-
第一章绪论
1955年8月，麦卡锡、明斯基、香农和罗切斯特四位学者在一份题为《人工智能达特茅斯夏季研究项目提案》的项目建议书中，首次使用了“Artificial Intelligence”这个术语，从此，人工智能开始登上了人类历史舞台。1956年夏天，参加达特茅斯会议的学者们首次决定将像人类那样思考的机器称为“人工智能”，这标志着人工智能的正式诞生，这次会议同时吹响了人工智能研究的号角。本章主要介绍人工智能的定义、产生与发展历程。
-
●1.1什么是人工智能
主要内容包括从生理角度和功能角度认识智能，人工智能的定义，机器智能测试——图灵测试。
-
●1.2人工智能的产生与发展
主要内容包括人工智能三起两落的发展历程。
-
第二章问题求解
本章介绍搜索方法，第一节介绍搜索的基本概念，第二节介绍搜索问题的状态空间表示法，第三节介绍状态空间的一般图搜索过程，第四节和第五节四种盲目搜索策略，第六节和第七节介绍启发式搜索策略，第八节介绍搜索问题的问题规约，第九节介绍问题空间搜索中的博弈树搜索
-
●2.1搜索的基本概念
本节讲述搜索的基本概念，包括搜索的目的、特点、基本问题和基本方法，并简介状态空间搜索和问题空间搜索。
-
●2.2状态空间表示法
状态空间表示法通过状态和操作将待求解的问题的解答过程描述出来。本节首先讲述状态和操作的基本概念，并引出问题的状态空间描述形式，接着介绍状态空间图，并通过实例引出状态空间问题求解的基本过程。
-
●2.3状态空间的一般图搜索
本节介绍状态空间的一般图搜索基本思想，并通过引入一些搜索术语，讲述一般图搜索的基本过程，最后通过实例阐述一般图搜索基本过程的应用。
-
●2.4盲目搜索
本节讲述三种盲目搜索策略：广度优先搜索、深度优先搜索和有界深度优先搜索，包括三种策略的基本思想、关键步骤和优缺点。
-
●2.5盲目搜索——代价树搜索
本节讲述另外一种盲目搜索策略—代价树搜索。首先讲述引入节点代价概念，接着介绍代价树搜索策略的关键步骤，最后讲解一个代价树搜索策略的应用实例。
-
●2.6启发式搜索
本节首先讲述启发式搜索的基本思想和启发性信息，接着介绍估计函数概念，借此讲述A搜索策略及其关键步骤，最后讲解一个A搜索策略的应用实例。
-
●2.7A*搜索
本节讲述另外一种启发式搜索策略——A*搜索。首先介绍A*搜索策略的基本条件，接着介绍A*搜索策略的四个性质：完备性、可纳性、优越性和单调性。
-
●2.8问题规约
本节讲述问题规约。首先介绍问题规约的基本概念，并讲述问题规约的两个操作——分解和等价变换，接着介绍问题规约的与或树描述，并通过介绍可解节点和不可解节点，引出解树的概念。
-
●2.9博弈树搜索
本节讲述问题空间搜索中的一类特殊形式——博弈树搜索。首先介绍双人完备信息零和博弈的条件、表示形式和特点，接着讲述极大极小搜索，并通过一字棋实例详述极大极小搜索过程，最后介绍ɑ-b剪枝技术。
-
第三章知识表示方法
人类的智能活动主要是获得并运用知识。知识是智能的基础。为了使计算机具有智能，能模拟人类的智能行为，就必须使它具有知识。知识需要用一定的方法表示出来才能被计算机识别，因此，知识的表示成为人工智能研究中的一个重要课题。
-
●3.1谓词逻辑表示法
本节介绍谓词逻辑表示的逻辑基础、谓词逻辑表示方法及应用案例。
-
●3.2产生式表示法
本节介绍产生式和产生式系统概念及产生式系统的推理过程。
-
●3.3语义网络表示法
本节介绍语义网络基本概念、语义网络的知识表示及语义网络的推理过程。
-
第四章确定性推理方法
本章介绍基于谓词逻辑的确定性推理方法，第一节介绍推理的基本概念，第二节介绍推理的逻辑基础，即谓词逻辑，第三节介绍了自然演绎推理的方法，第四节讲述了利用归结演绎推理证明定理和求解问题。
-
●4.1推理的基本概念
推理，即从已知实事出发，按某种策略，运用已知知识，推出结论的过程。本节讲述推理的基本概念，包括推理方法和推理的控制策略两个基本问题。
-
●4.2推理的逻辑基础
谓词逻辑是基于谓词分析的一种逻辑，适用于处理各种复杂的推理和知识表示问题。本节讲述谓词逻辑的基础，包括谓词公式及其性质和谓词公式的范式、置换与合一。
-
●4.3自然演绎推理
由一组已知事实出发，直接使用经典逻辑的推理规则推出结论的过程称为自然演绎推理。本节讲述基本推理规则，并举例说明自然演绎推理方法。
-
●4.4归结演绎推理
本节讲述归结演绎推理方法，先通过典型例题说明将谓词公式化为子句集的步骤，接着详细介绍了鲁滨逊归结原理，最后介绍应用归结原理证明定理和求解问题的方法。
-
第五章不确定性推理与学习方法
本章主要介绍人工智能领域常用的不确定性推理方法、深度学习方法以及博弈方法。
-
●5.1不确定性推理概述
从不确定推理的含义，基本问题两方面阐述不确定推理的基本概念。从随机事件的定义和关系，概率的定义和重要定理两方面阐述不确定性推理的概率基础。
-
●5.2可信度推理
从知识不确定性的表示，证据不确定性表示，组合证据不确定性合成，不确定性的传递算法，结论不确定性的合成等五方面介绍CF模型，并详细讲解一个例子。
-
●5.3主观bayes推理
从知识不确定性的表示，证据不确定性表示，组合证据不确定性合成，不确定性的传递算法，结论不确定性的合成等五方面介绍主观bayes推理，并详细讲解一个例子。
-
●5.4证据理论
本节主要介绍证据理论的形式化描述、证据理论的推理模型以及实例分析。
-
●5.5概率推理
本节主要介绍贝叶斯网络的基本概念、推理模型以及实例分析。
-
●5.6深度学习
本节主要介绍卷积神经网络的基本原理与案例分析。
-
●5.7人工智能中的博弈
介绍了博弈论的核心概念纳什均衡，零和博弈和动态博弈的求解，对抗搜索的博弈思想，典型的博弈学习算法。