人工智能复杂问题求解的结构和策略（原书第6版）
出版者的话
译者序
前言
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用
1.1 从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1 人工智能基础的简要历史
1.1.2 理性主义和经验主义学派对人工智能的影响
1.1.3 形式逻辑的发展
1.1.4 图灵测试
查看完整
译者序
前言
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用
1.1 从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1 人工智能基础的简要历史
1.1.2 理性主义和经验主义学派对人工智能的影响
1.1.3 形式逻辑的发展
1.1.4 图灵测试
查看完整
George F. Luger，1973年在宾夕法尼亚大学获得博士学位，并在之后的5年间在爱丁堡大学人工智能系进行博士后研究，现在是新墨西哥大学计算机科学研究、语言学及心理学教授。
《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“基于随机方法的机器学习”的介绍，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。
《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
出版者的话
译者序
前言
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用
1.1 从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1 人工智能基础的简要历史
1.1.2 理性主义和经验主义学派对人工智能的影响
1.1.3 形式逻辑的发展
1.1.4 图灵测试
1.1.5 智能的生物和社会模型：主体理论
1.2 人工智能应用领域概述
1.2.1 博弈
1.2.2 自动推理和定理证明
1.2.3 专家系统
1.2.4 自然语言理解和语义学
1.2.5 对人类表现建模
1.2.6 规划和机器人学
1.2.7 人工智能的语言和环境
1.2.8 机器学习
1.2.9 其他表示：神经网络和遗传算法
1.2.1 0AI和哲学
1.3 人工智能小结
1.4 结语和参考文献
1.5 习题
第二部分 作为表示和搜索的人工智能
第2章 谓词演算
2.0 简介
2.1 命题演算（选读）
2.1.1 符号和语句
2.1.2 命题演算的语义
2.2 谓词演算
2.2.1 谓词的语法和语句
2.2.2 谓词演算的语义
2.2.3 语义含义的积木世界例子
2.3 使用推理规则产生谓词演算表达式
2.3.1 推理规则
2.3.2 合一算法
2.3.3 合一的例子
2.4 应用：一个基于逻辑的财务顾问
2.5 结语和参考文献
2.6 习题
第3章 状态空间搜索的结构和策略
3.0 简介
3.1 状态空间搜索的结构
3.1.1 图论（选读）
3.1.2 有限状态自动机（选读）
3.1.3 问题的状态空间表示
3.2 用于状态空间搜索的策略
3.2.1 数据驱动搜索和目标驱动搜索
3.2.2 图搜索的实现
3.2.3 深度优先搜索和宽度优先搜索
3.2.4 迭代加深的深度优先搜索
3.3 利用状态空间来表示命题演算和谓词演算的推理
3.3.1 逻辑系统的状态空间描述
3.3.2 与或图
3.3.3 进一步的例子和应用
3.4 结语和参考文献
3.5 习题
第4章 启发式搜索
4.0 简介
4.1 爬山法和动态规划法
4.1.1 爬山
4.1.2 动态规划
4.2 最佳优先搜索算法
4.2.1 实现最佳优先搜索
4.2.2 实现启发评估函数
4.2.3 启发式搜索和专家系统
4.3 可采纳性、单调性和信息度
4.3.1 可采纳性度量
4.3.2 单调性
4.3.3 信息度更高的启发是更好的启发
4.4 在博弈中使用启发
4.4.1 在可穷举搜索图上的极小极大过程
4.4.2 固定层深的极小极大过程
4.4.3 α-β过程
4.5 复杂度问题
