1.全球1500多所学校采用的教材，国内众多高校选用。
2.配备丰富的教学资源，解决教师授课后顾之忧。
3.配套网站提供多种语言版本源代码，满足不同编程语言使用者的自学需要。
4.程序员入门人工智能领域的推荐书籍。
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。
第 一部分 人工智能基础
第 1 章 绪论 2
1.1 什么是人工智能 2
1.2 人工智能的基础 6
1.3 人工智能的历史 16
1.4 目前的先进技术 24
1.5 人工智能的风险和收益 27
小结 30
参考文献与历史注释 31
第 2 章 智能体 32
2.1 智能体和环境 32
2.2 良好行为：理性的概念 34
2.3 环境的本质 37
2.4 智能体的结构 41
小结 50
参考文献与历史注释 51
第二部分 问题求解
第 3 章 通过搜索进行问题求解 54
3.1 问题求解智能体 54
3.2 问题示例 57
3.3 搜索算法 61
3.4 无信息搜索策略 65
3.5 有信息（启发式）搜索策略 73
3.6 启发式函数 85
小结 90
参考文献与历史注释 92
第 4 章 复杂环境中的搜索 95
4.1 局部搜索和最优化问题 95
4.2 连续空间中的局部搜索 102
4.3 使用非确定性动作的搜索 104
4.4 部分可观测环境中的搜索 108
4.5 在线搜索智能体和未知环境 115
小结 120
参考文献与历史注释 121
第 5 章 对抗搜索和博弈 124
5.1 博弈论 124
5.2 博弈中的优化决策 126
5.3 启发式 α-β 树搜索 132
5.4 蒙特卡罗树搜索 136
5.5 随机博弈 139
5.6 部分可观测博弈 142
5.7 博弈搜索算法的局限性 146
小结 147
参考文献与历史注释 148
第 6 章 约束满足问题 152
6.1 定义约束满足问题 152
6.2 约束传播：CSP 中的推断 156
6.3 CSP 的回溯搜索 161
6.4 CSP 的局部搜索 166
6.5 问题的结构 168
小结 171
参考文献与历史注释 172
第三部分 知识、推理和规划
第 7 章 逻辑智能体 176
7.1 基于知识的智能体 176
7.2 wumpus 世界 178
7.3 逻辑 180
7.4 命题逻辑：一种非常简单的逻辑 183
7.5 命题定理证明 187
7.6 高效命题模型检验 196
7.7 基于命题逻辑的智能体 200
小结 207
参考文献与历史注释 208
第 8 章 一阶逻辑 211
8.1 回顾表示 211
8.2 一阶逻辑的语法和语义 215
8.3 使用一阶逻辑 223
8.4 一阶逻辑中的知识工程 228
小结 233
参考文献与历史注释 234
第 9 章 一阶逻辑中的推断 236
9.1 命题推断与一阶推断 236
9.2 合一与一阶推断 238
9.3 前向链接 241
9.4 反向链接 247
9.5 归结 252
小结 261
参考文献与历史注释 262
第 10 章 知识表示 265
10.1 本体论工程 265
10.2 类别与对象 267
10.3 事件 272
10.4 精神对象和模态逻辑 275
10.5 类别的推理系统 278
10.6 用缺省信息推理 281
小结 284
参考文献与历史注释 285
第 11 章 自动规划 290
11.1 经典规划的定义 290
11.2 经典规划的算法 294
11.3 规划的启发式方法 297
11.4 分层规划 300
11.5 非确定性域的规划和行动 307
11.6 时间、调度和资源 315
11.7 规划方法分析 318
小结 319
参考文献与历史注释 320
第四部分 不确定知识和不确定推理
第 12 章 不确定性的量化 326
12.1 不确定性下的动作 326
12.1.1 不确定性概述 327
12.1.2 不确定性与理性决策 328
12.2 基本概率记号 329
