-
第一章 导论
人工智能是最新兴的科学与工程领域之一，1956年创造了“人工智能”这个名称本身。本章试图解释为什么我们认为人工智能是一个值得研究的学科，并试图准确地界定什么是人工智能。整章从人工智能的定义切入，后阐述了人工智能的发展基础和历史，最后介绍了此学科的研究现状。
-
●1.1 课程概况
本节主要介绍课程的概况，包括课程使用教材及主要章节内容概况。
-
●1.2 为什么学习ai
多种学科参与了人工智能的发展，本节重点介绍了哲学、数学、经济学、神经科学、心理学、计算机工程、控制论、语言学这八大学科对人工智能的贡献。
-
●1.3 什么是ai
人工智能可从两个维度进行定义。第一种维度的两级分别为思考和行动；第二种维度的两级分别为表现逼真和行为合理。本节详细介绍了两种维度组成的四种途径对人工智能的定义。
-
●1.4 ai历史
人工智能本身的发展可追溯到1943年。在1956年，人工智能正式诞生，克服了一系列困难后，如今ai已成为一个普遍的研究领域。本节主要介绍了人工智能各个发展阶段取得的重要成就。
-
●1.5 ai现状
如今人工智能在多领域都有大量研究，本节简述了几个人工智能的应用实例，包括机器人汽车、语音识别等。
-
第二章 智能化智能体
这一章主要讲解智能体的相关概念，主要内容包括：智能体和环境、 理性的概念、 环境的本质、智能体的类型。要求重点掌握智能体的定义，理性智能体的概念，任务环境peas，环境的类型以及智能体的类型，会对某个给定智能体的peas以及环境类型进行设计和分析。
-
●2.1 智能体和环境
本节主要讲解智能体的概念和定义，智能体和环境的关系。要求重点掌握智能体的概念，智能体程序和智能体函数的区别，以及智能体程序的设计方法。
-
●2.2 理性的概念
本节主要讲解什么是理性智能体，如何判断一个智能体是否是理性的，理性智能体应该具备的一些特点。要求重点掌握理性的概念，理性与全知、完美等概念的区别，会判断一个智能体是否是理性的。
-
●2.3 环境的本质
构造智能体的第一步必须尽可能全面详细地说明任务环境，本节的主要内容包括：任务环境描述以及环境的类型两方面的内容。要求会对一些智能体给出相应的peas，并说明任务环境的属性，分析任务环境的特点。
-
●2.4 智能体的类型
本节主要来学习四种基本的智能体程序以及学习智能体两方面的内容。要求重点掌握简单反射型智能体、基于模型的反射型智能体、基于目标的智能体
以及基于效用的智能体各自的主要方法以及特点，并掌握学习智能体的概念以及四个元件各自的功能。
-
第三章 搜索问题
本章讨论的是基于目标的agent中的问题求解agent，当问题求解不能通过单一的行动一步完成时，agent 如何找到一组行动达到目标。为达到目标，寻找这样的行动序列的过程被称为搜索。搜索算法的输入是问题，输出是问题的解。本章详细介绍了搜索问题的导入、搜索树以及一般树搜索算法的流程、无信息搜索策略、有信息搜索策略以及对抗搜索。
-
●3.1 搜索问题导入及其形式化
对于算法输入的问题，我们首先要进行形式化操作，问题形式化是在给定目标下确定需要考虑哪些行动和状态的过程。在表示中去除细节的过程被称为抽象，不仅状态描述要抽象，行动也要抽象。选择一个好的问题抽象，包括在保持有效抽象的前提下去除尽可能多的细节和确保抽象后的行动容易完成。问题的解是从初始状态到目标状态的一组行动序列。解一旦找到了，它所对应的行动将会付诸实施，即被执行。简而言之，一个用搜索进行问题求解的过程即可简单地分解为三个阶段“形式化、搜索、执行”。
-
●3.2 无信息搜索
在对问题进行形式化之后，我们现在需要对问题求解。本节内容主要包括引入搜索树的概念，树搜索中关键在于策略的选择，我们会给出一个自主选择扩展结点策略的例子。
-
●3.3 有信息搜索
这一节介绍的内容是有信息搜索策略。知道一个非目标状态是否比其他状态“更有希望”接近目标的策略，我们把它称为有信息搜索策略或者启发式搜索策略。
-
●3.4 对抗搜索
