Artificial Intelligence – A Modern Approach

Artificial Intelligence: A Modern Approach (3rd Edition) comprehensively explains the core content of the field of artificial intelligence from the perspective of rational intelligent agents with detailed and rich information, and introduces in depth the main research directions. It is a rare comprehensive textbook. The book is divided into eight parts: Part I \"Artificial Intelligence\", Part II \"Problem Solving\", Part III \"Knowledge and Reasoning\", Part IV \"Planning\", Part V \"Uncertain Knowledge and Reasoning\", Part VI \"Learning\", Part VII \"Communication, Perception and Action\", and Part VIII \"Conclusion\". Part I Artificial Intelligence Chapter 1 Introduction 1.1 What is Artificial Intelligence 1.1.1 Human-like Behavior: The Turing Test Approach 1.1.2 Human-like Thinking: The Cognitive Model Approach 1.1.3 Thinking Rationally: The “Laws of Mind” Approach 1.1.4 Acting Rationally: The Rational Agent Approach 1.2 Foundations of Artificial Intelligence 1.2.1 Philosophy (428 BC - Present) 1.2.2 Mathematics (about 800 years - Present) 1.2.3 Economics (1776 - Present) 1.2.4 Neuroscience (1861 - Present) 1.2.5 Psychology (1879 - Present) 1.2.6 Computer Engineering (1940 - Present) 1.2.7 Cybernetics (1948 - Present) 1.2.8 Linguistics (1957 - Present) 1.3 History of Artificial Intelligence 1.3.1 The Birth Period of Artificial Intelligence (1943 - 1955) 1.3.2 The birth of artificial intelligence (1956) 1.3.3 Early enthusiasm, great expectations (1952-1969) 1.3.4 Realistic difficulties (1966-1973) 1.3.5 Knowledge-based systems: the key to power? 1.3.6 AI Becomes an Industry (1980-Present) 1.3.7 The Return of Neural Networks (1986-Present) 1.3.8 AI Becomes a Science (1987-Present) 1.3.9 The Emergence of Intelligent Agents (1995-Present) 1.4 The State of the Art 1.5 Summary References and Historical Notes Exercises Chapter 2 Intelligent Agents 2.1 Agents and Environments 2.2 Good Behavior: The Concept of Rationality 2.2.1 Performance Measures 2.2.2 Rationality 2.2.3 Omniscience, Learning, and Autonomy 2.3 The Nature of Environments 2.3.1 Specifying the Task Environment 2.3.2 Properties of the Task Environment 2.4 The Structure of Agents 2.4.1 Agent Programs 2.4.2 Simple Reflex Agents 2.4.3 Model-Based Reflex Agents 2.4.4 Goal-Based Agents 2.4.5 Utility-Based Agents 2.4.6 Learning Agents 2.5 Summary References and History Notes Exercises Part II Problem Solving Chapter 3 Using Search to Solve Problems 3.1 Problem Solving Agents 3.1.1 Well-Defined Problems and Solutions 3.1.2 Formalizing Problems 3.2 Example Problems 3.2.1 Toy Problems 3.2.2 Real-World Problems 3.3 Searching for Solutions 3.4 Uninformed Search Strategies 3.4.1 Breadth-First Search 3.4.2 Cost-Consistent Search 3.4.3 Depth-First Search 3.4.4 Depth-Limited Search 3.4.5 Iterated Depth-First Search 3.4.6 Bidirectional Search 3.4.7 Comparison of Uninformed Search Strategies 3.5 Avoiding Duplicate States 3.6 Searching with Incomplete Information 3.6.1 Sensorless Problems 3.6.2 Episodic Problems 3.7 Summary References and History Notes Exercises Chapter 4 Informed Search and Exploration 4.1 4.1.1 Greedy Best-First Search 4.1.2 A* Search: Minimizing Total Solution Estimation Dissipation 4.1.3 Memory-Constrained Heuristic Search 4.1.4 Learning for Better Search 4.2 Heuristic Functions 4.2.1 The Effect of Heuristic Function Accuracy on Performance 4.2.2 Designing Admissible Heuristic Functions 4.2.3 Learning Heuristic Functions from Experience 4.3 Local Search Algorithms and Optimization Problems 4.3.1 Hill Climbing Search 4.3.2 Simulated Annealing Search 4.3.3 Local Pruning Search 4.3.4 Genetic Algorithms 4.4 Local Search in Continuous Space 4.5 Online Search Agents and Unknown Environments 4.5.1 Online Search Problems 4.5.2 Online Search Agents 4.5.3 Online Local Search 4.5.4 Learning Online Search 4.6 Summary References and Historical Notes Exercises Chapter 5 Constraint Satisfaction Problems 5.1 Constraint Satisfaction Problems 5.2 5.2.1 Variables and Order of Values ​​5.2.2 Propagating Information Through Constraints 5.3 Local Search in Constraint Satisfaction Problems 5.4 Problem Structure 5.5 Summary References and Historical Notes Exercises Chapter 6 Adversarial Search 6.1 Games 6.2 Optimal Decision Making in Games 6.2.1 Optimal Strategies 6.2.2 Minimax Algorithms 6.2.3 Optimal Decision Making in Multiplayer Games 6.3 aB Pruning 6.4 Incomplete Real-Time Decision Making 6.4.1 Evaluation Functions 6.4.2 Truncated Search 6.5 Games Involving Chance 6.5.1 Position Evaluation in Games with Chance Nodes 6.5.2 Expected Minimax Complexity 6.5.3 Card Games 6.6 The Current State of Game Programming 6.7 Discussion 6.8 Summary References and Historical Notes Exercises Part III Knowledge and Reasoning Chapter 7 Logical Agents 7.1 Knowledge-Based Agents 7.2 Wumpus Worlds 7.3 Logic 7.4 : Propositional Logic: A Very Simple Logic 7.4.1 Syntax 7.4.2 Semantics 7.4.3 A Simple Knowledge Base 7.4.4 Reasoning 7.4.5 Equivalence, Validity, and Satisfiability 7.5 Reasoning Patterns in Propositional Logic 7.5.1 Resolution... Chapter 8 First-Order Logic Chapter 9 Reasoning in First-Order Logic Chapter 10 Knowledge Representation Part IV Planning Chapter 11 Planning Chapter 12 Planning and Action in the Real World Part V Uncertain Knowledge and Reasoning Chapter 13 Uncertainty Chapter 14 Probabilistic Reasoning Chapter 15 Probabilistic Reasoning About Time Chapter 16 Making Simple Decisions Chapter 17 Making Complex Decisions Part VI Learning Chapter 18 Learning from Observation Chapter 19 Learning Knowledge Chapter 20 Statistical Learning Methods Chapter 21 Reinforcement Learning Part VII Communication, Perception, and Action Chapter 22 Communication Chapter 23 Probabilistic Language Processing Chapter 24 Perception Chapter 25 Robotics Part VIII Conclusion Chapter 27 Artificial Intelligence: Current and Future Appendix A Mathematical Background Appendix B Notes on Languages ​​and Algorithms References (see the website of People\'s Posts and Telecommunications Press)