4.6 结语和参考文献
4.7 习题
第5章 随机方法
5.0 简介
5.1 计数基础（选读）
5.1.1 加法和乘法规则
5.1.2 排列与组合
5.2 概率论基础
5.2.1 样本空间、概率和独立性
5.2.2 概率推理：一个道路/交通例子
5.2.3 随机变量
5.2.4 条件概率
5.3 贝叶斯定理
5.4 随机方法学的应用
5.4.1 “tomato”是如何发音的
5.4.2 道路/交通例子的扩展
5.5 结语和参考文献
5.6 习题
第6章 为状态空间搜索建立控制算法
6.0 简介
6.1 基于递归的搜索（选读）
6.1.1 递归
6.1.2 一个递归搜索的例子：模式驱动推理
6.2 产生式系统
6.2.1 定义和历史
6.2.2 产生式系统的例子
6.2.3 产生式系统中的搜索控制
6.2.4 AI产生式系统的优点
6.3 用于问题求解的黑板结构
6.4 结语和参考文献
6.5 习题
第三部分 捕获智能：AI中的挑战
第7章 知识表示
7.0 知识表示问题
7.1 AI表示模式的简要历史
7.1.1 语义关联理论
7.1.2 语义网的早期研究
7.1.3 网络关系的标准化
7.1.4 脚本
7.1.5 框架
7.2 概念图：网络语言
7.2.1 概念图简介
7.2.2 类型、个体和名字
7.2.3 类型层次
7.2.4 泛化和特化
7.2.5 命题结点
7.2.6 概念图和逻辑
7.3 其他表示方法和本体
7.3.1 Brooks的包容结构
7.3.2 Copycat结构
7.3.3 多种表示、本体和知识服务
7.4 基于主体的和分布式的问题求解方法
7.4.1 基于主体的定义
7.4.2 基于主体的应用
7.5 结语和参考文献
7.6 习题
第8章 求解问题的强方法
8.0 简介
8.1 专家系统技术概览
8.1.1 基于规则的专家系统设计
8.1.2 问题选择和知识工程的步骤
8.1.3 概念模型及其在知识获取中的作用
8.2 基于规则的专家系统
8.2.1 产生式系统和目标驱动问题求解
8.2.2 目标驱动推理中的解释和透明性
8.2.3 利用产生式系统进行数据驱动推理
8.2.4 专家系统的启发和控制
8.3 基于模型系统、基于案例系统和混合系统
8.3.1 基于模型推理简介
8.3.2 基于模型推理：来自NASA的例子
8.3.3 基于案例推理介绍
8.3.4 混合设计：强方法系统的优势和不足
8.4 规划
8.4.1 规划简介：机器人学
8.4.2 使用规划宏：STRIPS
8.4.3 teleoreactive规划
8.4.4 规划：来自NASA的例子
8.5 结语和参考文献
8.6 习题
第9章 不确定条件下的推理
9.0 简介
9.1 基于逻辑的反绎推理
9.1.1 非单调推理逻辑
9.1.2 真值维护系统
9.1.3 基于最小模型的逻辑
9.1.4 集合覆盖和基于逻辑的反绎
9.2 反绎：逻辑之外的办法
9.2.1 Stanford确信度代数
9.2.2 模糊集推理
9.2.3 DempsterShafer证据理论
9.3 处理不确定性的随机方法
9.3.1 有向图模型：贝叶斯信念网络
9.3.2 有向图模型：d-可分
9.3.3 有向图模型：一个推理算法
9.3.4 有向图模型：动态贝叶斯网络
9.3.5 马尔可夫模型：离散马尔可夫过程
9.3.6 马尔可夫模型：变形
9.3.7 BBN概率建模的一阶替代方案
9.4 结语和参考文献
9.5 习题
第四部分 机器学习
第10章 基于符号的机器学习
10.0 简介
10.1 基于符号学习的框架
10.2 变形空间搜索
10.2.1 泛化操作符和概念空间
10.2.2 候选解排除算法
10.2.3 LEX：启发式归纳搜索
10.2.4 评估候选解排除算法
10.3 ID3决策树归纳算法
10.3.1 自顶向下决策树归纳
10.3.2 测试选择的信息论方法
10.3.3 评价ID3
10.3.4 决策树数据问题：打包、推进
10.4 归纳偏置和学习能力
10.4.1 归纳偏置
10.4.2 可学习性理论
10.5 知识和学习
10.5.1 MetaDENDRAL
10.5.2 基于解释的学习
10.5.3 EBL和知识层学习
10.5.4 类比推理
10.6 无监督学习
