人工智能（第2版）

　　图文详细、示例丰富，非常适合作为自学和教学指南。
　　美国经典教材，在Amazon上，被评价为自Russell & Norvig的《人工智能：一种现代方法》之后更好的教材，更加适合本科生使用。
　　
　　当前，人工智能的发展进入了新的历史阶段，成为科研、教学和创业等领域关注的热点。我国正在大力培养人工智能领域的专业人才，一些高校成立了人工智能学院，还有许多高校开设了人工智能相关专业。
　　
　　本书是作者结合多年教学经验、精心撰写的一本人工智能教科书，堪称“人工智能的百科全书”。全书涵盖了人工智能简史、搜索方法、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示、产生式系统、专家系统、机器学习和神经网络、遗传算法、自然语言处理、自动规划、机器人技术、高级计算机博弈、人工智能的历史和未来等主题。
　　
　　

　　特别说明：购买此电子书，无赠品，敬请谅解。

　　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高级专题。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（Stephen Lucci）
　　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*尖的科学家和工程师。
　　丹尼·科佩克（Danny Kopec）
　　拥有爱丁堡大学博士学位，目前在纽约市立大学布鲁克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，还是一位国际象棋大师。
　　译者简介
　　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。"

版权信息
献词
译者序
第2版 前言
第2版 致谢
第1版 前言
第1版 致谢
资源与支持
第一部分 引言
第1章 人工智能概述
1.0 引言
1.1 图灵测试
1.2 强人工智能与弱人工智能
1.3 启发法
1.4 识别适用人工智能来求解的问题
1.5 应用和方法
1.6 人工智能的早期历史
1.7 人工智能的近期历史到现在
1.8 新千年人工智能的发展
1.9 本章小结
第二部分 基础知识
第2章 盲目搜索
2.0 简介：智能系统中的搜索
2.1 状态空间图
2.2 生成与测试范式
2.3 盲目搜索算法
2.4 盲目搜索算法的实现和比较
2.5 本章小结
第3章 知情搜索
3.0 引言
3.1 启发法
3.2 知情搜索（第一部分）——找到任何解
3.3 最佳优先搜索
3.4 集束搜索
3.5 搜索算法的其他指标
3.6 知情搜索（第二部分）——找到最佳解
3.7 知情搜索（第三部分）——高级搜索算法
3.8 本章小结
第4章 博弈中的搜索
4.0 引言
4.1 博弈树和极小化极大评估
4.2 具有α-β 剪枝的极小化极大算法
4.3 极小化极大算法的变体和改进
4.4 概率游戏和预期极小化极大值算法
4.5 博弈理论
4.6 本章小结
第5章 人工智能中的逻辑
5.0 引言
5.1 逻辑和表示
5.2 命题逻辑
5.3 谓词逻辑——简要介绍
5.4 其他一些逻辑
5.5 本章小结
第6章 知识表示
6.0 引言
6.1 图形草图和人类视窗
6.2 图和哥尼斯堡桥问题
6.3 搜索树
6.4 表示方法的选择
6.5 产生式系统
6.6 面向对象
6.7 框架法
6.8 脚本和概念依赖系统
6.9 语义网络
6.10 关联
6.11 新近的方法
6.12 智能体：智能或其他
6.13 本章小结
第7章 产生式系统
7.0 引言
7.1 背景
7.2 基本示例
7.3 CARBUYER系统
7.4 产生式系统和推导方法
7.5 产生式系统和细胞自动机
7.6 随机过程与马尔可夫链
7.7 本章小结
第三部分 基于知识的系统
第8章 人工智能中的不确定性
8.0 引言
8.1 模糊集
8.2 模糊逻辑
8.3 模糊推理
8.4 概率理论和不确定性
8.5 本章小结
第9章 专家系统
9.0 引言
9.1 背景
9.2 专家系统的特点
9.3 知识工程
9.4 知识获取
9.5 经典的专家系统
9.6 提高效率的方法
9.7 基于案例的推理
9.8 更多最新的专家系统
9.9 本章小结
第10章 机器学习第一部分
10.0 引言
10.1 机器学习：简要概述
10.2 机器学习系统中反馈的作用
10.3 归纳学习
10.4 利用决策树进行学习
10.5 适用于决策树的问题
10.6 熵
10.7 使用ID3构建决策树
10.8 其余问题
10.9 本章小结
第11章 机器学习第二部分：神经网络
11.0 引言
11.1 人工神经网络的研究
11.2 麦卡洛克-皮茨网络
11.3 感知器学习规则
11.4 增量规则
11.5 反向传播
11.6 实现关注点
11.7 离散型霍普菲尔德网络
11.8 应用领域
11.9 本章小结
第12章 受到自然启发的搜索
12.0 引言
12.1 模拟退火
12.2 遗传算法
12.3 遗传规划
12.4 禁忌搜索
12.5 蚂蚁聚居地优化
12.6 本章小结
第四部分 高级专题
第13章 自然语言处理
13.0 引言
13.1 概述：语言的问题和可能性
13.2 自然语言处理的历史
13.3 句法和形式语法
13.4 语义分析和扩展语法
13.5 NLP中的统计方法
13.6 统计NLP的概率模型
13.7 统计NLP语言数据集
13.8 应用：信息提取和问答系统
13.9 现在和未来的研究（基于CHARNIAK的工作）
13.10 语音理解
13.11 语音理解技术的应用
13.12 本章小结
第14章 自动规划
14.0 引言
14.1 规划问题
14.2 一段简短的历史和一个著名的问题
14.3 规划方法
14.4 早期规划系统
14.5 更多现代规划系统
14.6 本章小结
第五部分 现在和未来
第15章 机器人技术
15.0 引言
15.1 历史：服务人类、仿效人类、增强人类和替代人类
15.2 技术问题
15.3 应用：21世纪的机器人
15.4 本章小结
第16章 高级计算机博弈
16.0 引言
16.1 跳棋：从塞缪尔到舍弗尔
16.2 国际象棋：人工智能的“果蝇”
16.3 计算机国际象棋对人工智能的贡献
16.4 其他博弈
16.5 围棋：人工智能的“新果蝇”？
16.6 本章小结
第17章 大事记
17.0 引言
17.1 提纲挈领——概述
17.2 普罗米修斯归来
17.3 提纲挈领——介绍人工智能的成果
17.4 IBM的沃森-危险边缘挑战赛
17.5 21世纪的人工智能
17.6 本章小结
附录A CLIPS示例：专家系统外壳
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）
附录C 对计算机国际象棋的贡献：令人惊叹的Walter Shawn Browne
附录D 应用程序和数据
附录E 部分练习的答案