在这一小节中，我们要讨论的内容是多agent环境下的博弈问题。在有其他agent计划与我们对抗时，该如何预先规划行动，这是对抗搜索需要考虑的问题。
-
第四章 逻辑智能体
逻辑智能体是一种基于知识作出决策的智能体，其通过通用知识和当前的感知在决定动作前推理出当前状态的隐含状况，本章首先通过一个简短的故事引入基于知识的智能体的概念，然后给出一个知识智能体实例——怪兽世界，通过这个实例介绍知识的逻辑表示和推理。最后，本章介绍了命题逻辑及其相关定理证明。
-
●4.1 基于知识的智能体
基于知识的智能体由知识库（knowledge base）和推理的规则（rules of inference）组成，智能体根据知识库以及感知到的信息推理出符合推理规则的决策状态。
-
●4.2 基于知识智能体实例
本节给出了一个经典的智能体实例——怪兽世界，包含了一个基于知识的智能体的所有必备属性，可以用来研究智能体的表示和推理方式。
-
●4.3 知识的逻辑表示和推理
知识的逻辑表示是通过一定的语法和语义处理事实的形式化系统表示，目的是为了得到正确的结论，而知识的推理意味着从知识库中派生出相应的结论。
-
●4.4 命题逻辑：一种简单的逻辑
命题逻辑是由命题组成的一种可用来推理的逻辑表示方法，通过命题逻辑可以构建智能体的知识库并加以推理。
-
●4.5 命题逻辑定理证明
本小节介绍并证明了命题逻辑的等价性、有效性、可满足性和完备性等相关定理，并介绍了归结原理，正向链接和反向链接的相关原理。
-
第五章 一阶逻辑推理
命题逻辑具有局限性，无法以简洁的方式表示复杂环境的知识，因此引入了一阶逻辑。本章在理清命题逻辑及一阶逻辑的区别和联系后，详细介绍了一阶逻辑相关的知识，包括其基本概念、一阶逻辑知识表示法、置换和合一的基本概念、如何求取最一般合一置换、归结原理及归结推理方法以及应用归结原理进行定理证明和问题求解的方法。
-
●5.1 命题逻辑的局限性
在命题逻辑中，命题是最基本的单位，对简单命题不再分解，并且不考虑命题之间的内在联系和数量关系，具有局限性。本节通过分析其局限性引出了一阶逻辑。
-
●5.2 一阶逻辑中的基本概念
本节主要介绍一阶逻辑中的基本概念，包括个体、谓词、函数、连接符、量词、等词等在内的基本元素；原子语句和复杂语句；以及一阶逻辑的语法和语义等。
-
●5.3 知识的一阶逻辑表达方法
本节介绍了如何利用一阶逻辑表示知识，其主要步骤包括：定义谓词及个体并确定其确切含义；为每个谓词中的变元赋以特定的值；用连接符号将谓词连接起来形成谓词公式。
-
●5.4 一阶逻辑化为子句
将一阶逻辑公式化为对应的子句集，可以更容易方便的处理问题。本节介绍了将一阶逻辑公式化为子句集的九个步骤，需要掌握skolern标准式和子句集的求取方法。
-
●5.5 归结原理
归结原理，又称为消解原理，是对于命题逻辑和一阶逻辑中的句子的推理规则，是定理证明基础。本节主要介绍了求取最一般合一置换的方法、两种归结方法以及归结反演的过程。
-
●5.6 归结原理的应用
本节主要介绍了归结原理在定理证明和问题求解中的应用。需要掌握利用归结原理进行定理证明以及应用利用归结原理求取问题答案。
-
第六章 不确定性的量化
在复杂的、非确定的环境中，尤其是在我们的现实生活中，不确定性是不可避免的。智能体所处的环境更多的可能是部分可观察或者是不确定的。这时智能体需要处理不确定性。本章聚焦不确定性知识的表示与推理，介绍了概率论为不确定知识的处理提供了一种严谨的方法，通过先验概率、条件概率等，将命题与智能体自身的知识状态联系了起来。
-
●6.1 不确定性的概述
本节首先从以自动驾驶出租车智能体为例介绍了不确定性。并指出由于缺乏问题域中的相关必要的事实或初始条件等信息，使用命题逻辑的表示方法来处理问题域中的不确定性往往会失败。
-
●6.2 不确定性与理性决策
