具体描述
《人工智能:计算agent基础》讨论AI科学，它将AI作为智能计算Agent设计的研究课题。《人工智能:计算agent基础》虽然设计为教科书，但它也适合广大专业人员和研究人员阅读。《人工智能:计算agent基础》的一个重要特色是其在线学习资源。在过去的几十年里，人工智能是作为一种严肃科学和工程学科出现的。《人工智能:计算agent基础》提供了针对本科生和研究生的第一手便利可用的领域综合资料，对当今该领域的基础发展进行了展望。像任何名副其实的科学一样，AI具有条理分明、形式化的理论和难以控制的实验。《人工智能:计算agent基础》均衡了理论和实验部分，并说明了如何将理论与实验密切地联系起来，使科学与工程应用共同发展。
作者简介
普尔（David L.Poole），加拿大不列颠哥伦比亚大学计算机科学教授，计算智能实验室主任。2014-2015年，他是牛津大学Leverhulme Trust客座教授。他还是加拿大人工智能学会（CAIAC）2013年终身成就奖获得者，是国际人工智能促进协会（AAAI）和加拿大人工智能学会（CAIAC）Fellow。
麦克沃思（Alan K.Mackworth），加拿大不列颠哥伦比亚大学计算机科学教授。他的研究兴趣是基于约束的人工智能及其应用，被称为约束满足、机器人足球、混合系统和基于约束的Agent等研究领域的先驱。他是国际人工智能联合会议（IJCAI）公司的总裁和理事，以及IJCAI执行委员会主席；同时还担任许多编委会和程序委员会委员。他是加拿大计算机智能研究会（CSCSI）主席，还担任国际人工智能促进协会（AAAI）主席。荣获的奖励包括：ITAC/NSERC杰出学术奖.Killam研究奖，《人工智能》杂志经典论文奖，CSCSI杰出服务奖，AAAI杰出服务奖，CAIAC终身成就奖等。他是AAAI和CAIAC的Fellow，加拿大前沿科学研究院和加拿大皇家学院院士。
目录信息
译者序
前言
第一部分世界中的Agent：什么是Agent及如何创建它们
第1章人工智能与Agent
1.1什么是人工智能
1.2人工智能简史
1.3环境中的Agent
1.4知识表示
1.4.1定义解
1.4.2表示
1.4.3推理与行为
1.5复杂性维度
1.5.1模块性
1.5.2表示方案
1.5.3规划期
1.5.4不确定性
1.5.5偏好
1.5.6Agent数量
1.5.7学习
1.5.8计算限制
1.5.9多维交互
1.6原型应用
1.6.1自主传送机器人
1.6.2诊断助手
1.6.3智能指导系统
1.6.4交易Agent
1.7本书概述
1.8本章小结
1.9参考文献及进一步阅读
1.10习题
第2章Agent体系结构和分层控制
2.1Agent
2.2Agent系统
2.3分层控制
2.4嵌入式和仿真Agent
2.5通过推理来行动
2.5.1设计时间与离线计算
2.5.2在线计算
2.6本章小结
2.7参考文献及进一步阅读
2.8习题
第二部分表达和推理
第3章状态和搜索
3.1用搜索进行问题求解
3.2状态空间
3.3图搜索
3.4一个通用搜索算法
3.5无信息搜索策略
3.5.1深度优先搜索
3.5.2宽度优先搜索
3.5.3最低花费优先搜索
3.6启发式搜索
3.6.1A*搜索
3.6.2搜索策略总结
3.7更复杂的搜索方法
3.7.1环检查
3.7.2多路径剪枝
3.7.3迭代深化
3.7.4分支界限法
3.7.5搜索方向
3.7.6动态规划法
3.8本章小结
3.9参考文献及进一步阅读
3.10习题
第4章特征和约束
4.1特征和状态
4.2可能世界、变量和约束
4.2.1约束
4.2.2约束满足问题
4.3生成—测试算法
4.4使用搜索求解CSP
4.5一致性算法
4.6域分割
4.7变量消除
4.8局部搜索
4.8.1迭代最佳改进
4.8.2随机算法
4.8.3评估随机算法
4.8.4局部搜索中利用命题结构
4.9基于种群的方法
4.10最优化
4.10.1最优化的系统方法
4.10.2局部搜索最优化
4.11本章小结
4.12参考文献及进一步阅读
4.13习题
第5章命题和推理
5.1命题
5.1.1命题演算的语法