　　本部分介绍了人工智能（人工智能）的历史及其背后的早期动机，这个动机源自1956的年达特茅斯会议（Dartmouth Conference）。
　　思维和智能的概念引发了对图灵测试的讨论，以及围绕着图灵测试的各种争论和批评，这为将强人工智能（Strong AI）和弱人工智能（Weak AI）的区分埋下了伏笔。任何古典观点不可分割的一部分是人类如何求解问题和人类使用的启发式的兴趣。从这个背景和角度来看，这使得确认某个领域是否适合使用人工智能处理的问题变得可行。然后，本章介绍了人工智能的不同学科和方法，如搜索、神经网络计算、模糊逻辑、自动推理和知识表示。这种讨论逐渐过渡到对人工智能的早期历史的概述，并过渡到最近的发展领域、问题以及我们对所面临的问题的思考。
　　阿兰·图灵（Alan Turing）
　　早期，人类必须通过如轮子、火之类的工具和武器与自然做斗争。15世纪，古腾堡发明的印刷机使人们的生活发生了广泛的变化。19世纪，工业革命利用自然资源发展电力，这促进了制造、交通和通信的发展。20世纪，人类通过对天空以及太空的探索，通过计算机的发明及其微型化，进而成为个人计算机、互联网、万维网和智能手机，持续不断地向前进。过去的60年已经见证了一个世界的诞生，这个世界出现了海量的数据、事实和信息，这些数据、事实和信息必须转换为知识（其中一个实例是包含在人类基因编码中的数据，如图1.0所示）。本章介绍了人工智能学科的概念性框架，并阐述了其成功应用的领域和方法、近期的历史和未来的前景。
　　图1.0 包含在人类基因编码中的数据
　　对人工智能的理解因人而异。一些人认为人工智能是通过非生物系统实现的任何智能形式的同义词；他们坚持认为，智能行的实现方式与人类智能实现的机制是否相同是无关紧要的。而另一些人则认为，人工智能系统必须能够模仿人类智能。没有人会就是否要研究人工智能或实现人工智能系统进行争论，我们应首先理解人类如何获得智能行为（即我们必须从智力、科学、心理和技术意义上理解被视为智能的活动），这对我们才是大有裨益的。例如，如果我们想要开发一个能够像人类一样行走的机器人，那么首先必须从各个角度了解行走的过程，但是不能通过不断地声明和遵循一套规定的正式规则来完成运动。事实上，人们越要求人类专家解释他们如何在学科或事业中获得了如此表现，这些人类专家就越可能失败。例如，当人们要求某些战斗机飞行员解释他们的飞行能力时，他们的表现实际上会变差 [1]。专家的表现并不来自于不断的、有意识的分析，而是来自于大脑的潜意识层面。你能想象高峰时段在高速公路上开车并有意识地权衡控制车辆的每个决策吗？
　　想象一下力学教授和独轮脚踏车手的故事[2]。当力学教授试图骑独轮车时，如果人们要求教授引用力学原理，并将他成功地骑在独轮车上这个能力归功于他知道这些原理，那么他注定要失败。同样，如果独轮脚踏车手试图学习这些力学知识，并在他展现车技时应用这些知识，那么他也注定是失败的，也许还会发生悲剧性的事故。关键点是，许多学科的技能和专业知识是在人类的潜意识中发展和存储的，而不是通过明确请求记忆或使用基本原理来学会这些技能的。
　　在日常用语中，“人工”一词的意思是合成的（即人造的），这通常具有负面含义，即“人造物体的品质不如自然物体。但是，人造物体通常优于真实或自然物体。例如，人造花是用丝和线制成的类似芽或花的物体，它不需要以阳光或水分作为养料，却可以为家庭或公司提供实用的装饰功能。虽然人造花给人的感觉以及香味可能不如自然的花朵，但它看起来和真实的花朵如出一辙。