12.3 使用完全联合分布进行推断 334
12.4 独立性 336
12.5 贝叶斯法则及其应用 337
12.6 朴素贝叶斯模型 340
12.7 重游 wumpus 世界 342
小结 344
参考文献与历史注释 345
第 13 章 概率推理 348
13.1 不确定域的知识表示 348
13.2 贝叶斯网络的语义 350
13.3 贝叶斯网络中的精确推断 360
13.4 贝叶斯网络中的近似推理 367
13.5 因果网络 379
小结 382
参考文献与历史注释 383
第 14 章 时间上的概率推理 388
14.1 时间与不确定性 388
14.2 时序模型中的推断 391
14.3 隐马尔可夫模型 398
14.4 卡尔曼滤波器 403
14.5 动态贝叶斯网络 408
小结 417
参考文献与历史注释 418
第 15 章 概率编程 421
15.1 关系概率模型 421
15.2 开宇宙概率模型 427
15.3 追踪复杂世界 433
15.4 作为概率模型的程序 436
小结 440
参考文献与历史注释 440
第 16 章 做简单决策 444
16.1 在不确定性下结合信念与愿望 444
16.2 效用理论基础 445
16.3 效用函数 448
16.4 多属性效用函数 454
16.5 决策网络 458
16.6 信息价值 460
16.7 未知偏好 465
小结 468
参考文献与历史注释 469
第 17 章 做复杂决策 473
17.1 序贯决策问题 473
17.2 MDP 的算法 482
17.3 老虎机问题 489
17.4 部分可观测MDP 495
17.5 求解POMDP 的算法 497
小结 501
参考文献与历史注释 502
第 18 章 多智能体决策 505
18.1 多智能体环境的特性 505
18.2 非合作博弈论 510
18.3 合作博弈论 527
18.4 制定集体决策 533
小结 544
参考文献与历史注释 545
第五部分 机器学习
第 19 章 样例学习 550
19.1 学习的形式 550
19.2 监督学习 552
19.3 决策树学习 555
19.4 模型选择与模型优化 563
19.5 学习理论 569
19.6 线性回归与分类 572
19.7 非参数模型 581
19.8 集成学习 589
19.9 开发机器学习系统 596
小结 604
参考文献与历史注释 605
第 20 章 概率模型学习 610
20.1 统计学习 610
20.2 完全数据学习 613
20.3 隐变量学习：EM 算法 624
小结 632
参考文献与历史注释 632
第 21 章 深度学习 635
21.1 简单前馈网络 636
21.2 深度学习的计算图 640
21.3 卷积网络 643
21.4 学习算法 648
21.5 泛化 650
21.6 循环神经网络 654
21.7 无监督学习与迁移学习 657
21.8 应用 662
小结 664
参考文献与历史注释 664
第 22 章 强化学习 668
22.1 从奖励中学习 668
22.2 被动强化学习 670
22.3 主动强化学习 674
22.4 强化学习中的泛化 680
22.5 策略搜索 686
22.6 学徒学习与逆强化学习 688
22.7 强化学习的应用 690
小结 692
参考文献与历史注释 693
第六部分 沟通、感知和行动
第 23 章 自然语言处理 698
23.1 语言模型 698
23.2 文法 707
23.3 句法分析 709
23.4 扩展文法 713
23.5 真实自然语言的复杂性 717
23.6 自然语言任务 720
小结 722
参考文献与历史注释 722
第 24 章 自然语言处理中的深度学习 727
24.1 词嵌入 727
24.2 自然语言处理中的循环神经网络 730
24.3 序列到序列模型 733
24.4 Transformer 架构 737
24.5 预训练和迁移学习 739
