本书是在原书第1版的基础上，经过全面的修订、更新和扩展，保留了相同的可读性和解决问题的方法，同时介绍了新的素材和最新发展。全书分为5个部分，重点介绍了人工智能中常见的关键的技术。本书第1部分介绍了基于逻辑的方法，第2部分则重点介绍了基于概率的方法，第3部分介绍了新兴的涌现智能，探讨了基于群体智能的进化计算及其方法。接下来是最新的发展，第4部分详细介绍了神经网络和深度学习。本书最后一部分重点介绍了自然语言理解。 本书可为人工智能和机器学习相关领域技术人员提供关键的人工智能与机器学习算法指导，用于解决具有挑战性的实际问题，如在智慧医学、软件诊断、财务决策、语音识别、文本处理、遗传分析等专业领域中的智能解决方案。

译者序
原书前言
作者简介
第1章 人工智能入门
1.1 人工智能的历史
1.1.1 什么是人工智能
1.1.2 人工智能的出现
1.1.3 认知科学与人工智能
1.1.4 人工智能的逻辑方法
1.1.5 基于知识的系统
1.1.6 人工智能的概率方法
1.1.7 进化计算和群体智能
1.1.8 神经网络与深度学习
1.1.9 创建HAL
1.2 大纲
第1部分 逻辑智能
第2章 命题逻辑
2.1 命题逻辑基础
2.1.1 语法
2.1.2 语义
2.1.3 重言式和逻辑含义
2.1.4 逻辑参数
2.1.5 派生系统
2.2 归结
2.2.1 范式
2.2.2 归结的推导
2.2.3 归结算法
2.3 人工智能应用
2.3.1 基于知识的系统
2.3.2 wumpus wodd
2.4 讨论和扩展阅读
练习
第3章 一阶逻辑
3.1 一阶逻辑基础
3.1.1 语法
3.1.2 语义
3.1.3 有效性和逻辑蕴涵
3.1.4 推导系统
3.1.5 一阶逻辑的分离规则
3.2 人工智能应用
3.2.1 重访wumpus world
3.2.2 计划
3.3 讨论和扩展阅读
练习
第4章 特定知识表示
4.1 分类学知识
4.1.1 语义网
4.1.2 人类知识的组织模型
4.2 框架
4.2.1 框架数据结构
4.2.2 使用框架做旅行规划
4.3 非单调逻辑
4.3.1 界限
4.3.2 默认逻辑
4.3.3 难点
4.4 讨论和扩展阅读
练习
第5章 学习确定性模型
5.1 监督学习
5.2 回归
5.2.1 简单线性回归
5.2.2 多元线性回归
5.2.3 过拟合和交叉验证
5.3 参数估计
5.3.1 简单线性回归的参数估计
5.3.2 梯度下降
5.3.3 逻辑回归和梯度下降
5.3.4 随机梯度下降
5.4 决策树的学习
5.4.1 信息论
5.4.2 信息增益和ID3算法
……
第2部分 概率智能
第3部分 涌现智能
第4部分 神经智能
第5部分 语言理解
参考文献