10.6.1 发现和无监督学习
10.6.2 概念聚类
10.6.3 COBWEB和分类知识的结构
10.7 强化学习
10.7.1 强化学习的组成部分
10.7.2 一个例子：九宫游戏
10.7.3 强化学习的推理算法和应用
10.8 结语和参考文献
10.9 习题
第11章 机器学习：连接机制
11.0 简介
11.1 连接网络的基础
11.2 感知机学习
11.2.1 感知机训练算法
11.2.2 例子：用感知机网络进行分类
11.2.3 通用delta规则
11.3 反传学习
11.3.1 反传算法的起源
11.3.2 反传算法实例1：NETtalk
11.3.3 反传算法实例2：异或
11.4 竞争学习
11.4.1 对于分类的“胜者全拿”学习
11.4.2 学习原型的Kohonen网络
11.4.3 outstar网络和逆传
11.4.4 支持向量机
11.5 Hebbian一致性学习
11.5.1 概述
11.5.2 无监督Hebbian学习的例子
11.5.3 有监督Hebbian学习
11.5.4 联想记忆和线性联想器
11.6 吸引子网络或“记忆”
11.6.1 概述
11.6.2 双向联想记忆
11.6.3 BAM处理的例子
11.6.4 自相关记忆和Hopfield网络
11.7 结语和参考文献
11.8 习题
第12章 机器学习：遗传性和涌现性
12.0 社会性和涌现性的学习模型
12.1 遗传算法
12.1.1 两个例子：CNF可满足性问题和巡回推销员问题
12.1.2 遗传算法的评估
12.2 分类器系统和遗传程序设计
12.2.1 分类器系统
12.2.2 用遗传算子进行程序设计
12.3 人工生命和基于社会的学习
12.3.1 生命游戏
12.3.2 进化规划
12.3.3 涌现的实例研究
12.4 结语和参考文献
12.5 习题
第13章 机器学习：概率理论
13.0 学习中的随机模型和动态模型
13.1 隐马尔可夫模型(HMM)
13.1.1 隐马尔可夫模型的介绍和定义
13.1.2 隐马尔可夫模型的重要变形
13.1.3 使用HMM和Viterbi解码音素串
13.2 动态贝叶斯网络和学习
13.2.1 动态贝叶斯网络
13.2.2 学习贝叶斯网络
13.2.3 期望最大化：一个例子
13.3 强化学习的随机扩展
13.3.1 马尔可夫决策过程
13.3.2 部分 可观测的马尔可夫决策过程
13.3.3 马尔可夫决策过程实现的例子
13.4 结语和参考文献
13.5 习题
第五部分 人工智能问题求解的高级课题
第14章 自动推理
14.0 定理证明中的弱方法
14.1 通用问题求解器和差别表
14.2 归结定理证明
14.2.1 概述
14.2.2 为归结反驳生成子句形式
14.2.3 二元归结证明过程
14.2.4 归结策略和简化技术
14.2.5 从归结反驳中抽取解答
14.3 Prolog和自动推理
14.3.1 概述
14.3.2 逻辑程序设计和Prolog
14.4 自动推理进一步的问题
14.4.1 弱方法求解的统一表示法
14.4.2 可选推理规则
14.4.3 归结反驳支持下的问答机制
14.4.4 搜索策略及其使用
14.5 结语和参考文献
14.6 习题
第15章 自然语言理解
15.0 自然语言理解问题
15.1 解构语言：分析
15.2 语法
15.2.1 使用上下文无关文法说明和解析
15.2.2 Earley解析器：动态规划二次访问
15.3 转移网络解析器及语义学
15.3.1 转移网络解析器
15.3.2 乔姆斯基层次和上下文相关文法
15.3.3 ATN解析器的语义
15.3.4 结合句法和语义知识的ATN
15.4 语言理解的随机工具
15.4.1 概述：语言分析中的统计技术
15.4.2 马尔可夫模型方法
15.4.3 决策树方法
15.4.4 解析的概率方法
15.4.5 概率上下文无关解析器
15.5 自然语言应用
15.5.1 故事理解和问题解答
15.5.2 数据库前端
15.5.3 Web信息抽取和摘要系统
15.5.4 用学习算法来泛化抽取的信息
15.6 结语和参考文献
15.7 习题
第六部分 后记
第16章 人工智能是经验式的学科
16.0 简介
