人工智能与机器学习入门（原书第2版）

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