本节介绍了基于概率论的不确定知识的表示与处理。在不确定环境下，智能体拥有的知识不能保证实现其中的任何一个目标，但是可以提供实现某种程度的信念度。处理信念度的主要工具是概率理论。概率提供了一种方法，以概括由我们的惰性和无知产生的不确定性。
-
●6.3 基本概率符号
传统的概率理论是非形式化的，是一些人类数学家写给另外一些人类数学家看的。为了使得机器尤其是智能体，能够有效地表示并使用概率信息，需要一种更加形式化的语言。本节给出了概率理论的规范性介绍。
-
●6.4 使用完全联合分布进行推理
在上述形式化描述概率理论的基础上，本节中介绍了概率推理的一种简单方法-使用完全联合分布进行推理，也被称之为是枚举推理。即，根据已观察到的证据计算查询命题的后验概率。完全联合概率分布指定了对随机变量的每种完整赋值的概率，可以用于回答问题域内的任何查询。
-
●6.5 贝叶斯规则及其应用
本节中介绍了贝叶斯规则及其应用。在实践中，贝叶斯规则对于回答以某一证据为条件的概率查询问题是非常有用的。
-
第七章 概率推理
贝叶斯网络是一种有向无环图的结构，结点表示随机变量，有向边刻画了变量之间的依赖关系，以一种精确简洁的方式刻画了问题域中随机变量之间的条件独立关系。在本章中首先讲解了随机变量之间的独立性与条件独立性，然后介绍了不确定问题的知识表示-贝叶斯网络、贝叶斯网络的语义和贝叶斯网络中的精确推理。
-
●7.1 独立性与条件独立性
本节介绍了概率论中的独立性和条件独立性，当独立性断言可用时，可以大大减少为定义完全联合概率分布所需指定的概率数目，有助于减小问题域表示的规模并降低推理问题的复杂度。
-
●7.2 不确定问题的知识表示-贝叶斯网络
本节介绍了一种称为贝叶斯网络的数据结构，用于表示变量之间的依赖关系。贝叶斯网络可以本质上表示任何完全联合概率分布，是一种使用简单局部分布（条件概率）描述复杂联合分布（全局概率）的技术。
-
●7.3 贝叶斯网络的语义
从语法上看，贝叶斯网络是一个每个结点都附有数值参数的有向无环图。贝叶斯网络视为对联合概率分布的一种表示方法，每个联合条目定义为局部条件分布中对应条目的乘积。本节首先介绍了贝叶斯网络的语法和语义，并通过一个实例给出了贝叶斯网络的构建过程。
-
●7.4 贝叶斯网络中的枚举推理
贝叶斯网络给出了完全联合概率分布的完整表示，而任何条件概率都可以通过将完全联合概率分布中的某些项相加而计算得到。因此，理论上保证了可以在贝叶斯网络中通过计算条件概率的乘积再求和来回答查询变量的后验概率。本节介绍了一种贝叶斯网络中的精确推理算法-枚举推理。
-
●7.5 变量消元算法
在枚举推理算法过程中，表达式树上会有重复的计算，如果能够消除这种重复计算，将大大提高枚举算法的效率。本节介绍了一种可以避免这种计算浪费的一般性方法：变量消元算法，
并举例说明如何使用它们高效的进行概率推理。
-
第八章 实例学习
实例学习也称为样例学习或从样本中学习，是一类很重要的学习策略。本章主要内容包括学习概述、决策树学习算法以及人工神经网络。重点掌握有监督学习、无监督学习、强化学习的概念以及决策树学习算法和前馈神经网络bp算法这两种常用的有监督学习算法。
-
●8.1 学习概述
本节主要讲解学习的相关概念，包括什么是学习、学习的重要性和必要性、学习的形式以及学习的三种主要类型：有监督学习、无监督学习、强化学习。重点掌握有监督学习的相关概念。
-
●8.2 决策树学习
决策树学习是一种最简单但应用广泛的有监督学习算法，它将从一组训练数据中学习到的函数表示为一棵树。本节主要讲解最基本的决策树算法。要求掌握基于信息增益的最优属性选择方法以及决策树的算法的步骤，并根据给定的训练数据集会按照决策树算法构建一棵决策树。
-
●8.3 人工神经网络
神经网络具有分布式处理能力、容错能力、学习能力等，是一种最常见和最有效的人工智能系统，这一节的主要内容有以下三个方面：神经元和网络结构、 单层前馈神经网络（或感知器）、多层前馈神经网络，要求掌握人工神经网络相关概念、感知器学习算法以及bp算法，会用前馈神经网络解决一些模式识别问题。