5.1.2命题演算的语义
5.2命题确定子句
5.2.1问题与解答
5.2.2验证
5.3知识表示问题
5.3.1背景知识与观察
5.3.2询问用户
5.3.3知识层的解释
5.3.4知识层的调试
5.4反证法验证
5.4.1Horn子句
5.4.2假说与冲突
5.4.3基于一致性的诊断
5.4.4通过假设和Horn子句推理
5.5完备知识假设
5.5.1非单调推理
5.5.2完备知识的验证程序
5.6溯因推理
5.7因果模型
5.8本章小结
5.9参考文献及进一步阅读
5.10习题
第6章不确定推理
6.1概率
6.1.1概率的语义
6.1.2概率公理
6.1.3条件概率
6.1.4期望值
6.1.5信息理论
6.2独立性
6.3信念网络
6.4概率推理
6.4.1信念网络中的变量消除
6.4.2通过随机模拟进行近似推理
6.5概率和时间
6.5.1马尔可夫链
6.5.2隐马尔可夫模型
6.5.3监听和平滑算法
6.5.4动态信念网络
6.5.5时间粒度
6.6本章小结
6.7参考文献及进一步阅读
6.8习题
第三部分学习与规划
第7章学习概述与有监督学习
7.1学习问题
7.2有监督学习
7.2.1评估预测
7.2.2无输入特征的点估计
7.2.3概率学习
7.3有监督学习的基本模型
7.3.1决策树学习
7.3.2线性回归与分类
7.3.3贝叶斯分类器
7.4组合模型
7.4.1神经网络
7.4.2集成学习
7.5避免过拟合
7.5.1最大后验概率和最小描述长度
7.5.2交叉验证
7.6基于案例的推理
7.7改进假设空间的学习
7.7.1变型空间学习
7.7.2可能近似正确学习
7.8贝叶斯学习
7.9本章小结
7.10参考文献及进一步阅读
7.11习题
第8章确定性规划
8.1状态、动作以及目标的表示
8.1.1显式状态空间表示法
8.1.2基于特征的动作表示
8.1.3STRIPS表示法
8.1.4初始状态和目标
8.2前向规划
8.3回归规划
8.4CSP规划
8.5偏序规划
8.6本章小结
8.7参考文献及进一步阅读
8.8习题
第9章不确定性规划
9.1偏好和效用
9.2一次性的决策
9.3序贯决策
9.3.1决策网络
9.3.2策略
9.3.3决策网络的变量消除
9.4信息与控制的价值
9.5决策过程
9.5.1策略值
9.5.2最优策略值
9.5.3值迭代
9.5.4策略迭代
9.5.5动态决策网络
9.5.6部分可观察决策过程
9.6本章小结
9.7参考文献及进一步阅读
9.8习题
第10章多Agent系统
10.1多Agent框架
10.2博弈的表示
10.2.1博弈的标准形式
10.2.2博弈的扩展形式
10.2.3多Agent决策网络
10.3完全信息的计算策略
10.4部分可观察的多Agent推理
10.4.1纳什均衡计算
10.4.2学习协调
10.5群体决策
10.6机制设计
10.7本章小结
10.8参考文献及进一步阅读
10.9习题
第11章有监督之外的其他学习模型
11.1聚类
11.1.1期望最大化
11.1.2k—均值
11.1.3用于软聚类的期望最大化
11.2信念网络学习
11.2.1概率学习
11.2.2未观察到的变量
11.2.3缺失数据
11.2.4结构学习
11.2.5信念网络学习的一般情形
11.3增强学习
11.3.1演化算法
11.3.2时闻差
11.3.3Q—学习
11.3.4探索与利用
11.3.5增强学习算法的评估
11.3.6在策略学习
11.3.7为路径分配信用和责任
11.3.8基于模型的方法
11.3.9基于特征的增强学习
11.4本章小结
11.5参考文献及进一步阅读
11.6习题
第四部分个体与关系的推理
第12章个体与关系
12.1在特征之外利用结构
12.2符号与语义
12.3Datalog：一个关联规则语言
12.3.1基Datalog的语义
12.3.2解释变量
12.3.3带变量的查询
12.4证明与替换
12.4.1带变量的自底向上过程
12.4.2带变量的确定性归结
12.5函数符号
12.6在自然语言处理中的应用
12.6.1在上下文无关文法中使用限定子句
