Mesterséges intelligencia

Tartalom

Előszó a magyar kiadáshoz 21
Előszó 23
I. rész. Mesterséges intelligencia 29
1. Bevezetés 31
1.1. Mi az MI? 31
Emberi módon cselekedni: Turing-teszt megközelítés 32
Emberi módon gondolkodni: a kognitív modellezés 33
Racionálisan gondolkodni: a gondolkodás törvénye 34
Racionálisan cselekedni: a racionális ágens 35
1.2. A mesterséges intelligencia alapjai 36
Filozófia (i. e. 428-tól napjainkig) 36
Matematika (kb. 800-tól napjainkig) 38
Gazdaságtan (1776-tól napjainkig) 40
Neurális tudományok (1861 -tői napjainkig) 41
Pszichológia (1879-től napjainkig) 44
Számítógépes tudományok (1940-től napjainkig) 45
Irányításelmélet és kibernetika (1948-tól napjainkig) 46
Nyelvészet (1957-től napjainkig) 47
1.3. A mesterséges intelligencia története 48
A mesterséges intelligencia érlelődése (1943-1955) 48
A mesterséges intelligencia megszületése (1956) 49
Korai lelkesedés, nagy elvárások (1952-1969) 50
Egy adag realitás (1966-1973) 53
Tudásalapú rendszerek: a hatalom kulcsa? (1969-1979) 55
Az MI iparrá válik (1980-tól napjainkig) 57
A neurális hálók visszatérése (1986-tól napjainkig) 57
Az MI tudománnyá válik (1987-től napjainkig) 58
Az intelligens ágensek kialakulása (1995-től napjainkig) 59
1.4. A mesterséges intelligencia jelenlegi helyzete 60
1.5. Összefoglalás 62
Irodalmi és történeti megjegyzések 62
Feladatok 63
2. Intelligens ágensek 66
2.1. Bevezetés 66
2.2. jó viselkedés: a racionalitás koncepciója 68
Teljesítménymértékek 69
Racionalitás 70
Mindentudás, tanulás és autonómia 71
2.3. A Környezetek természete 72
A környezet meghatározása 72
A környezetek tulajdonságai 75
2.4. Az intelligens ágensek struktúrája 79
Ágensprogramok 79
Egyszerű reflexszerű ágensek 81
Modellalapú reflexszerű ágensek 83
Célorientált ágensek 84
Hasznosságorientált ágensek 86
Tanuló ágensek 86
2.5. Összefoglalás 89
Irodalmi és történeti megjegyzések 90
Feladatok 92
II. rész. Problémamegoldás 95
3. Problémamegoldás kereséssel 97
3.1. Problémamegoldó ágensek 97
Jól definiált problémák és megoldások 100
A problémák megfogalmazása 101
3.2. Példaproblémák 102
Játékproblémák 103
Valósvilág-beli problémák 106
3.3. Megoldások keresése 108
A problémamegoldó hatékonyság mérése 111
3.4. Nem informált keresés 112
Szélességi keresés 112
Egyenletes költségű keresés 114
Mélységi keresés 115
Mélységkorlátozott keresés 117
Iteratívan mélyülő mélységi keresés 117
Kétirányú keresés 119
A keresési stratégiák összehasonlítása 121
3.5. Az ismételt állapotok elkerülése 121
3.6. Keresés részleges információ mellett 123
Szenzor nélküli problémák 124
Eshetőségi problémák 126
3.7. Összefoglalás 127
Irodalmi és történeti megjegyzések 128
Feladatok 130
4. Informált keresési és felfedező módszerek 136
4.1. Informált (heurisztikus) keresési stratégiák 136
A mohó legjobbat-először keresés 137
A* keresés: a teljes becsült útköltség minimalizálása 139
Memóriakorlátozott heurisztikus keresés 144
Tanuljunk, hogy jobban keressünk! 147
4.2. Heurisztikus függvények 148
A heurisztikus függvény pontosságának hatása a megoldás hatékonyságára.. 149
Elfogadható heurisztikus függvények kitalálása 150
A heurisztikus függvény tanulása tapasztalatból 153
4.3. Lokális kereső algoritmusok és optimalizációs problémák 153
Hegymászó keresés 155
Szimulált lehűtés 158
Lokális nyaláb keresés 159
Genetikus algoritmusok 160
4.4. Lokális keresés folytonos terekben 163
4.5. Online kereső ágensek és ismeretlen környezetek 166
Online keresési problémák - 167
Online kereső ágensek 169
Online lokális keresés 170
Tanulás online keresés során 172
4.6. Összefoglalás 173
Irodalmi és történeti megjegyzések 174
Feladatok 179
5. Kényszerkielégítési problémák 183
5.1. Kényszerkielégítési problémák 183
5.2. A visszalépéses keresés alkalmazása kényszerkielégítési problémákra 187
Változó- és értékrendezés 190
Az információ terjesztése a kényszereken keresztül 191
Intelligens visszalépés: visszanézni 195
5.3. Lokális keresés kény szerkielégítési problémáknál 197
5.4. A problémák struktúrája 199
