本书系统介绍了人工智能学科的基本原理与算法，着重介绍了基于符号的推理、深度学习以及强化学习等，并提供了Python、Lisp、Prolog语言的人门级教程，还专门介绍了专家系统构造工具CLIPS以及Agent系统开发平台SPADE。
本书共分10章，第1章为绪论，第2章介绍人工智能程序设计语言，之后5章介绍人工智能的基本原理与经典算法，第8章和第9章主要介绍机器学习与深度学习相关算法，最后一章介绍智能Agent。
本书注重人工智能的经典算法及其实用性，可作为高校计算机科学与技术、人工智能及其相关专业高年级本科生及研究生的教材，也可供对人工智能感兴趣的研究与工程人员参考。

第1章 绪论
1.1 人工智能的发展概况
1.1.1 人工智能的定义
1.1.2 人工智能的研究途径
1.1.3 人工智能学科的发展
1.2 人工智能的目标
1.3 人工智能的应用
第2章 人工智能程序设计语言
2.1 Python语言
2.1.1 概述
2.1.2 Python基础
2.1.3 函数
2.1.4 自定义类
2.1.5 模块
2.1.6 输入输出和文件
2.1.7 实例
2.2 Lisp语言
2.2.1 概述
2.2.2 Lisp的基本功能
2.2.3 递归与迭代
2.2.4 输入输出
2.2.5 Lisp的其他功能
2.2.6 实例
2.3 Prolog语言
2.3.1 Prolog语言概述
2.3.2 重复与递归
2.3.3 列表处理方法
2.3.4 字符串处理方法
2.3.5 输入输出功能
2.3.6 模块
2.3.7 实例
第3章 知识表示
3.1 概述
3.1.1 知识与知识表示
3.1.2 知识表示的方法
3.2 逻辑表示法
3.2.1 一阶谓词逻辑
3.2.2 谓词逻辑用于知识表示
3.3 产生式规则表示法
3.4 语义网络表示法
3.4.1 语义网络的结构
3.4.2 连接词的表示
3.4.3 继承性
3.5 框架与脚本表示法
3.5.1 框架表示法
3.5.2 脚本表示法
3.6 本体
3.6.1 本体的组成与分类
3.6.2 本体的建模
3.6.3 OWI
3.7 知识图谱
3.7.1 构建知识图谱
3.7.2 存储知识图谱
3.7.3 知识图谱推理
第4章 基于搜索的问题求解方法
4.1 状态空间搜索
4.1.1 概述
4.1.2 回溯策略
4.1.3 图搜索策略
4.1.4 任一路径的图搜索
4.1.5 最佳路径的图搜索
4.1.6 与或图的搜索
4.2 博弈树搜索
4.2.1 概述
4.2.2 极小极大过程
4.2.3 α-β剪枝过程
4.2.4 蒙特卡罗树搜索
第5章 基于符号的推理
5.1 基础概念
5.2 归结反演
5.2.1 子句
5.2.2 归结原理
5.2.3 归结反演的控制策略
5.2.4 求解填空问题
5.3 基于规则的演绎系统
5.3.1 正向演绎系统
5.3.2 逆向演绎系统
5.4 非单调推理
5.4.1 封闭世界假设
5.4.2 谓词完备化
5.4.3 限制
5.4.4 缺省推理
第6章 不确定性推理
6.1 引言
6.2 概率方法
6.2.1 基本概念
6.2.2 实例
6.3 可信度方法
6.3.1 知识的不确定性
6.3.2 证据的不确定性
6.3.3 不确定性推理算法
6.4 主观贝叶斯方法
6.4.1 知识的不确定性表示
6.4.2 证据的不确定性表示
6.4.3 不确定性推理算法
6.5 证据理论
6.5.1 基本理论
6.5.2 证据的组合
6.5.3 基本算法
6.5.4 实例
第7章 专家系统
7.1 概述
7.2 基于规则的专家系统
7.2.1 元知识结构
7.2.2 黑板模型
7.2.3 黑板控制结构
7.3 其他专家系统结构
7.3.1 基于框架的专家系统
7.3.2 基于模型的专家系统
7.3.3 基于Web的专家系统
7.4 专家系统实例
7.4.1 MYCIN
7.4.2 AM系统
7.5 专家系统开发工具CLIPS
7.5.1 事实
7.5.2 规则
7.5.3 其他
7.5.4 实例
第8章 机器学习与计算智能
8.1 概述
8.2 分类与聚类
8.2.1 分类
8.2.2 聚类
8.3 决策树
8.3.1 构造决策树
8.3.2 决策树剪枝
8.4 支持向量机
8.4.1 分类问题
8.4.2 回归问题
8.4.3 单类问题
8.4.4 学习算法
8.4.5 结构化数据核函数
8.5 k-均值聚类
8.6 强化学习
8.6.1 马尔可夫决策过程
8.6.2 值函数和贝尔曼方程
8.6.3 有模型学习
8.6.4 无模型学习
8.7 演化计算
8.7.1 遗传算法
8.7.2 遗传算法的理论基础
8.7.3 遗传规划
8.7.4 演化策略
8.7.5 演化规划
8.8 群体智能算法
8.8.1 蚁群算法
8.8.2 粒子群算法
第9章 神经网络与深度学习
9.1 基础知识
9.2 感知机
9.3 多层前向网络
9.4 Hopfield网络
9.5 卷积神经网络
9.5.1 LeNet-5
9.5.2 常用模型
9.5.3 训练
9.5.4 AlexNet
9.5.5 VGGNet
9.5.6 Inception网络
9.5.7 残差网络
9.6 循环与递归神经网络
9.6.1 BPTT算法
9.6.2 LSTM
9.6.3 递归神经网络
9.7 深度学习应用与平台
9.7.1 机器视觉应用
9.7.2 深度学习平台
第10章 智能Agent
10.1 Agent概述
10.1.1 基本概念
10.1.2 Agent理论
10.1.3 Agent系统结构
10.2 多Agent系统
10.2.1 概述
10.2.2 多Agent系统的结构
10.2.3 Agent通信语言
10.2.4 多Agent系统的协商机制
10.2.5 多Agent系统的应用
10.3