12.6.2增强文法
12.6.3为非终结符号建立结构
12.6.4封装的文本输出
12.6.5强制约束
12.6.6建立自然语言与数据库的接口
12.6.7局限
12.7相等
12.7.1允许相等断言
12.7.2唯一名字假设
12.8完备知识假设
12.9本章小结
12.10参考文献及进一步阅读
12.11习题
第13章本体和基于知识的系统
13.1知识共享
13.2灵活的表示
13.2.1选择个体和关系
13.2.2图形化表示
13.2.3原始关系与导出关系
13.3本体与知识共享
13.3.1描述逻辑
13.3.2顶层本体
13.4查询用户和其他知识来源
13.4.1函数化关系
13.4.2更普遍的问题
13.5实现基于知识的系统
13.5.1基语言和元语言
13.5.2普通的元解释器
13.5.3扩展基语言
13.5.4深度有限搜索
13.5.5元解释器构建证明树
13.5.6可询问用户的元解释器
13.5.7推迟目标
13.6本章小结
13.7参考文献及进一步阅读
13.8习题
第14章关系规划、学习和概率推理
14.1规划个体与关系
14.1.1情景演算
14.1.2事件演算
14.2个体与关系的学习
14.3概率关系模型
14.4本章小结
14.5参考文献及进一步阅读
14.6习题
第五部分宏观图景
第15章回顾与展望
15.1复杂性维度回顾
15.2社会与道德后果
15.3参考文献及进一步阅读
附录A数学基础与记号
参考文献
索引
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
《人工智能：计算agent基础》这本书，为我理解智能体（agent）的“学习”过程提供了扎实的理论支撑，尽管它没有详细介绍我在关注的“迁移学习”在跨领域应用中的最新进展，或者“联邦学习”如何在保护用户隐私的同时实现模型的分布式训练。我一直对AI如何能够“举一反三”，将在一个领域学到的知识应用到另一个完全不同的领域充满好奇。我也关心AI如何在不泄露个人数据的 Yet，能够有效地进行模型训练，就像在保护隐私的前提下，实现数据的价值最大化。这本书并没有直接深入到这些具体的、前沿的学习范式。但它对“机器学习”核心概念的阐释，从“监督学习”、“无监督学习”到“强化学习”，都做得非常到位。作者通过对不同算法的原理和应用场景的讲解，让我看到了AI是如何通过数据来“成长”和“进步”的。特别是关于“决策树”和“支持向量机”的讲解，即使是对于初学者，也能够清晰地理解其背后的数学原理和逻辑。
评分《人工智能：计算agent基础》这本书，为我提供了关于智能体（agent）“规划”与“执行”之间关系的清晰认识，尽管它没有涉及我一直期待的“终身学习”能力，或者AI如何实现“自主反思”和“自我纠错”的机制。我一直对AI能够持续不断地学习，并且能够主动发现并纠正自身的错误感到着迷。我设想一个AI系统，不仅能完成任务，还能在过程中不断提升自己，甚至能够理解自己的“局限性”。这本书并没有直接去构建这样的“终身学习”或“自我反思”的AI模型。但是，它对“规划”的详细介绍，让我看到了智能体如何为达成目标而进行一系列的预先思考和路径设计。从“状态空间搜索”到“部分可观察马尔可夫决策过程”（POMDP）的介绍，让我理解了在面对不确定性和部分信息时，agent是如何进行“推理”和“决策”的。它为我理解AI如何在复杂环境中制定策略，并一步步执行，打下了坚实的基础，也让我看到了AI在解决复杂问题时，需要一个清晰的“计划”。
评分《人工智能：计算agent基础》这本书，就像是为我打开了一扇了解“智能”运作机制的窗户，尽管我一直渴望看到更接近我内心深处对“意识”和“创造力”的探索，比如机器能否真正进行艺术创作，或者拥有独立思考和反思的能力。我一直对那些能够像艺术家一样创作出令人惊叹的画作、谱写出感人肺腑的乐曲的AI系统充满好奇，也对它们是否能像人类一样理解抽象概念、进行哲学思考抱有疑问。这本书并没有直接触及这些更深层次的、关于“心智”的哲学和认知科学层面的问题。但它对“知识表示”和“推理”的详尽阐述，让我对agent如何“思考”有了更为具体的认识。无论是“逻辑推理”中的命题逻辑和谓词逻辑，还是“不确定性推理”中的贝叶斯网络，都让我看到了机器在模拟认知过程上的可能性。作者通过丰富的实例，展示了如何将现实世界的问题转化为符号化的表示，然后通过各种推理引擎来解决。这让我明白，即使没有“意识”，一个精心设计的计算系统也能展现出高度的智能行为。它让我对“智能”有了更客观、更计算化的理解，也让我对未来AI在解决复杂科学问题和工程难题上的潜力有了更深的期待。