16.1 人工智能：修订的定义
16.1.1 人工智能和物理符号系统假设
16.1.2 连接或者“神经”计算
16.1.3 主体、涌现和智能
16.1.4 概率模型和随机技术
16.2 智能系统科学
16.2.1 心理学约束
16.2.2 认识论问题
16.3 人工智能：当前的挑战和未来的方向
16.4 结语和参考文献
^ 收 起
译者序
前言
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用
1.1 从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度
1.1.1 人工智能基础的简要历史
1.1.2 理性主义和经验主义学派对人工智能的影响
1.1.3 形式逻辑的发展
1.1.4 图灵测试
1.1.5 智能的生物和社会模型：主体理论
1.2 人工智能应用领域概述
1.2.1 博弈
1.2.2 自动推理和定理证明
1.2.3 专家系统
1.2.4 自然语言理解和语义学
1.2.5 对人类表现建模
1.2.6 规划和机器人学
1.2.7 人工智能的语言和环境
1.2.8 机器学习
1.2.9 其他表示：神经网络和遗传算法
1.2.1 0AI和哲学
1.3 人工智能小结
1.4 结语和参考文献
1.5 习题
第二部分 作为表示和搜索的人工智能
第2章 谓词演算
2.0 简介
2.1 命题演算（选读）
2.1.1 符号和语句
2.1.2 命题演算的语义
2.2 谓词演算
2.2.1 谓词的语法和语句
2.2.2 谓词演算的语义
2.2.3 语义含义的积木世界例子
2.3 使用推理规则产生谓词演算表达式
2.3.1 推理规则
2.3.2 合一算法
2.3.3 合一的例子
2.4 应用：一个基于逻辑的财务顾问
2.5 结语和参考文献
2.6 习题
第3章 状态空间搜索的结构和策略
3.0 简介
3.1 状态空间搜索的结构
3.1.1 图论（选读）
3.1.2 有限状态自动机（选读）
3.1.3 问题的状态空间表示
3.2 用于状态空间搜索的策略
3.2.1 数据驱动搜索和目标驱动搜索
3.2.2 图搜索的实现
3.2.3 深度优先搜索和宽度优先搜索
3.2.4 迭代加深的深度优先搜索
3.3 利用状态空间来表示命题演算和谓词演算的推理
3.3.1 逻辑系统的状态空间描述
3.3.2 与或图
3.3.3 进一步的例子和应用
3.4 结语和参考文献
3.5 习题
第4章 启发式搜索
4.0 简介
4.1 爬山法和动态规划法
4.1.1 爬山
4.1.2 动态规划
4.2 最佳优先搜索算法
4.2.1 实现最佳优先搜索
4.2.2 实现启发评估函数
4.2.3 启发式搜索和专家系统
4.3 可采纳性、单调性和信息度
4.3.1 可采纳性度量
4.3.2 单调性
4.3.3 信息度更高的启发是更好的启发
4.4 在博弈中使用启发
4.4.1 在可穷举搜索图上的极小极大过程
4.4.2 固定层深的极小极大过程
4.4.3 α-β过程
4.5 复杂度问题
4.6 结语和参考文献
4.7 习题
第5章 随机方法
5.0 简介
5.1 计数基础（选读）
5.1.1 加法和乘法规则
5.1.2 排列与组合
5.2 概率论基础
5.2.1 样本空间、概率和独立性
5.2.2 概率推理：一个道路/交通例子
5.2.3 随机变量
5.2.4 条件概率
5.3 贝叶斯定理
5.4 随机方法学的应用
5.4.1 “tomato”是如何发音的
5.4.2 道路/交通例子的扩展
5.5 结语和参考文献
5.6 习题
第6章 为状态空间搜索建立控制算法
6.0 简介
6.1 基于递归的搜索（选读）
6.1.1 递归
6.1.2 一个递归搜索的例子：模式驱动推理
6.2 产生式系统
6.2.1 定义和历史
6.2.2 产生式系统的例子
6.2.3 产生式系统中的搜索控制
6.2.4 AI产生式系统的优点
6.3 用于问题求解的黑板结构
6.4 结语和参考文献
6.5 习题
第三部分 捕获智能：AI中的挑战
第7章 知识表示
7.0 知识表示问题
7.1 AI表示模式的简要历史
7.1.1 语义关联理论
7.1.2 语义网的早期研究
7.1.3 网络关系的标准化
7.1.4 脚本
7.1.5 框架
