人工智能
欢迎来到人工智能维基教科书。
以下是基本布局的第一个提案。这尚未完成，欢迎提出意见。在讨论页面讨论，或直接在这里添加。
本书分为 5 个部分，内容从浅入深，难度逐渐增加。每个部分包含若干章节。除了常规章节外，还有案例研究章节，使用常规章节中的几种技术（以及可能的一些新技术）来研究完整而复杂的人工智能系统。
概述
- 人工智能代理及其环境
- 人工智能范式和学派
- 概率: 描述概率论推断的基础（哲学和数学）。
- 规划、决策和问题解决: 扩展搜索章节，展示如何创建简单的智能体和简单的智能行为。例如，解决难题，在一个小迷宫中导航（有陷阱和怪物）或计划去超市购物。
- 不确定性: 介绍在不确定性下进行推理、规划和决策。
- 案例研究 - 构建一个（相对）强大的游戏 AI: 为某个游戏（待定）构建一个强大的 AI，该 AI 结合了规划和不确定性章节中的技术。这应该比大多数书籍中描述的简化算法更深入，并且实际上产生一个强大的游戏 AI。
- 逻辑推理: 后向和前向链，归结和逻辑编程。
- 知识工程: 描述和存储复杂知识的方法。数据库、OO 概念、知识库、表示空间和时间、从大型数据集推断、诊断系统等。
- 自然语言: 马尔可夫模型、词性标注器和 CFG 等内容。
- 机器学习 (ML): 机器学习的基本思想是研究模式识别，做出预测，根据示例或数据改进预测。机器学习概念的例子，如监督学习、无监督学习、半监督学习、强化学习和深度学习。
- 案例研究 - 深度学习: 描述深度架构（即深度信念网络、卷积神经网络）在手写字符识别中的应用。
- 案例研究 - 人工生命: 描述一个拥有多个进化智能体的环境，以及构建智能体的几种不同技术。这应该能够借鉴和比较第二部分（包括自然语言章节）中的几乎所有章节。
- 人工智能的哲学问题: 讨论人工智能领域哲学家通常处理的 AI 问题，例如，用 AI 在理论上能实现什么，程序是否可以有意识或感到疼痛，意向性以及符号基础。
- 高级专家系统: 扩展了第二部分知识工程中解释的基本专家系统。包括对机器学习部分中贝叶斯网络的更深入解释。
- 案例研究 - 数据挖掘: 使用像 Weka 这样的软件，描述使用机器学习算法挖掘大型数据集（可能是维基百科数据库的一部分）。
- 案例研究 - 数据分析: 描述使用 R 编程等统计计算工具对数据进行操作，在 K 均值聚类、决策树、随机森林、自适应增强和支持向量机中（由 R 基金会支持，这是一个开源软件基金会）。
- 高级自然语言: 描述各种处理时态、句子焦点、预设等的技术。 NLP 和 NLG。这主要关注语言的底层结构以及如何将其转换为某种逻辑语言，而不是统计方法和模型。
- 自然语言学习: 处理更高级的统计模型，用于学习理解语言。
- 案例研究 - 对话系统: 构建能够用书面自然语言（智能地）进行交流的系统。简而言之，试图通过图灵测试。三种基本范式；基于案例推理（如 ALICE）、基于逻辑（将所有内容翻译成并从某种扩展的谓词逻辑版本中翻译出来）以及一些基于机器学习的解决方案。
- 机器视觉: 解释视觉数据。人脸识别、3D 重建等。
- 贝叶斯决策理论
- 线性判别式和感知器
- 支持向量机
- 参数化技术
- 非参数化技术
- 语音识别、文本到语音和 OCR
- 高级逻辑: 高级逻辑系统。
- 强化学习
- 机器人学: 对机器人学的三种基本范式进行详细的技术介绍。处理软件和硬件。（定义: 情境机器人学）。
- 布尔智能理论
- 1 位学习器
- N 位学习电路
- 用 Java 编码的电路
- 我的研究成果...
- 奇点：人工智能会比人类更聪明吗？
- 精神机器 vs. 理性代理：人工智能会解决精神问题吗？