24.6 Z高水平（SOTA） 742
小结 745
参考文献与历史注释 745
第 25 章 计算机视觉 748
25.1 引言 748
25.2 图像形成 749
25.3 简单图像特征 754
25.4 图像分类 760
有效的原因 762
25.5 物体检测 763
25.6 三维世界 766
25.7 计算机视觉的应用 769
小结 780
参考文献与历史注释 781
第 26 章 机器人学 785
26.1 机器人 785
26.2 机器人硬件 786
26.3 机器人学解决哪些问题 789
26.4 机器人感知 790
26.5 规划与控制 796
26.6 规划不确定的运动 810
26.7 机器人学中的强化学习 812
26.8 人类与机器人 814
26.9 其他机器人框架 820
26.10 应用领域 822
小结 825
参考文献与历史注释 826
第七部分 总结
第 27 章 人工智能的哲学、伦理和安全性 832
27.1 人工智能的极限 832
27.2 机器能真正地思考吗 835
27.3 人工智能的伦理 836
小结 851
参考文献与历史注释 852
第 28 章 人工智能的未来 857
28.1 人工智能组件 857
28.2 人工智能架构 862
附录 A 数学背景知识 865
附录 B 关于语言与算法的说明 871
参考文献 873
索引 914
温馨提示：请使用泸西县图书馆的读者帐号和密码进行登录
本书是在世界范围内广受欢迎的人工智能教材之一，其鲜明的特点有二：一，一卷在手，人工智能方方面面的主要知识被系统性地总结，知识内容与前沿知识内容取舍剪裁别具匠心，深具章法，驾轻就熟，相得益彰，颇有一种“包藏人工智能宇宙之机，吞吐人工智能天地之志”的架势；二，文字阐述深入浅出，言简意赅，旁征博引，详略得当，同时适合初学者以及在人工智能领域已有一定经验和造诣者这两大类人群阅读和学习，各取所需，甘之若饴。本书冠以人工智能的“现代方法”，可谓实至名归。特别是在以勃兴于2011年的深度学习模型为基本表征的人工智能走到山重水复、柳暗花明的当前形势下，其中的“现代”二字就显得更为重要。人们正呼唤着下一代人工智能新境界的到来。2022年10月，包括两位图灵奖得主约书亚.本吉奥（Yoshua Bengio）和杨立昆（Yann LeCun）在内的一批学者撰文提出了“具身图灵测试”的概念，强调机器系统与世界环境的具身交互研究是开拓下一代人工智能创新方法的关键要义，而这一点与本书从“智能体”的视角总揽全篇的前瞻性思路不谋而合。显然，深度学习远不能包打天下，复杂开放环境下智能任务的解决离不开多种理论、方法和技术手段在“具身智能”条件下的兼包并蓄、融会贯通，这就对人工智能研究者在知识结构体系上提出了更高的要求，而本书恰好具备能够满足这种要求缺一不可的广博性和深刻性。
孙茂松，欧洲科学院外籍院士，清华大学计算机科学与技术系教授，清华大学人工智能研究院常务副院长
本书可谓是集优秀学者撰写优秀教材，作者是国际人工智能领域专家、ACM/AAAI会士、曾获IJCAI卓越研究奖、AAAI费根鲍姆奖、AAAI/EAAI杰出教育家奖、ACM杰出教育家奖等荣誉，自1995年第1版出版以来已被全球大约1500所大学用作人工智能入门教科书。人民邮电出版社隆重推出第4版中文版，无疑是中文读者的福音。
周志华，ACM/AAAI会士，欧洲科学院外籍院士，南京大学计算机系主任兼人工智能学院院长
《人工智能：现代方法》是一本经典教材。“现代方法”选择从当下的角度讲述人工智能的故事，而贯穿全书的核心方法论是“智能体”。以计算机为载体的人工智能，揭开了机器智能大幕的一角，制造更复杂的机器，实现更强大的智能，机器智能将为科学研究创造无穷无尽的新对象。在这个意义上，智能是“科学的无尽疆域”，而人工智能这个“现代方法”，正是开疆拓土的动力之源。方法不止，智能无疆，“人工智能：现代方法”这个书名可以永远延续下去。
黄铁军，北京智源人工智能研究院院长，北京大学计算机学院教授
