Artificial Intelligence: A Modern Approach

Üdvözlöm, Ön a Artificial Intelligence: A Modern Approach szó jelentését keresi. A DICTIOUS-ban nem csak a Artificial Intelligence: A Modern Approach szó összes szótári jelentését megtalálod, hanem megismerheted az etimológiáját, a jellemzőit és azt is, hogyan kell a Artificial Intelligence: A Modern Approach szót egyes és többes számban mondani. Minden, amit a Artificial Intelligence: A Modern Approach szóról tudni kell, itt található. A Artificial Intelligence: A Modern Approach szó meghatározása segít abban, hogy pontosabban és helyesebben fogalmazz, amikor beszélsz vagy írsz. AArtificial Intelligence: A Modern Approach és más szavak definíciójának ismerete gazdagítja a szókincsedet, és több és jobb nyelvi forráshoz juttat.

Angol

Főnév

Artificial Intelligence: A Modern Approach (tsz. Artificial Intelligence: A Modern Approaches)

  1. (informatika) Artificial Intelligence: A Modern Approach (röviden AIMA) a mesterséges intelligencia egyik legismertebb és legszélesebb körben használt tankönyve, amelyet Stuart Russell és Peter Norvig írt. Ez a könyv a mesterséges intelligencia tudományának szinte minden fő aspektusát lefedi, és etalonként szolgál az egyetemi oktatásban világszerte.


📘 Alapinformációk

Tulajdonság Érték
Cím Artificial Intelligence: A Modern Approach
Szerzők Stuart J. Russell, Peter Norvig
Első kiadás 1995
Legfrissebb kiadás 4. kiadás (2020)
Kiadó Pearson / Prentice Hall
Terjedelem ~1200 oldal
Hivatalos weboldal aima.cs.berkeley.edu


🎯 Célja

A könyv célja egy átfogó és egységes bevezetést nyújtani a mesterséges intelligencia tudományába, elméletbe és gyakorlatba egyaránt. Nemcsak elméleti alapokat mutat be, hanem gyakorlati algoritmusokat is tárgyal, sok pseudokóddal és példával.


🧠 Fő témakörök

AIMA felépítése logikus, a gépintelligencia fejlődésének lépcsőit követi:

📖 1. Bevezetés

  • MI definíciói
  • Történeti háttér
  • MI típusai: szimbolikus, statisztikai, gépi tanulás

📖 2. Problémamegoldás

  • Keresési algoritmusok: DFS, BFS, A*, IDA*
  • Heurisztikus keresés
  • Constraint satisfaction problems (CSP)

📖 3. Tudás és logika

  • Propozicionális logika, elsőrendű logika
  • Tudásbázis, következtető motorok
  • Ontológiák és reprezentációs struktúrák

📖 4. Tervezés

  • Klasszikus tervezés (STRIPS, planning graphs)
  • Hierarchikus és nem-determinista tervezés

📖 5. Bizonytalanság kezelése

  • Bayes-hálók, valószínűségi következtetés
  • Utility-elmélet, döntési hálók

📖 6. Gépi tanulás

  • Felügyelt tanulás: döntési fák, SVM, neurális hálók
  • Felügyelet nélküli tanulás: klaszterezés, dimenziócsökkentés
  • Megerősítéses tanulás (Reinforcement Learning)

📖 7. Percepció és robotika

  • Látás, lokalizáció, mozgástervezés
  • Szenzoros bemenetek kezelése

📖 8. Természetes nyelvfeldolgozás

  • Szintaktikai és szemantikai elemzés
  • Beszédfelismerés, gépi fordítás, párbeszédmodellek

📖 9. Etikai és társadalmi kérdések

  • AI etika, elfogultság, átláthatóság, AGI jövője


📂 Mellékletek és forráskód


🧑‍🏫 Kinek szól?

  • Egyetemi hallgatóknak (első MI kurzustól PhD-ig)
  • Oktatóknak (tankönyvként, előadásanyaggal)
  • Fejlesztőknek (elmélet + algoritmusok)
  • Kutatóknak (széleskörű hivatkozási alap)


📌 Miért jelentős?

