第1章绪论/

1.1达特茅斯会议/

1.21956年—20世纪70年代初/

1.320世纪70年代末—80年代末/

1.420世纪80年代末后的二十年/

1.52010年之后的深度学习时代/

1.6图灵测试/

1.7封闭世界与开放世界/

*1.8进一步学习的内容/

第2章搜索/



2.1从一个例子开始/

2.2如何表示一个迷宫/

2.3搜索算法和搜索过程/

2.4理论分析——搜索算法的性质/

2.5搜索算法应用举例/

2.6下棋也可以用搜索算法来完成/

2.7使用搜索算法的关键问题/

2.8指数爆炸/

2.9使用知识/

2.10如何得到一个好的启发式函数/

*2.11进一步学习的内容/

第3章计算机视觉
/



3.1计算机视觉系统构成/

3.2一些计算机视觉任务/

3.3计算机视觉用到的方法/

3.4计算机视觉传统方法/

3.5计算机视觉深度学习方法/

3.6LeNet： 一个图像识别模型/

3.7目标函数与优化/

3.8端到端/

3.9表示学习/

3.10特征的可视化/

3.11其他神经网络模型/

3.12一些计算机视觉成功案例/

3.13深度神经网络方法为什么能在计算机视觉一些任务中取得成功/

3.14计算机视觉任务的困难/

3.15人类视觉和计算机视觉之间的比较/

*3.16进一步学习的内容/

第4章计算机听觉
/



4.1计算机听觉的任务/

4.2声音相关的基本概念/

4.3音乐相关的基本概念/

4.4计算机听觉采用的方法/

4.5适合序列数据的神经网络模型/

4.6当前的技术状况/

4.7计算机视觉和计算机听觉的比较/

*4.8进一步学习的内容/

第5章自然语言处理与理解
/



5.1为什么要研究自然语言处理与理解？/

5.2自然语言处理与理解的一些任务/

5.3自然语言处理与理解包含的几个层次/

5.4词的表示/

5.5三大类方法/

5.6Transformer/

5.7BERT/

5.8OpenAI公司的ChatGPT/

5.9一个机器翻译的例子/

5.10机器对话和问答/

5.11文本生成/

5.12生成的文本的评价/

5.13基于深度学习方法的优缺点/

5.14自然语言处理与理解模型成功的原因与给我们的启示/

5.15语言的局限性/

*5.16进一步学习的内容/

第6章知识表示与知识获取
/



6.1为什么要研究知识表示与知识获取/

6.2主要研究内容/

6.3知识表示方法/

6.4知识获取方法/

6.5知识的使用/

6.6困难和挑战/

6.7知识不只在语言中/

*6.8进一步学习的内容/

第7章机器学习
/



7.1回归/

7.2分类/

7.3聚类/

7.4再励学习/

7.5使用机器学习方法的几个关键问题/

7.6过拟合与泛化/

7.7机器学习的思想/

7.8黑盒和白盒/

7.9机器学习生态/

7.10机器学习理论/

*7.11进一步学习的内容/

第8章推理
/



8.1表示一个待求解问题/

8.2推理规则与形式化推理/

8.3推理算法以及推理算法的关键问题/

8.4和推理相关的一些理论问题/

8.5推理方法/

8.6深度学习时代推理研究的新任务/

8.7推理研究当前的方法和挑战/

8.8和推理密切相关的一些任务/

8.9神经感知和符号系统的“联合”/

8.10因果关系/

*8.11进一步学习的内容/

第9章多模态信息处理
/



9.1多模态信息处理的简史/

9.2多模态学习任务举例/

9.3方法/

9.4关键问题/

9.5多模态大模型/

9.6多模态数据让智能系统更好地理解世界/

*9.7进一步学习的内容/

第10章多智能体系统
/



10.1为什么要研究多智能体系统/

10.2群体智能/

10.3合作的智能体/

10.4非合作的智能体/

10.5多智能体学习/

10.6多智能体学习的困难/

10.7人类社会的启发/

*10.8进一步学习的内容/

第11章可信的人工智能
/



11.1公平性/

11.2隐私和隐私保护/

11.3模型的安全与鲁棒/

11.4可解释性/

11.5环境友好/

11.6可问责性/

*11.7进一步学习的内容/

第12章人工智能生态
/



12.1人工智能赋能/

12.2助力人工智能/

12.3机器人与智能机器人/

12.4人工智能与认知科学/

12.5传感器与材料科学/

12.6人工智能与社会治理/

12.7人工智能与艺术/

*12.8进一步学习的内容/