کتاب هوش مصنوعی - جلد دوم

فصل سیزدهم :     عدم قطعیت

13-1. اقدام تحت عدم قطعیت

13-2. نماد‌گذاری اساسی احتمال

13-3. استنتاج با استفاده از توزیع‌های مشترک کامل

13-4. استقلال

13-5. قاعده‌ی بیز و کاربرد آن

13-6. بازبینی دنیای ومپوز

13-7. خلاصه

13-8. تمرین‌ها

فصل چهاردهم :     استدلال احتمالاتی

14-1. نمایش دانش در دامنه‌ی غیرقطعی

14-2. معنای شبکه‌ی بیزی

14-3. نمایش کارآمد توزیع‌های شرطی

14-4. استنتاج دقیق در شبکه‌های بیزی

14-5. استنتاج تقریبی در شبکه‌های بیزی

14-6. مدل‌های احتمال مرتبه‌ی اول و رابطه‌ای

14-7. رهیافت‌های دیگر برای استدلال عدم قطعیت

14-8. خلاصه

14-9. تمرین‌ها

فصل پانزدهم :     استدلال احتمالاتی در طول زمان

15-1. زمان و عدم قطعیت

15-2. استنتاج در مدل‌های زمانی

15-3. مدل‌های پنهان مارکوف

15-4. فیلترهای کالمن

15-5. شبکه‌های بیزی پویا

15-6. ردیابی اشیای متعدد

15-7. خلاصه

15-8. تمرین‌ها

فصل شانزدهم :     اتخاذ تصمیم‌های ساده

16-1. ترکیب باورها و خواسته‌ها تحت عدم قطعیت

16-2. مبانی نظریه‌ی سودمندی

16-3. توابع سودمندی

16-4. توابع سودمندی چندصفتی

16-5. شبکه‌های تصمیم‌گیری

16-6. ارزش اطلاعات

16-7. سیستم‌های خبره با تصمیم‌گیری نظری

16-8. خلاصه

16-9. تمرین‌ها

فصل هفدهم :     اتخاذ تصمیم‌های پیچیده

17-1. مسائل تصمیم‌گیری ترتیبی

17-2. تکرار ارزش (Value iteration)

17-3. تکرار سیاست

17-4. MDPهای پاره‌ای مشاهده‌‌پذیر

17-5. تصمیم‌گیری با عامل‌های متعدد: نظریه‌ی بازی

17-6. طراحی راهکار

17-7. خلاصه

17-8. تمرین‌ها

فصل هجدهم :   یادگیری از مثال‌ها

18-1. شکل‌های یادگیری

18-2. یادگیری نظارتی

18-3. یادگیری درخت‌های تصمیم

18-4. ارزیابی و انتخاب بهترین فرضیه

18-5. نظریه‌ی یادگیری

18-6. رگرسیون و دسته‌بندی با مدل‌های خطی

18-7. شبکه‌های عصبی مصنوعی

18-8. مدل‌های غیرپارامتری

18-9. ماشین‌های بردار پشتیبان

18-10. یادگیری گروهی (Ensemble LEARNING)

18-11. یادگیری عملی ماشین

18-12. خلاصه

18-13. تمرین‌ها

فصل نوزدهم :    دانش در یادگیری

19-1. تدوین منطقی یادگیری

19-2. دانش در یادگیری

19-3. یادگیری مبتنی بر توضیح

19-4. یادگیری با استفاده از اطلاعات مرتبط

19-5. برنامه‌سازی منطق استقرایی

19-6. خلاصه

19-7. تمرین‌ها

فصل بیستم :      یادگیری مدل‌های احتمالی

20-1. یادگیری احتمالی

20-2. یادگیری با داده‌های کامل

20-3. یادگیری با متغیرهای پنهان: الگوریتم EM

20-4. خلاصه

20-5. تمرین‌ها

فصل بیست و یکم :      یادگیری تقویتی

21-1. مقدمه

21-2. یادگیری تقویتی انفعالی

21-3. یادگیری تقویتی فعال

21-4. تعمیم یادگیری تقویتی

21-5. جستجوی سیاست

21-6. کاربردهای یادگیری تقویتی

21-7. خلاصه

21-8. تمرین‌ها

فصل بیست و دوم :        پردازش زبان طبیعی

22-1. مدل‌های زبان

22-2. دسته‌بندی متن

22-3. بازیابی اطلاعات

22-4. استخراج اطلاعات

22-5. خلاصه

22-6. تمرین‌ها

فصل بیست و سوم:        زبان طبیعی برای ارتباطات

23-1. گرامرهای ساختار عبارت

23-2. تحلیل نحوی (تجزیه)

23-3. گرامرهای ارتقایافته و تفسیر معنایی

23-4. ترجمه‌ی ماشینی

23-5. تشخیص گفتار

23-6. خلاصه

23-7. تمرین‌ها

فصل بیست و چهارم:      ادراک

24-1. تشکیل تصاویر

24-2. عملیات‌های اولیه‌ی پردازش تصویر

24-3. تشخیص اشیا به کمک ظاهر آن‌ها

24-4. بازسازی دنیای سه‌بُعدی

24-5. تشخیص شیء از اطلاعات ساختاری

24-6. استفاده از بینایی

24-7. خلاصه

24-8. تمرین‌ها

فصل بیست و پنجم:      رُباتیک

25-1. مقدمه

25-2. سخت‌افزار رُبات

25-3. ادراک رُباتیک

25-4. برنامه‌ریزی برای حرکت

25-5. برنامه‌ریزی حرکت‌های غیرقطعی

25-6. حرکت کردن

25-7. معماری‌های نرم‌افزار رُباتیک

25-8. قلمرو کاربرد رُباتیک

25-9. خلاصه

25-10. تمرین‌ها

فصل بیست و ششم:      مبانی فلسفی

26-1. هوش مصنوعی ضعیف: آیا ماشین‌ها می‌توانند هوشمندانه عمل کنند؟

26-2. هوش مصنوعی قوی: آیا واقعاً ماشین‌ها می‌توانند فکر کنند؟

26-3. اخلاق و خطرات توسعه‌ی هوش مصنوعی

26-4. خلاصه

26-5. تمرین‌ها

فصل بیست و هفتم:      هوش مصنوعی: در حال حاضر و آینده

27-1. مولفه‌های عامل

27-2. معماری‌های عامل

27-3. آیا در مسیر صحیح پیش می‌رویم؟

27-4. در صورت موفقیت هوش مصنوعی چه اتفاقی می‌افتد؟

پیوست الف:       پیش‌زمینه‌ی ریاضیات

الف-1. تحلیل پیچیدگی و نمادگذاری O()

الف-2. بردارها، ماتریس‌ها و جبر خطی

الف-3. توزیع احتمال

پیوست ب :        نکاتی درباره‌ی زبان‌ها و الگوریتم‌ها

ب-1. تعریف زبان‌ها با BNF

ب-2. توصیف الگوریتم‌ها با شبه‌کد

ب-3. کمک آنلاین

واژه‌نامه‌ی انگلیسی به فارسی