7.2 概念图：网络语言
7.2.1 概念图简介
7.2.2 类型、个体和名字
7.2.3 类型层次
7.2.4 泛化和特化
7.2.5 命题结点
7.2.6 概念图和逻辑
7.3 其他表示方法和本体
7.3.1 Brooks的包容结构
7.3.2 Copycat结构
7.3.3 多种表示、本体和知识服务
7.4 基于主体的和分布式的问题求解方法
7.4.1 基于主体的定义
7.4.2 基于主体的应用
7.5 结语和参考文献
7.6 习题
第8章 求解问题的强方法
8.0 简介
8.1 专家系统技术概览
8.1.1 基于规则的专家系统设计
8.1.2 问题选择和知识工程的步骤
8.1.3 概念模型及其在知识获取中的作用
8.2 基于规则的专家系统
8.2.1 产生式系统和目标驱动问题求解
8.2.2 目标驱动推理中的解释和透明性
8.2.3 利用产生式系统进行数据驱动推理
8.2.4 专家系统的启发和控制
8.3 基于模型系统、基于案例系统和混合系统
8.3.1 基于模型推理简介
8.3.2 基于模型推理：来自NASA的例子
8.3.3 基于案例推理介绍
8.3.4 混合设计：强方法系统的优势和不足
8.4 规划
8.4.1 规划简介：机器人学
8.4.2 使用规划宏：STRIPS
8.4.3 teleoreactive规划
8.4.4 规划：来自NASA的例子
8.5 结语和参考文献
8.6 习题
第9章 不确定条件下的推理
9.0 简介
9.1 基于逻辑的反绎推理
9.1.1 非单调推理逻辑
9.1.2 真值维护系统
9.1.3 基于最小模型的逻辑
9.1.4 集合覆盖和基于逻辑的反绎
9.2 反绎：逻辑之外的办法
9.2.1 Stanford确信度代数
9.2.2 模糊集推理
9.2.3 DempsterShafer证据理论
9.3 处理不确定性的随机方法
9.3.1 有向图模型：贝叶斯信念网络
9.3.2 有向图模型：d-可分
9.3.3 有向图模型：一个推理算法
9.3.4 有向图模型：动态贝叶斯网络
9.3.5 马尔可夫模型：离散马尔可夫过程
9.3.6 马尔可夫模型：变形
9.3.7 BBN概率建模的一阶替代方案
9.4 结语和参考文献
9.5 习题
第四部分 机器学习
第10章 基于符号的机器学习
10.0 简介
10.1 基于符号学习的框架
10.2 变形空间搜索
10.2.1 泛化操作符和概念空间
10.2.2 候选解排除算法
10.2.3 LEX：启发式归纳搜索
10.2.4 评估候选解排除算法
10.3 ID3决策树归纳算法
10.3.1 自顶向下决策树归纳
10.3.2 测试选择的信息论方法
10.3.3 评价ID3
10.3.4 决策树数据问题：打包、推进
10.4 归纳偏置和学习能力
10.4.1 归纳偏置
10.4.2 可学习性理论
10.5 知识和学习
10.5.1 MetaDENDRAL
10.5.2 基于解释的学习
10.5.3 EBL和知识层学习
10.5.4 类比推理
10.6 无监督学习
10.6.1 发现和无监督学习
10.6.2 概念聚类
10.6.3 COBWEB和分类知识的结构
10.7 强化学习
10.7.1 强化学习的组成部分
10.7.2 一个例子：九宫游戏
10.7.3 强化学习的推理算法和应用
10.8 结语和参考文献
10.9 习题
第11章 机器学习：连接机制
11.0 简介
11.1 连接网络的基础
11.2 感知机学习
11.2.1 感知机训练算法
11.2.2 例子：用感知机网络进行分类
11.2.3 通用delta规则
11.3 反传学习
11.3.1 反传算法的起源
11.3.2 反传算法实例1：NETtalk
11.3.3 反传算法实例2：异或
11.4 竞争学习
11.4.1 对于分类的“胜者全拿”学习
11.4.2 学习原型的Kohonen网络
11.4.3 outstar网络和逆传
11.4.4 支持向量机
11.5 Hebbian一致性学习
11.5.1 概述
11.5.2 无监督Hebbian学习的例子
11.5.3 有监督Hebbian学习
11.5.4 联想记忆和线性联想器
11.6 吸引子网络或“记忆”
11.6.1 概述
11.6.2 双向联想记忆
