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



?