  • Világszerte használt MI-tankönyv (több száz egyetemen)
  • Átfogó: klasszikus és modern AI egyaránt
  • Egyensúlyban van: elmélet, algoritmus, gyakorlat
  • Etikai tudatosságot is tartalmaz: AI felelősségteljes használata


📖 Kiadások röviden

Kiadás Év Főbb újdonságok
1. kiadás 1995 Alapmodellek, klasszikus AI
2. kiadás 2003 Statisztikai AI bevezetése
3. kiadás 2010 Mélyebb ML és Bayes-hálók
4. kiadás 2020 Mélytanulás, etika, NLP frissítések


🧠 Összefoglalás

Jellemző Leírás
Cím Artificial Intelligence: A Modern Approach
Szerzők Stuart Russell, Peter Norvig
Első megjelenés 1995
Legújabb kiadás 2020 (4. kiadás)
Tartalom Keresés, logika, tanulás, nyelv, robotika, etika
Web aima.cs.berkeley.edu

contents

i artificial intelligence

1 introduction

  • what is ai?
  • the foundations of artificial intelligence
  • the history of artificial intelligence
  • the state of the art
  • risks and benefits of ai
  • summary
  • bibliographical and historical notes

2 intelligent agents

  • agents and environments
  • good behavior: the concept of rationality
  • the nature of environments
  • the structure of agents
  • summary
  • bibliographical and historical notes


ii problem-solving

3 solving problems by searching

  • problem-solving agents
  • example problems
  • search algorithms
  • uninformed search strategies
  • informed (heuristic) search strategies
  • heuristic functions
  • summary
  • bibliographical and historical notes

4 search in complex environments

  • local search and optimization problems
  • local search in continuous spaces
  • search with nondeterministic actions
  • search in partially observable environments
  • online search agents and unknown environments
  • summary
  • bibliographical and historical notes

5 constraint satisfaction problems

  • defining constraint satisfaction problems
  • constraint propagation: inference in csps
  • backtracking search for csps
  • local search for csps
  • the structure of problems
  • summary
  • bibliographical and historical notes

6 adversarial search and games

  • game theory
  • optimal decisions in games
  • heuristic alpha–beta tree search
  • monte carlo tree search
  • stochastic games
  • partially observable games
  • limitations of game search algorithms
  • summary
  • bibliographical and historical notes


iii knowledge, reasoning, and planning

7 logical agents

  • knowledge-based agents
  • the wumpus world
  • logic
  • propositional logic: a very simple logic
  • propositional theorem proving
  • effective propositional model checking
  • agents based on propositional logic
  • summary
  • bibliographical and historical notes

8 first-order logic

  • representation revisited
  • syntax and semantics of first-order logic
  • using first-order logic
  • knowledge engineering in first-order logic
  • summary
  • bibliographical and historical notes

9 inference in first-order logic

  • propositional vs. first-order inference
  • unification and first-order inference
  • forward chaining
  • backward chaining
  • resolution
  • summary
  • bibliographical and historical notes

10 knowledge representation

  • ontological engineering
  • categories and objects
  • events
  • mental objects and modal logic
  • reasoning systems for categories
  • reasoning with default information
  • summary
  • bibliographical and historical notes

11 automated planning

  • definition of classical planning
  • algorithms for classical planning
  • heuristics for planning
  • hierarchical planning
  • planning and acting in nondeterministic domains
  • time, schedules, and resources
  • analysis of planning approaches
  • summary
  • bibliographical and historical notes


iv uncertain knowledge and reasoning

12 quantifying uncertainty

  • acting under uncertainty
  • basic probability notation
  • inference using full joint distributions
  • independence
  • bayes’ rule and its use
  • naive bayes models
  • the wumpus world revisited
  • summary
  • bibliographical and historical notes

