第0章  绪论
  0.1  人工智能的诞生
  0.2  人工智能发展简史
    0.2.1  初期时代
    0.2.2  知识时代
    0.2.3  特征时代
    0.2.4  数据时代
    0.2.5  大模型时代
  0.3  什么是人工智能
  0.4  图灵测试与中文屋子问题
    0.4.1  图灵测试
    0.4.2  中文屋子问题
  0.5  第三代人工智能
  0.6  总结
第1章  搜索问题
  1.1  回溯策略
  1.2  图搜索策略
  1.3  无信息图搜索过程
  1.4  启发式图搜索过程
  1.5  搜索算法讨论
  习题
第2章  谓词逻辑与归结原理
  2.1  命题逻辑
    2.1.1  命题
    2.1.2  命题公式
    2.1.3  命题逻辑的意义
    2.1.4  命题逻辑的推理规则
    2.1.5  命题逻辑的归结方法
  2.2  谓词逻辑基础
    2.2.1  谓词基本概念
    2.2.2  一阶谓词逻辑
    2.2.3  谓词演算与推理
    2.2.4  谓词知识表示
  2.3  谓词逻辑归结原理
    2.3.1  归结原理概述
    2.3.2  Skolem标准型
    2.3.3  子句集
    2.3.4  置换与合一
    2.3.5  归结式
    2.3.6  归结过程
    2.3.7  归结过程控制策略
  2.4  Herbrand定理
    2.4.1  概述
    2.4.2  H域
    2.4.3  H解释
    2.4.4  语义树与Herbrand定理
    2.4.5  Herbrand定理
    2.4.6  Herbrand定理与归结法的完备性
  习题
第3章  知识表示
  3.1  概述
    3.1.1  知识
    3.1.2  知识表示
    3.1.3  知识表示观
  3.2  产生式表示
    3.2.1  事实与规则的表示
    3.2.2  产生式系统的结构
    3.2.3  产生式系统的推理
    3.2.4  产生式表示的特点
  3.3  语义网络表示
    3.3.1  语义网络的结构
    3.3.2  基本的语义关系
    3.3.3  语义网络的推理
    3.3.4  语义网络表示法的特点
  3.4  框架表示
    3.4.1  框架结构
    3.4.2  框架表示下的推理
    3.4.3  框架表示法的特点
  3.5  其他表示方法
    3.5.1  脚本知识表示方法
    3.5.2  过程性知识表示法
    3.5.3  直接性知识表示方法
  习题
第4章  不确定性推理方法
  4.1  概述
    4.1.1  不确定性
    4.1.2  不确定性推理的基本问题
    4.1.3  不确定性推理方法的分类
  4.2  概率论基础
    4.2.1  随机事件
    4.2.2  事件的概率
    4.2.3  贝叶斯定理
    4.2.4  信任概率
  4.3  贝叶斯网络
    4.3.1  贝叶斯网络基本概念
    4.3.2  贝叶斯网络的推理模式
  4.4  主观贝叶斯方法
    4.4.1  规则的不确定性
    4.4.2  证据的不确定性
    4.4.3  推理计算
  4.5  确定性方法
    4.5.1  规则的不确定性度量
    4.5.2  证据的不确定性度量
    4.5.3  不确定性的传播与更新
    4.5.4  问题
  4.6  证据理论（D-S theory）
    4.6.1  基本概念
    4.6.2  证据的不确定性
    4.6.3  规则的不确定性
    4.6.4  推理计算
  习题
第5章  统计机器学习方法
  5.1  什么是统计机器学习方法
  5.2  朴素贝叶斯方法
  5.3  决策树
    5.3.1  决策树算法——ID3算法
    5.3.2  决策树算法
    5.3.3  过拟合问题与剪枝
    5.3.4  随机森林算法
  5.4  k近邻方法
  5.5  支持向量机
    5.5.1  什么是支持向量机
    5.5.2  线性可分支持向量机
    5.5.3  线性支持向量机
    5.5.4  非线性支持向量机
    5.5.5  核函数与核方法
    5.5.6  支持向量机用于多分类问题
  5.6  K均值聚类算法
  5.7  层次聚类算法
  5.8  DBSCAN聚类算法
  5.9  验证与测试问题
  5.10  特征抽取问题
  5.11  总结
第6章  神经网络与深度学习
  6.1  从数字识别谈起
  6.2  神经元与神经网络
  6.3  神经网络的训练方法
  6.4  卷积神经网络
  6.5  梯度消失问题
  6.6  过拟合问题
  6.7  词向量
    6.7.1  词的向量表示
    6.7.2  神经网络语言模型
    6.7.3  word2vec模型
    6.7.4  词向量应用举例
  6.8  循环神经网络
  6.9  长短期记忆网络
  6.10  深度学习框架
  6.11  总结
第7章  对抗搜索
  7.1  能穷举吗？
  7.2  极小/极大模型
  7.3  α/β剪枝算法
  7.4  蒙特卡洛树搜索
  7.5  AlphaGo原理
  7.6  围棋中的深度强化学习方法
    7.6.1  基于策略梯度的强化学习
    7.6.2  基于价值评估的强化学习
    7.6.3  基于演员/评价方法的强化学习
  7.7  AlphaGo Zero原理
  7.8  总结
第8章  高级搜索
  8.1  基本概念
    8.1.1  组合优化问题
    8.1.2  邻域
  8.2  局部搜索算法
  8.3  模拟退火算法
    8.3.1  固体退火过程
    8.3.2  模拟退火算法
    8.3.3  参数的确定
    8.3.4  应用举例——旅行商问题
  8.4  遗传算法
    8.4.1  生物进化与遗传算法
    8.4.2  遗传算法的实现问题
  习题
附录
  附录A  BP算法
    A.1  求导数的链式法则
    A.2  符号约定
    A.3  对于输出层的神经元
    A.4  对于隐含层的神经元
    A.5  BP算法——随机梯度下降版
  附录B  序列最小最优化（SMO）算法
    B.1  SMO算法的基本思想
    B.2  SMO算法的详细计算过程
参考文献