11.6.3 BAM处理的例子
11.6.4 自相关记忆和Hopfield网络
11.7 结语和参考文献
11.8 习题
第12章 机器学习：遗传性和涌现性
12.0 社会性和涌现性的学习模型
12.1 遗传算法
12.1.1 两个例子：CNF可满足性问题和巡回推销员问题
12.1.2 遗传算法的评估
12.2 分类器系统和遗传程序设计
12.2.1 分类器系统
12.2.2 用遗传算子进行程序设计
12.3 人工生命和基于社会的学习
12.3.1 生命游戏
12.3.2 进化规划
12.3.3 涌现的实例研究
12.4 结语和参考文献
12.5 习题
第13章 机器学习：概率理论
13.0 学习中的随机模型和动态模型
13.1 隐马尔可夫模型(HMM)
13.1.1 隐马尔可夫模型的介绍和定义
13.1.2 隐马尔可夫模型的重要变形
13.1.3 使用HMM和Viterbi解码音素串
13.2 动态贝叶斯网络和学习
13.2.1 动态贝叶斯网络
13.2.2 学习贝叶斯网络
13.2.3 期望最大化：一个例子
13.3 强化学习的随机扩展
13.3.1 马尔可夫决策过程
13.3.2 部分 可观测的马尔可夫决策过程
13.3.3 马尔可夫决策过程实现的例子
13.4 结语和参考文献
13.5 习题
第五部分 人工智能问题求解的高级课题
第14章 自动推理
14.0 定理证明中的弱方法
14.1 通用问题求解器和差别表
14.2 归结定理证明
14.2.1 概述
14.2.2 为归结反驳生成子句形式
14.2.3 二元归结证明过程
14.2.4 归结策略和简化技术
14.2.5 从归结反驳中抽取解答
14.3 Prolog和自动推理
14.3.1 概述
14.3.2 逻辑程序设计和Prolog
14.4 自动推理进一步的问题
14.4.1 弱方法求解的统一表示法
14.4.2 可选推理规则
14.4.3 归结反驳支持下的问答机制
14.4.4 搜索策略及其使用
14.5 结语和参考文献
14.6 习题
第15章 自然语言理解
15.0 自然语言理解问题
15.1 解构语言：分析
15.2 语法
15.2.1 使用上下文无关文法说明和解析
15.2.2 Earley解析器：动态规划二次访问
15.3 转移网络解析器及语义学
15.3.1 转移网络解析器
15.3.2 乔姆斯基层次和上下文相关文法
15.3.3 ATN解析器的语义
15.3.4 结合句法和语义知识的ATN
15.4 语言理解的随机工具
15.4.1 概述：语言分析中的统计技术
15.4.2 马尔可夫模型方法
15.4.3 决策树方法
15.4.4 解析的概率方法
15.4.5 概率上下文无关解析器
15.5 自然语言应用
15.5.1 故事理解和问题解答
15.5.2 数据库前端
15.5.3 Web信息抽取和摘要系统
15.5.4 用学习算法来泛化抽取的信息
15.6 结语和参考文献
15.7 习题
第六部分 后记
第16章 人工智能是经验式的学科
16.0 简介
16.1 人工智能：修订的定义
16.1.1 人工智能和物理符号系统假设
16.1.2 连接或者“神经”计算
16.1.3 主体、涌现和智能
16.1.4 概率模型和随机技术
16.2 智能系统科学
16.2.1 心理学约束
16.2.2 认识论问题
16.3 人工智能：当前的挑战和未来的方向
16.4 结语和参考文献
^ 收 起
George F. Luger，1973年在宾夕法尼亚大学获得博士学位，并在之后的5年间在爱丁堡大学人工智能系进行博士后研究，现在是新墨西哥大学计算机科学研究、语言学及心理学教授。
《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“基于随机方法的机器学习”的介绍，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。
《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
《人工智能复杂问题求解的结构和策略（原书第6版）》适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
比价列表