这是一本教材，但不是传统意义上的教材，它用现代思想凸显人工智能及相关工作的发展脉络，用智能体贯穿全书知识点的诠释，各章内容自然衔接，易于理解与掌握。
这不仅是一本教材，还是一本“大”百科全书，它探讨了人工智能领域的方方面面，涵盖了从基础知识、模型方法、工具技术、社会伦理到应用专题等各个层面，是一本人工智能的高级工具书。
这是一本面向人工智能大领域的“大”书，作者也是大学者，连译者都是大学者领衔的团队，堪称经典之作，非常值得初学者、从业者、教师及科研工作者等专业人员阅读。
俞勇，上海交通大学特聘教授，上海交通大学ACM班创始人，国家高层次人才特殊支持计划教学名师
人工智能领域的特点是知识点散、前置知识多、技术迭代快，因此写一本深入的人工智能教材是一件很难的事。本书是人工智能领域的经典教材，描述了人工智能的主要分支和技术方向，提供了人工智能领域的全景图。经过20多年的不断优化，目前本书已经是第4版。和第3版相比，本书增加了深度学习、人工智能伦理等近年来的热点研究内容，非常适合对人工智能技术感兴趣的读者阅读。强烈推荐！
邱锡鹏，复旦大学计算机学院教授
这是人工智能领域世界范围内具影响力的教材，覆盖了人工智能领域所有重要子领域的核心问题、算法思想和现实应用。第4版加入了深度学习、多智能体系统、机器人、人工智能伦理等前沿领域的新进展和挑战，更适合作为不同层次和领域的研究人员及学生的人工智能入门教材。
安波，新加坡南洋理工大学教授
本书是享誉世界的人工智能经典教材，我在读博期间就学习过其第3版，内容翔实，介绍深入浅出，既是初学者理想的入门教材，也是人工智能从业者的案头参考书。很高兴这本书的第4版被译介到国内，新版增加了2010年以来深度学习等前沿技术动态，新章节的贡献者有朱迪亚.珀尔（Judea Pearl）和伊恩.古德费洛（Ian Goodfellow）等学者。期待这本新版教材更好地推动我国人工智能的发展。
刘知远，清华大学计算机系长聘副教授
本书是继“西瓜书”和“花书”之后又一部作品。本书简称为AIMA，其历史其实更为久远，几乎可以认为是国际上关于人工智能的标准教材。两位作者斯图尔特.罗素和彼得.诺维格是打通学术和产业“任督二脉”的大师。相比于“花书”的作者，本书的两位作者可以被归类为“传统派”，他们认为机器智能并不一定要学习生物智能，机器可以通过更擅长的计算、数学模型以及大数据下的去模型化来实现智能。因此，在2009年出版第3版时，彼得·诺维格无法预测到近10年深度学习在诸多领域（特别是他擅长的自然语言处理、机器翻译）的快速进展，而作为强化学习的高手，斯图尔特.罗素也不会预想到深度强化学习在决策应用中的流光溢彩。第4版中融入了两位基于人工智能近10年新进展的深度思考。同时，作者也是人工智能伦理和哲学的思想家，他们在最后一章中回答了人工智能未来走向和关乎人类命运的几乎所有问题。这是一本大部头的书，若能日拱一卒，势必功不唐捐。
吴甘沙，驭势科技董事长/CEO
在炒作和质疑声中，人工智能技术不断倔强而真实地成长。可以预见并且逐渐成为现实的是，智能化革命就如同当年的信息化革命一样，会给很多领域和行业带来革命性的变化。人工智能也从一门选修型前沿学科，逐渐演化成一门必修型基础学科。要了解人工智能，一本高品质的人工智能教材必不可少，眼前的这本书出自名家，是一本经典教材，翻译质量也非常高。相信这本经典之作能带你踏入人工智能之门。
王斌，小米集团技术委员会主席、人工智能实验室主任
人工智能与计算机技术几乎同时起步，但与计算机技术几乎线性的发展路径不同，人工智能的发展路径经历了几次大的转向，目前越来越依赖于数据科学和高性能计算机器的发展，因而知识和技术覆盖范围非常广泛。作为一本经典教材，本书提纲挈领，像百科全书一样涵盖了人工智能的大部分领域，每章几乎都对应了一个人工智能问题或技术分支，甚至可以单独成为一门课程。本书的特色是不纠缠于技术和工程细节，直击问题的本质和方法的底层逻辑，在帮助读者形成人工智能领域知识的整体大框架的基础上，增强读者对人工智能基础问题和技术方法的理解和进一步学习的能力。
肖睿，北大青鸟研究院院长，课工场创始人