评分读完《人工智能：计算agent基础》这本书，我真的被它彻底吸引了，虽然它没有深入探讨我特别关注的那些前沿交叉领域，比如神经形态计算在情感机器人中的应用，或者是量子计算如何加速强化学习的训练过程，但它扎实的基础知识构建，让我对“智能”这个概念有了更深层次的理解。我一直对那些能够模仿甚至超越人类情感反应的机器人很感兴趣，也对机器如何通过模拟生物神经网络来学习和适应感到好奇。这本书并没有直接触及这些具体应用，但它详细讲解了智能体（agent）的核心概念，包括感知、决策和行动的循环，以及它们如何通过不同的搜索算法、规划方法和学习机制来实现目标。尤其是在讲解启发式搜索和最优解寻找方面，作者通过大量的图示和案例，将抽象的算法变得生动易懂，这对于我理解agent如何做出“明智”的决策非常有帮助。虽然我期望能看到更多关于如何为agent赋予“情绪”或者“意识”的探讨，但这本书所提供的坚实理论基础，无疑是我进一步探索这些复杂话题的起点。它让我明白，没有扎实的计算基础，那些科幻般的智能场景终究是空中楼阁。它成功地将我对AI的朦胧兴趣，转化为一种更清晰、更有条理的认知框架，让我不再仅仅停留在“AI很厉害”的层面，而是开始思考“AI为什么厉害”以及“AI如何变得厉害”。
评分《人工智能：计算agent基础》这本书，在构建我对智能体（agent）的认知框架方面，无疑起到了重要的作用，尽管我一直期望它能更深入地探讨“多智能体系统”的协同进化，或者“群体智能”在解决复杂问题上的潜力。我一直对那些能够像蚁群或蜂群一样，通过简单的个体交互，涌现出高度智能的集体行为的AI系统感到着迷。我也好奇，如何能够设计出鼓励合作、避免冲突的AI群体，共同完成看似不可能的任务。这本书并没有直接将重点放在这些“群体”层面的智能现象上。但是，它对“游戏理论”和“博弈策略”的讲解，为我理解智能体之间的互动提供了一个非常好的视角。通过对“囚徒困境”等经典博弈的分析，以及如何设计能够实现“纳什均衡”的策略，让我看到了即使是纯粹理性的个体，在互动中也能涌现出意想不到的结果。这让我明白，在AI的设计中，考虑“对方”也是至关重要的。它为我理解合作与竞争的本质，以及如何在复杂环境中制定最优策略，打下了基础。
评分《人工智能：计算agent基础》这本书，为我深入理解智能体（agent）的“知识获取”和“信息处理”能力提供了宝贵的指导，尽管它并没有涉及我一直关注的“知识图谱”在实际应用中的更多创新，或者AI如何进行“常识性推理”以解决模糊和不完整信息的问题。我一直对AI能够理解和运用人类的常识性知识感到好奇，比如“水往低处流”或者“鸡蛋掉在地上会碎”这样的基本道理。我也希望看到AI能够构建起庞大的知识网络，并在此基础上进行更灵活、更具创造性的推理。这本书并没有直接去构建或展示庞大的知识图谱。但是，它对“知识表示”方法进行了细致的讲解，包括“符号表示”和“连接主义表示”的优劣，以及如何将现实世界的知识转化为计算机能够理解的形式。特别是对“语义网络”和“框架表示”的介绍，让我看到了智能体如何组织和存储信息。它为我理解AI如何“学习”和“记忆”，以及如何利用这些知识进行推理，提供了一个坚实的理论基础。
