PART I 人工智慧
1 緒論 1-1
1.1 什麼是人工智慧？ 1-1
1.2 人工智慧的基礎 1-4
1.3 人工智慧的歷史 1-14
1.4 當前發展水準 1-25
1.5 總結 1-26
2 智慧型代理人 2-1
2.1 代理人和環境 2-1
2.2 好的行為表現：理性的概念 2-3
2.3 環境的本質 2-6
2.4 代理人的結構 2-11
2.5 總結 2-22
PART II 問題求解
3 用搜尋法對問題求解 3-1
3.1 問題求解代理人 3-1
3.2 範例問題 3-6
3.3 對解的搜尋 3-10
3.4 資訊的搜尋策略 3-15
3.5 有資訊(啟發式)搜尋策略 3-25
3.6 啟發函數 3-35
3.7 總結 3-40
4 進階搜尋 4 -1
4.1 局部搜尋演算法和最佳化問題 4-1
4.2 連續空間的局部搜尋 4-9
4.3 不確定性行動的搜尋 4-11
4.4 使用部分觀察的搜尋 4-15
4.5 線上搜尋代理人和未知環境 4-23
4.6 總結 4-28
5 對抗搜尋 5-1
5.1 賽局 5-1
5.2 賽局的最佳化決策 5-3
5.3 ��-�� 剪枝 5-6
5.4 不完整的即時決策 5-9
5.5 隨機賽局 5-14
5.6 部分可觀察賽局 5-17
5.7 最先進的賽局程式 5-21
5.8 其他方法 5-23
5.9 總結 5-25
6 限制滿足問題 6-1
6.1 限制滿足問題的定義 6-1
6.2 限制的傳播：於CSP推理 6-6
6.3 CSP問題的回溯搜尋 6-11
6.4 CSP問題的局部搜尋 6-17
6.5 問題的結構 6-18
6.6 總結 6-22
PART III
知識、推理、規劃
7 邏輯代理人 7-1
7.1 知識型代理人 7-2
7.2 wumpus世界 7-3
7.3 邏輯 7-6
7.4 命題邏輯：一種非常簡單的邏輯 7-9
7.5 命題定理之證明 7-14
7.6 有效的命題模型檢驗 7-25
7.7 命題邏輯型代理人 7-30
7.8 總結 7-38
8 一階邏輯 8-1
8.1 表示法的回顧 8-1
8.2 一階邏輯的語法和語義 8-5
8.3 使用一階邏輯 8-15
8.4 一階邏輯的知識工程 8-22
8.5 總結 8-28
9 一階邏輯中的推理 9-1
9.1 命題與一階推理 9-1
9.2 統一和提升 9-4
9.3 前向鏈結 9-8
9.4 反向鏈結 9-15
9.5 解消 9-22
9.6 總結 9-34
10 經典規劃 10-1
10.1 經典規劃的定義 10-1
10.2 經典規劃法作為狀態空間搜尋 10-7
10.3 規劃圖 10-12
10.4 其他的經典規劃方法 10-19
10.5 規劃方法分析 10-24
10.6 總結 10-25
11 現實世界的規劃與行動 11-1
11.1 時間、排程、和資源 11-1
11.2 分層規劃 11-5
11.3 在非確定性領域中進行規劃和行動 11-13
11.4 多代理人規劃 11-21
11.5 總結 11-26
12 知識表示 12-1
12.1 本體論工程 12-1
12.2 類別和物件 12-3
12.3 事件 12-9
12.4 精神事件與精神物件 12-13
12.5 類別的推理系統 12-16
12.6 預設資訊推理 12-20
12.7 網際網路購物世界 12-23
12.8 總結 12-28
PART IV
不確定知識與推理
13 量化不確定性 13-1
13.1 不確定環境下的行動 13-1
13.2 基本機率標記法 13-4
13.3 使用全聯合分佈進行推理 13-11
13.4 獨立性 13-13
13.5 貝氏法則及其應用 13-15
13.6 重遊wumpus世界 13-18
13.7 總結 13-21
14 機率推理 14-1
14.1 不確定領域中的知識表示 14-1
14.2 貝氏網路的語意 14-3
14.3 條件分佈的有效率表示 14-8
14.4 貝氏網路中的精確推理 14-11
14.5 貝氏網路的近似推理 14-18
14.6 關連與一階機率模型 14-26
14.7 不確定推理的其他方法 14-32
14.8 總結 14-36
15 關於時間的機率推理 15-1
15.1 時間與不確定性 15-1
15.2 時序模型中的推理 15-4
15.3 隱馬可夫模型 15-12
