前辅文
 第1章 绪论
  1.1 人工智能的基本概念
  1.2 人工智能的发展历史和现状
  1.3 人工智能的主要研究领域
  1.4 人工智能应用
  1.5 本书结构
  1.6 小结
  练习题
 第2章 知识表示
  2.1 引言
  2.2 本体表示
   2.2.1 领域本体
   2.2.2 事件本体
  2.3 框架表示法
  2.4 语义网络
   2.4.1 语义网络的发展历史
   2.4.2 语义网络的定义
   2.4.3 语义网络分类
   2.4.4 语义网络构建方法
   2.4.5 语义网络的优势
  2.5 知识图谱
   2.5.1 知识图谱的发展
   2.5.2 知识图谱的表示方法
   2.5.3 知识图谱的构建
  2.6 小结
  练习题
 第3章 搜索技术
  3.1 概述
  3.2 问题求解与搜索策略
   3.2.1 问题求解
   3.2.2 问题实例
   3.2.3 通过搜索求解
   3.2.4 盲目搜索策略
   3.2.5 启发式搜索策略
  3.3 局部搜索算法
  3.4 博弈搜索
   3.4.1 博弈
   3.4.2 alpha-beta剪枝
   3.4.3 蒙特卡洛树搜索
   3.4.4 谷歌公司的AlphaGo
  3.5 小结
  练习题
 第4章 推理技术
  4.1 概述
  4.2 一阶逻辑推理
   4.2.1 命题推理和一阶推理
   4.2.2 前向链接算法
   4.2.3 反向链接
  4.3 概率推理
   4.3.1 概率基本性质
   4.3.2 使用联合分布进行推理
   4.3.3 贝叶斯网络的语义
   4.3.4 贝叶斯网络中的精确推理
   4.3.5 贝叶斯网络中的近似推理
   4.3.6 关系和一阶概率模型
  4.4 时间上的概率推理
   4.4.1 时间与不确定性
   4.4.2 时序模型中的推理
   4.4.3 隐马尔可夫模型
   4.4.4 动态贝叶斯网络
  4.5 基于知识图谱的知识推理
  4.6 小结
  练习题
 第5章 博弈论与多智能体系统
  5.1 正规形式博弈
  5.2 纳什均衡
  5.3 智能体与多智能体系统
  5.4 实例讨论
   5.4.1 稳定匹配
   5.4.2 公平分配
   5.4.3 社会福利最大化分配
   5.4.4 卖家盈利最大化分配
  5.5 小结
  练习题
 第6章 机器学习
  6.1 基本概念
  6.2 无监督学习
   6.2.1 k-means算法和k中心点算法
   6.2.2 EM聚类
   6.2.3 CLARA算法和CLARANS算法
   6.2.4 谱聚类
   6.2.5 基于约束的聚类
   6.2.6 在线聚类
  6.3 监督学习
   6.3.1 支持向量机
   6.3.2 概率图模型
   6.3.3 多层感知机
  6.4 强化学习
   6.4.1 强化学习模型及其基本要素
   6.4.2 马尔可夫决策过程
   6.4.3 Q学习与SARSA学习
   6.4.4 深度Q学习
  6.5 应用示例
  6.6 小结
  练习题
 第7章 神经网络与深度学习
  7.1 概述
   7.1.1 深度学习的概念
   7.1.2 深度学习的基本思想
   7.1.3 深度学习的经典方法
  7.2 人工神经网络
   7.2.1 人工神经网络
   7.2.2 “深度”的含义
  7.3 感知机网络
   7.3.1 单层感知机
   7.3.2 多层感知机
  7.4 卷积神经网络
   7.4.1 输入层
   7.4.2 卷积层
   7.4.3 池化层
   7.4.4 全连接层
   7.4.5 经典的卷积神经网络
  7.5 注意力机制
   7.5.1 什么是注意力机制
   7.5.2 注意力机制的形式化
   7.5.3 注意力机制的变种形式
  7.6 小结
  练习题
 第8章 计算机视觉
  8.1 概述
   8.1.1 计算机视觉的基本概念
   8.1.2 计算机视觉的典型任务
  8.2 特征表示
   8.2.1 传统的特征表示方法
   8.2.2 深度特征表示方法
  8.3 目标检测
   8.3.1 两阶段的目标检测方法
   8.3.2 一阶段的目标检测方法
  8.4 目标识别
   8.4.1 传统的目标识别方法
   8.4.2 深度目标识别方法
  8.5 目标跟踪
   8.5.1 传统的目标跟踪方法
   8.5.2 深度目标跟踪方法
  8.6 应用案例
   8.6.1 图像分类
   8.6.2 目标检测
   8.6.3 目标跟踪
  8.7 小结
  练习题
 第9章 语音信息处理
  9.1 概述
  9.2 语音信号处理
   9.2.1 语音信号的产生机理和数字化采样
   9.2.2 语音信号分析
  9.3 EM算法
  9.4 HMM模型
   9.4.1 HMM的基本结构
   9.4.2 HMM的三个基本问题
  9.5 GMM模型
   9.5.1 GMM的基本结构
   9.5.2 GMM的参数估计
  9.6 语音识别
   9.6.1 语音识别基本原理
   9.6.2 声学模型
   9.6.3 语言模型
   9.6.4 解码
  9.7 语音合成
  9.8 语音信息处理技术的最新进展
  9.9 小结
  练习题
 第10章 自然语言处理
  10.1 自然语言处理概论
  10.2 自然语言处理典型问题
   10.2.1 文本分类
   10.2.2 序列评估
   10.2.3 序列标注
   10.2.4 序列结构预测
   10.2.5 序列转换
   10.2.6 文本匹配
  10.3 主要研究方法与模型
   10.3.1 规则方法
   10.3.2 概率统计模型
   10.3.3 机器学习模型
   10.3.4 深度神经网络模型
   10.3.5 预训练模型
  10.4 自然语言处理典型任务
   10.4.1 文本信息抽取
   10.4.2 自动问答
   10.4.3 对话系统
   10.4.4 文本自动摘要
   10.4.5 机器翻译
  10.5 小结
  练习题
 第11章 智能机器人
  11.1 基本概念
   11.1.1 机器人的定义与特点
   11.1.2 机器人的结构和分类
  11.2 体系结构
   11.2.1 慎思式体系结构
   11.2.2 反应式体系结构
   11.2.3 混合式体系结构
   11.2.4 新型体系结构
  11.3 环境感知与建模
   11.3.1 感知传感器
   11.3.2 感知算法
   11.3.3 数据融合
   11.3.4 建模方法
  11.4 运动规划
   11.4.1 全局路径规划
   11.4.2 局部路径规划
  11.5 多机器人协同
   11.5.1 多机器人系统体系结构
   11.5.2 多机器人协同感知
   11.5.3 多机器人协同作业
   11.5.4 多机器人协同编队
  11.6 应用示例
   11.6.1 百度无人驾驶车和Apollo系统
   11.6.2 四足机器人“绝影”
  11.7 小结
  练习题
 参考文献