前辅文
第1章 绪论
  1.1 人工智能的起源
  1.2 可计算载体：形式化与机械化
  1.3 智能计算方法
  1.4 新一代人工智能
  1.5 本书知识点脉络与教学内容安排
  1.6 小结
  延伸阅读：当前是从过去拔萃出来的投影
  本章习题
第2章 知识表达与推理
  2.1 知识表示方法
  2.2 命题逻辑
  2.3 谓词逻辑
  2.4 知识图谱推理
   2.4.1 FOIL归纳推理
   2.4.2 路径排序推理
   2.4.3 分布式表示下的知识推理
  2.5 概率推理
   2.5.1 贝叶斯网络
   2.5.2 马尔可夫逻辑网络
  2.6 因果推理
   2.6.1 辛普森悖论
   2.6.2 因果干预与do算子
   2.6.3 因果效应差
   2.6.4 反事实推理
  2.7 小结
  延伸阅读：推理即计算
  本章习题
第3章 搜索探寻与问题求解
  3.1 搜索基本概念
   3.1.1 搜索基本问题和求解
   3.1.2 搜索算法的评价指标
   3.1.3 搜索算法框架
  3.2 贪婪最佳优先搜索
  3.3 A*搜索
  3.4 最小最大搜索
  3.5 alpha-beta剪枝搜索
  3.6 蒙特卡洛树搜索
   3.6.1 探索与利用机制的平衡
   3.6.2 上限置信区间算法
   3.6.3 蒙特卡洛树搜索算法
  3.7 小结
  延伸阅读：突破组合爆炸之难与陷入地平线问题之困
  本章习题
第4章 机器学习
  4.1 机器学习基本概念
  4.2 模型评估与参数估计
   4.2.1 经验风险与期望风险
   4.2.2 模型性能度量方法
   4.2.3 参数优化：频率学派与贝叶斯学派
  4.3 回归分析
  4.4 决策树
   4.4.1 决策树分类案例
   4.4.2 构建决策树
  4.5 k均值聚类
  4.6 监督学习：特征降维
  4.7 无监督学习：特征降维
   4.7.1 方差、协方差和相关系数
   4.7.2 主成分分析
   4.7.3 特征人脸法
  4.8 演化学习
  4.9 小结
  延伸阅读：二战中德军每个月生产多少坦克？
  本章习题
第5章 神经网络与深度学习
  5.1 人工神经网络概述
  5.2 前馈神经网络
   5.2.1 神经元
   5.2.2 感知机
   5.2.3 前馈神经网络
  5.3 神经网络参数优化
   5.3.1 损失函数
   5.3.2 梯度下降
   5.3.3 误差反向传播
   5.3.4 误差反向传播与参数更新示例
  5.4 卷积神经网络
   5.4.1 卷积计算
   5.4.2 池化
  5.5 循环神经网络
   5.5.1 循环神经网络模型
   5.5.2 长短时记忆网络
   5.5.3 门控循环单元
  5.6 注意力机制
  5.7 神经网络正则化
  5.8 深度学习在自然语言和计算机视觉中的应用
   5.8.1 词向量模型
   5.8.2 图像分类与目标定位
  5.9 小结
  延伸阅读：爬上树梢与攀登月球
  本章习题
第6章 强化学习
  6.1 强化学习问题定义
   6.1.1 强化学习基本概念
   6.1.2 马尔可夫决策过程
   6.1.3 强化学习问题定义
   6.1.4 贝尔曼方程
  6.2 基于价值的强化学习
   6.2.1 策略迭代基本模式
   6.2.2 策略优化定理
   6.2.3 策略评估方法
   6.2.4 基于价值的强化学习算法
   6.2.5 探索与利用
   6.2.6 参数化与深度强化学习
  6.3 基于策略的强化学习
   6.3.1 策略梯度定理
   6.3.2 基于蒙特卡洛采样的策略梯度法
   6.3.3 Actor-Critic算法
  6.4 深度强化学习应用
   6.4.1 深度强化学习在围棋游戏中的应用
   6.4.2 深度强化学习在实际应用中的问题
  6.5 小结
  延伸阅读：最优化之策与试错术之谏的姻缘结合
  本章习题
第7章 人工智能博弈
  7.1 博弈论的相关概念
   7.1.1 博弈论的诞生
   7.1.2 博弈论术语与囚徒困境
   7.1.3 博弈的分类
   7.1.4 纳什均衡
   7.1.5 人工智能与博弈论
  7.2 博弈策略求解
   7.2.1 研究的问题
   7.2.2 虚拟遗憾最小化算法
   7.2.3 安全子博弈
  7.3 博弈规则设计
   7.3.1 研究的问题
   7.3.2 双边匹配算法
   7.3.3 单边匹配算法
  7.4 非完全信息博弈的实际应用
  7.5 小结
  延伸阅读：规避随机性与命运——骰子占卜到算法博弈
  本章习题
第8章 人工智能伦理与安全
  8.1 人工智能伦理
   8.1.1 伦理概念起源
   8.1.2 科技的双重属性
  8.2 人工智能模型安全
   8.2.1 攻击方法
   8.2.2 防御方法
   8.2.3 隐私保护
  8.3 人工智能可解释性
  8.4 小结
  延伸阅读：人有人的用处
  本章习题
第9章 人工智能架构与系统
  9.1 人工智能基础软硬件框架
   9.1.1 智能计算支撑框架
   9.1.2 智能计算结构与计算架构
  9.2 人工智能芯片
  9.3 人工智能系统
   9.3.1 人工智能编程框架
   9.3.2 分布式神经网络训练算法与系统
   9.3.3 分布式训练系统网络通信的异构硬件优化
   9.3.4 大规模机器学习系统部署
  9.4 小结
  延伸阅读：咸与维新——计算机体系架构的黄金时代
  本章习题
第10章 人工智能应用
  10.1 语言基础模型（大模型）
   10.1.1 语言基础模型的发展历程
   10.1.2 语言大模型的建模
   10.1.3 语言模型案例
  10.2 自然语言中的机器翻译
  10.3 图像分类与视觉对象定位
  10.4 语音识别与合成
   10.4.1 语音识别技术
   10.4.2 语音合成技术
  10.5 科学计算
  10.6 跨媒体智能
  10.7 机器人控制
  10.8 小结
  延伸阅读：人工智能效应之奇怪悖论
附录A 进阶知识点
  附录A.1 Ada Boosting算法
  附录A.2 非负矩阵分解
  附录A.3 主题建模
  附录A.4 隐马尔可夫模型
  附录A.5 朴素贝叶斯概率图模型
  附录A.6 生成式对抗学习
  附录A.7 图神经网络
  附录A.8 多智能体博弈
  附录A.9 人工智能体
附录B 人工智能知识点演变
  附录B.1 计算机课程体系
  附录B.2 计算机课程体系中人工智能知识点
  附录B.3 ACM和IEEE-CS制定的新版人工智能知识点
  附录B.4 “101计划”中人工智能课程知识点体系