15.4 卡爾曼濾波器 15-17
15.5 動態貝氏網路 15-23
15.6 多重目標的追蹤 15-31
15.7 總結 15-34
16 制訂簡單決策 16-1
16.1 在不確定性環境下結合信度與願望 16-1
16.2 效用理論的基礎 16-2
16.3 效用函數 16-5
16.4 多屬性效用函數 16-11
16.5 決策網路 16-15
16.6 資訊價值 16-17
16.7 決策理論的專家系統 16-21
16.8 總結 16-23
17 制訂複雜決策 17-1
17.1 循序決策問題 17-1
17.2 價值疊代 17-6
17.3 策略疊代 17-10
17.4 部分可觀察的馬可夫決策過程 17-12
17.5 多代理人的決策：賽局理論 17-19
17.6 機制設計 17-30
17.7 總結 17-35
PART V 學習
18 從實例中學習 18-1
18.1 學習的形式 18-1
18.2 受監督的學習 18-3
18.3 學習決策樹 18-5
18.4 評估與選擇最佳假設 18-14
18.5 學習的理論 18-18
18.6 線性模型的回歸與分類 18-22
18.7 人工類神經網路 18-29
18.8 無參數模型 18-37
18.9 支持向量機 18-42
18.10 集體學習 18-46
18.11 實際的機器學習 18-50
18.12 總結 18-53
19 學習中的知識 19-1
19.1 學習的邏輯公式 19-1
19.2 學習中的知識 19-9
19.3 基於解譯的學習 19-12
19.4 使用相關資訊進行學習 19-15
19.5 歸納邏輯程式設計 19-18
19.6 總結 19-27
20 學習機率模型 20-1
20.1 統計學習 20-1
20.2 完整資料下的學習 20-4
20.3 隱變數學習：EM演算法 20-13
20.4 總結 20-21
21 強化學習 21-1
21.1 緒論 21-1
21.2 被動式強化學習 21-2
21.3 主動式強化學習 21-8
21.4 強化學習中的一般化 21-13
21.5 策略搜索 21-16
21.6 強化學習問題的應用 21-18
21.7 總結 21-20
PART VI
通訊、感知與行動
22 自然語言處理 22-1
22.1 語言模型 22-1
22.2 文本分類 22-5
22.3 資訊檢索 22-7
22.4 資訊擷取 22-13
22.5 總結 22-21
23 自然語言通訊 23-1
23.1 片語結構文法 23-1
23.2 句法分析(剖析) 23-4
23.3 擴充文法和語意解釋 23-9
23.4 機器翻譯 23-17
23.5 語音識別 23-22
23.6 總結 23-27
24 感知 24-1
24.1 成像 24-2
24.2 初級影像處理運算 24-7
24.3 藉由外表之物體辨識 24-13
24.4 重建三維世界 24-18
24.5 從結構資訊中進行物體辨識 24-26
24.6 使用視覺 24-29
24.7 總結 24-33
25 機器人學 25-1
25.1 緒論 25-1
25.2 機器人硬體 25-3
25.3 機器人的感知 25-7
25.4 運動規劃 25-14
25.5 規劃不確定的運動 25-20
25.6 運動 25-23
25.7 機器人軟體架構 25-28
25.8 應用領域 25-31
25.9 總結 25-34
PART VII 結論
26 哲學基礎 26-1
26.1 弱人工智慧：機器能夠智慧地行動嗎？ 26-1
26.2 強人工智慧：機器真的能夠思考嗎？ 26-6
26.3 發展人工智慧的道德規範與風險 26-13
26.4 總結 26-18
27 人工智慧：現在與未來 27-1
27.1 代理人的組成部分 27-1
27.2 代理人架構 27-4
27.3 我們前進於正確方向嗎？ 27-5
27.4 要是人工智慧成功了？ 27-7
附錄及參考書目均收錄於隨書CD
附 錄
A 數學背景
A.1 複雜度分析與O( )符號 App-1
A.2 向量、矩陣和線性代數 App-3
A.3 機率分布 App-5
B 關於語言與演算法的詮釋
B.1 用Backus-Naur Form(BNF)定義語言 App-8
B.2 用虛擬碼描述演算法 App-9
B.3 線上協助 App-10
參考書目
2025專利防護中