13 probabilistic reasoning

  • representing knowledge in an uncertain domain
  • the semantics of bayesian networks
  • exact inference in bayesian networks
  • approximate inference for bayesian networks
  • causal networks
  • summary
  • bibliographical and historical notes

14 probabilistic reasoning over time

  • time and uncertainty
  • inference in temporal models
  • hidden markov models
  • kalman filters
  • dynamic bayesian networks
  • summary
  • bibliographical and historical notes

15 making simple decisions

  • combining beliefs and desires under uncertainty
  • the basis of utility theory
  • utility functions
  • multiattribute utility functions
  • decision networks
  • the value of information
  • unknown preferences
  • summary
  • bibliographical and historical notes

16 making complex decisions

  • sequential decision problems
  • algorithms for mdps
  • bandit problems
  • partially observable mdps
  • algorithms for solving pomdps
  • summary
  • bibliographical and historical notes

17 multiagent decision making

  • properties of multiagent environments
  • non-cooperative game theory
  • cooperative game theory
  • making collective decisions
  • summary
  • bibliographical and historical notes

18 probabilistic programming

  • relational probability models
  • open-universe probability models
  • keeping track of a complex world
  • programs as probability models
  • summary
  • bibliographical and historical notes


v machine learning

19 learning from examples

  • forms of learning
  • supervised learning
  • learning decision trees
  • model selection and optimization
  • the theory of learning
  • linear regression and classification
  • nonparametric models
  • ensemble learning
  • developing machine learning systems
  • summary
  • bibliographical and historical notes

20 knowledge in learning

  • a logical formulation of learning
  • knowledge in learning
  • explanation-based learning
  • learning using relevance information
  • inductive logic programming
  • summary
  • bibliographical and historical notes

21 learning probabilistic models

  • statistical learning
  • learning with complete data
  • learning with hidden variables: the em algorithm
  • summary
  • bibliographical and historical notes

22 deep learning

  • simple feedforward networks
  • computation graphs for deep learning
  • convolutional networks
  • learning algorithms
  • generalization
  • recurrent neural networks
  • unsupervised learning and transfer learning
  • applications
  • summary
  • bibliographical and historical notes

23 reinforcement learning

  • learning from rewards
  • passive reinforcement learning
  • active reinforcement learning
  • generalization in reinforcement learning
  • policy search
  • apprenticeship and inverse reinforcement learning
  • applications of reinforcement learning
  • summary
  • bibliographical and historical notes


vi communicating, perceiving, and acting

24 natural language processing

  • language models
  • grammar
  • parsing
  • augmented grammars
  • complications of real natural language
  • natural language tasks
  • summary
  • bibliographical and historical notes

25 deep learning for natural language processing

  • word embeddings
  • recurrent neural networks for nlp
  • sequence-to-sequence models
  • the transformer architecture
  • pretraining and transfer learning
  • state of the art
  • summary
  • bibliographical and historical notes

26 robotics

  • robots
  • robot hardware
  • what kind of problem is robotics solving?
  • robotic perception
  • planning and control
  • planning uncertain movements
  • reinforcement learning in robotics
  • humans and robots
  • alternative robotic frameworks
  • application domains
  • summary
  • bibliographical and historical notes

27 computer vision

  • introduction
  • image formation
  • simple image features
  • classifying images
  • detecting objects
  • the 3d world
  • using computer vision
  • summary
  • bibliographical and historical notes


vii conclusions

28 philosophy, ethics, and safety of ai

  • the limits of ai
  • can machines really think?
  • the ethics of ai
  • summary
  • bibliographical and historical notes

29 the future of ai

  • ai components
  • ai architectures


appendices

a mathematical background

  • complexity analysis and o() notation
  • vectors, matrices, and linear algebra
  • probability distributions
  • bibliographical and historical notes

b notes on languages and algorithms

  • defining languages with backus–naur form (bnf)
  • describing algorithms with pseudocode
  • online supplemental material


bibliography

index

További információk

Enciclo
Wikious
Sapientia
Scientia
Boobota
Anandapedia
Sagapedia
Wikithot