习41

第3章一阶逻辑44

3.1一阶逻辑基础44

3.1.1语法44

3.1.2语义46

3.1.3有效性和逻辑蕴涵49

3.1.4推导系统51

3.1.5一阶逻辑的分离规则54

3.2人工智能应用57

3.2.1重访wumpus world57

3.2.2计划57

3.3讨论和扩展阅读60

练习60

第4章特定知识表示63

4.1分类学知识63

4.1.1语义网64

4.1.2人类知识的组织模型65

4.2框架65

4.2.1框架数据结构65

4.2.2使用框架做旅行规划66

4.3非单调逻辑68

4.3.1界限68

4.3.2默认逻辑69

4.3.3难点70

4.4讨论和扩展阅读70

练习71

第5章学习确定性模型72

5.1监督学习72

5.2回归72

5.2.1简单线性回归73

5.2.2多元线性回归75

5.2.3过拟合和交叉验证76

5.3参数估计78

5.3.1简单线性回归的参数估计78

5.3.2梯度下降80

5.3.3逻辑回归和梯度下降82

5.3.4随机梯度下降82

5.4决策树的学习83

5.4.1信息论85

5.4.2信息增益和ID3算法87

5.4.3过拟合89

练习89

第2部分概 率 智 能

第6章概率论92

6.1概率基本知识94

6.1.1概率空间94

6.1.2条件概率与独立性96

6.1.3贝叶斯定理98

6.2随机变量99

6.2.1随机变量的概率分布99

6.2.2随机变量的独立性103

6.3概率的含义106

6.3.1概率的相对频率法106

6.3.2主观概率108

6.4应用中的随机变量110

6.5wumpus world的概率112

练习114

第7章不确定性知识的表示117

7.1贝叶斯网络的直观介绍118

7.2贝叶斯网络的性质120

7.2.1贝叶斯网络的定义120

7.2.2贝叶斯网络的表示123

7.3贝叶斯网络的因果网络124

7.3.1因果关系124

7.3.2因果关系和马尔可夫条件125

7.3.3没有因果关系的马尔可夫条件128

7.4贝叶斯网络的推理129

7.4.1推理示例129

7.4.2推理算法和包131

7.4.3使用Netica推断132

7.5具有连续变量的网络133

7.5.1高斯贝叶斯网络133

7.5.2混合网络135

7.6取得概率137

7.6.1多继承的固有问题137

7.6.2基本noisy OR- gate模型137

7.6.3leaky noisy OR-gate模型138

7.6.4附加模型140

7.7大规模应用:Promedas140

练习142

第8章贝叶斯网络的高级特性144

8.1附带条件独立性144

8.1.1附带条件独立性实例145

8.1.2d-分离147

8.2忠实性150

8.2.1非忠实概率分布150

8.2.2忠实条件151

8.3马尔可夫等价152

8.4马尔可夫毯和边界155

练习155

第9章决策分析159

9.1决策树160

9.1.1简单的例子160

9.1.2求解更复杂的决策树163

9.2影响图172

9.2.1用影响图表示决策问题172

9.2.2求解影响图177

9.2.3求解影响图的技术177

9.2.4使用Netica求解影响图181

9.3风险建模偏好185

9.3.1指数效用函数185

9.3.2评估r186

9.4分析直接风险187

9.4.1使用方差来衡量风险187

9.4.2风险列表188

9.4.3决策的地位190

9.5良好的决策与良好的结果192

9.6敏感性分析193

9.7信息的价值195

9.7.1完备信息的预期值195

9.7.2不完备信息的预期值198

9.8讨论和扩展阅读199

9.8.1学者199

9.8.2商业和金融199

9.8.3资本设备199

9.8.4计算机游戏200

9.8.5计算机视觉200

9.8.6计算机软件200

9.8.7医学200

9.8.8自然语言处理200

9.8.9规划201

9.8.10心理学201

9.8.11可靠性分析201

9.8.12调度201

9.8.13语音识别201

9.8.14车辆控制与故障诊断201

练习201

第10章学习概率模型参数207

10.1学习单个参数207

10.1.1二项式随机变量207

10.1.2多项式随机变量210

10.2在贝叶斯网络中学习参数211

10.2.1学习参数的步骤211

10.2.2等效样本量212

10.3缺少数据的学习参数214

练习220

第11章学习概率模型结构222

11.1结构学习问题222

11.2基于分数的结构学习223

11.2.1贝叶斯分数223

11.2.2BIC分数229

11.2.3一致的评分准则231

11.2.4DAG评分的数量231

11.2.5使用学习网络进行推理*231

11.2.6缺少数据的学习结构*232

11.2.7近似结构学习238

11.2.8模型平均242

11.2.9近似模型平均*244

11.3基于约束的结构学习246

11.3.1学习一个服从于P的DAG246

11.3.2学习一个可信嵌入P中的DAG251

11.4应用：MENTOR251

11.4.1开发网络251

11.4.2验证MENTOR253

11.5用于学习的软件包254

11.6因果学习254

11.6.1因果置信假设254

11.6.2因果嵌入置信假设256

11.6.3应用：大学生保留率问题258

11.7类概率树261

11.7.1类概率树理论261

11.7.2目标广告应用262

11.8讨论和扩展阅读265

11.8.1生物学265

11.8.2商业和金融265

11.8.3因果学习266

11.8.4数据挖掘266

11.8.5医学266

11.8.6天气预报266

练习266

第12章无监督学习和强化学习270

12.1无监督学习270

12.1.1聚类270

12.1.2自动发现271

12.2强化学习271

12.2.1多臂强盗算法272

12.2.2动态网络*274

12.3讨论和扩展阅读282

练习283

第3部分涌 现 智 能

第13章进化计算284

13.1遗传学评论284

13.2遗传算法286

13.2.1算法286

13.2.2说明性示例287

13.2.3旅行的销售人员问题289

13.3遗传编程296

13.3.1说明性示例296

13.3.2人工蚂蚁299

13.3.3金融交易应用300

13.4讨论和扩展阅读302

练习303

第14章群体智能305

14.1蚂蚁系统305

14.1.1真实蚁群305

14.1.2求解TSP人工蚂蚁算法306

14.2鸟群308

14.3讨论和扩展阅读310

练习311

第4部分神 经 智 能

第15章神经网络和深度学习312

15.1感知器312

15.1.1学习感知器的权重313

15.1.2感知器和逻辑回归316

15.2前馈神经网络318

15.2.1XOR建模318

15.2.2两个隐层示例319

15.2.3前馈神经网络的结构322

15.3激活函数323

15.3.1输出节点323

15.3.2隐层节点326

15.4应用于图像识别327

15.5讨论和扩展阅读327

练习328

第5部分语 言 理 解

第16章自然语言理解331

16.1语法解析332

16.1.1递归语法解析器334

16.1.2歧义性335

16.1.3动态编程语法解析器337

16.1.4概率语法解析器340

16.1.5获得PCFG的概率342

16.1.6词典化的PCFG343

16.2语义解释344

16.3概念/知识解释345

16.4信息检索346

16.4.1信息检索的应用346

16.4.2信息检索系统的体系结构347

16.5讨论和扩展阅读348

练习348

参考文献350