评分《人工智能：计算agent基础》这本书，确实为我系统地梳理了智能体（agent）的思维脉络，但相比我一直期待的那种能够进行深度情感共鸣的AI，或者能够自主进行自我伦理判断的“道德机器人”，它似乎有些“理性”过头了。我一直梦想着机器人能够理解人类的悲伤、喜悦，并作出恰当的回应，而不仅仅是执行预设的程序。我也关注着未来AI如何能够遵守一套内在的、能够随着环境和情境变化的道德准则。这本书并没有直接去探讨这些“情感”和“道德”的复杂议题，而是聚焦于agent如何在一个确定的或不确定的环境中，通过“感知-思考-行动”的循环来达成目标。它详细讲解了“学习”在agent中的作用，从简单的“监督学习”到更复杂的“强化学习”，让我理解了agent如何通过与环境的交互来优化自身的行为策略。特别是关于“马尔可夫决策过程”（MDP）的介绍，以及如何通过“动态规划”和“蒙特卡洛方法”来求解最优策略，让我看到了agent在不断试错中学习的精妙之处。这本书的重点在于“如何让agent变得更有效率”，而我所期待的，更多是“如何让agent变得更有人情味”。
评分《人工智能：计算agent基础》这本书，就如同在我对人工智能的理解上，打下了一块坚实的地基，虽然它并没有直接告诉我如何建造起那些我脑海中浮现的、能够进行复杂情感交流的仿生人，或者是在微观世界里自主工作的纳米机器人。我一直梦想着能有技术突破，让机器拥有真正意义上的同理心，能够理解并回应人类微妙的情感变化。也对那些能够自我修复、自我进化，在极端环境中执行任务的智能系统充满向往。这本书没有过多涉足这些具体、高度仿生化的研究方向，但它对“智能体”这一核心概念的阐释，让我对“思考”的本质有了更清晰的认识。从“状态空间搜索”到“博弈论”的应用，作者用清晰的逻辑和循序渐进的方式，展示了agent是如何在面对复杂环境时，通过一系列的计算过程来做出最优或次优的决策。尤其是关于“限制性满意原则”（satisficing）的讲解，让我意识到，在很多情况下，追求绝对最优解并非是必须的，高效且能够接受的结果同样具有价值。这种“实用主义”的视角，对于理解现实世界中的AI应用，比如智能推荐系统或自动驾驶的决策逻辑，非常有启发性。这本书就像一位严谨的老师，虽然没有直接给我展示最终的艺术品，但却教会了我绘画的基本功，让我对未来的创作充满信心。
评分《人工智能：计算agent基础》这本书，让我对“智能”有了更加结构化的认识，尽管它并没有涉及我一直好奇的“通用人工智能”（AGI）的实现路径，或者AI在“复杂系统建模”和“科学发现”方面的突破性应用。我一直期待看到AI能够真正理解世界万物运行的内在规律，并据此进行科学预测和重大发现，就像解开宇宙的奥秘那样。我也对AI如何能够像人类科学家一样，提出全新的科学假说，并设计实验来验证它们充满向往。这本书并没有直接去回答这些宏大的问题。但是，它对“机器人控制”以及“机器人技术”的基础部分进行了详细的介绍。它阐述了如何为机器人设计出能够感知环境、做出决策并执行动作的“行动策略”。从“PID控制器”到更复杂的“模型预测控制”，让我看到了机器人在执行物理任务时的“思考”过程。这本书让我明白，即使是简单的移动机器人，其背后的计算逻辑也并非易事。它为我打开了探索物理世界与数字智能相结合的大门，虽然我梦想的机器人拥有更强的自主性和创造力。
评分《人工智能：计算agent基础》这本书，为我理解智能体（agent）的决策过程提供了极大的帮助，虽然它没有深入到我一直关注的“自主学习”和“自我优化”的深层机制，比如AI如何像人类一样，从极其稀疏的数据中学习到通用的能力，或者如何设计出能够不断超越自身限制的“超人类”智能。我一直对那些能够处理全新、未知问题的AI系统感到着迷，也对那些通过自我反思和改进，不断突破自身瓶颈的AI模型充满期待。这本书并没有直接深入探讨这些更具颠覆性的学习方式。但它对于“规划”和“搜索”的阐释，是我之前接触过的任何资料都无法比拟的。从“深度优先搜索”到“宽度优先搜索”，再到各种“启发式搜索算法”，作者都给出了非常清晰的解释和图示。尤其是在讲解“A*搜索算法”时，它如何结合了代价和启发式函数来寻找最优路径，让我对“智能”的计算本质有了更直观的理解。这本书更像是告诉我“如何在一个给定的地图上找到最佳路线”，而我更想知道的是“如何让AI自己绘制出地图，并且知道什么是‘最佳’”。
评分agent算法探讨，条理清晰，简单有趣
评分datalog的部分感觉没什么用
评分datalog的部分感觉没什么用
评分agent算法探讨，条理清晰，简单有趣
评分datalog的部分感觉没什么用
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有