5.5. Összefoglalás 202
Irodalmi és történeti megjegyzések 203
Feladatok 206
6. Keresés ellenséges környezetben 209
6.1. Kétszemélyes játékok 209
6.2. Optimális döntések kétszemélyes játékokban 211
Optimális stratégiák 212
A minimax algoritmus 213
Optimális döntések többszemélyes játékokban 214
6.3. Alfa-béta nyesés 216
6.4. Nem tökéletes, valós idejű döntések 219
Kiértékelő függvények 220
A keresés levágása 222
6.5. Véletlen elemet is tartalmazó játékok 224
Az állás kiértékelése véletlen csomópontokat tartalmazó játékok esetén ... 226
A várhatóminimax komplexitása 226
Kártyajátékok 228
6.6. A jelenleg legfejlettebb játékprogramok 229
6.7. Értékelés 233
6.8. Összefoglalás - 235
Irodalmi és történeti megjegyzések 236
Feladatok 240
III. rész. Tudás és következtetés 245
7. Logikai ágensek 247
7.1. A tudásbázisú ágens 248
7.2. A wumpus világ 250
7.3. A logika 253
7.4. Az ítéletkalkulus: egy nagyon egyszerű logika 258
Szintaxis 258
Szemantika 260
Egy egyszerű tudásbázis 262
Következtetés 262
Ekvivalencia, érvényesség és kielégíthetőség 264
7.5. Az ítéletkalkulus következtetési mintái 265
Rezolúció 267
Előre- és hátrafelé láncolás 272
7.6. Hatékony ítéletkalkulus következtetés 276
Egy teljes visszalépéses algoritmus 276
Lokális keresés algoritmus 278
Nehéz kielégíthetőségi problémák 279
7.7. ítéletlogikát alkalmazó ágensek 281
Csapdák és wumpusok megtalálása logikai következtetés felhasználásával 281
A hely és az irány nyomkövetése 282
Az áramkörön alapuló ágens 283
Összehasonlítás 287
7.8. Összefoglalás 289
Irodalmi és történeti megjegyzések 290
Feladatok 293
8. Elsőrendű logika 297
8.1. Még egyszer a reprezentációról 297
8.2. Az elsőrendű logika szintaxisa és szemantikája 302
Az elsőrendű logika modelljei 302
Szimbólumok és interpretációk 303
Termek 305
Összetett mondatok 306
Kvantorok 307
Univerzális kvantor 307
Egzisztenciális kvantorok 308
Egymásba ágyazott kvantorok 309
Az V és az 3 kapcsolata 310
Egyenlőség 311
8.3. Az elsőrendű logika használata 311
Kijelentések és lekérdezések az elsőrendű logikában 312
A rokonsági tárgyterület 312
Számok, halmazok és listák 314
A wumpus világ 316
8.4. Tudástervezés az elsőrendű logikában 320
A tudástervezés folyamata 320
Az elektronikus áramkörök tárgyterülete 322
A feladat meghatározása 322
A releváns tudás összegyűjtése 322
A szótár meghatározása 323
A tárgyterülettel kapcsolatos általános tudás kódolása 324
A problémaspecifikus példányok kódolása 325
Lekérdezések megfogalmazása a következtetési eljárás felé 325
Hibák kiszűrése a tudásbázisból 326
8.5. Összefoglalás 326
Irodalmi és történeti megjegyzések 327
Feladatok 328
9. Következtetés elsőrendű logikában 333
9.1. ítéletlogikai következtetés kontra elsőrendű logikai következtetés 333
Kvantorokra vonatkozó következtetési szabályok 334
Redukálás ítéletlogikára 335
9.2. Egyesítés és kiemelés 336
Egy elsőrendű következtetési szabály 337
Egyesítés 338
Tárolás és visszakeresés 340
9.3. Előrefelé láncolás 342
Elsőrendű határozott klózok 342
Egy egyszerű előrefelé láncolási algoritmus 344
Hatékony előrefelé láncolás 346
9.4. Hátrafelé láncolás 350
Egy hátrafelé láncolási algoritmus 350
Logikai programozás 352
A logikai programok hatékony megvalósítása 354
Redundáns következtetés és végtelen hurkok 356
Korlátozott logikai programozás 358
9.5. Rezolúció 359
Az elsőrendű logika konjunktív normál formája 360
tartalomjegyzék
A rezolúciós következtetési szabály 362
Példabizonyítások 362
A rezolúció teljessége 365
Az egyenlőség kezelése 368
Rezolúciós stratégiák 369
Tételbizonyítók 371
Feladatok 382
10. Tudásbázis reprezentáció 387
10.1. Ontológiaszervezés 387
10.2. Kategóriák és objektumok 390
Fizikai összetétel 391
Mérések 393
Szubsztanciák és objektumok 395
10.3. Cselekvések, szituációk és események 396
A szituációkalkulus ontológiája 396
Cselekvések leírása a szituációkalkulusban 398
A reprezentációs probléma megoldása 400
A következtetési keretprobléma megoldása 402
Idő- és eseménykalkulus 403
Általánosított események 404
Folyamatok 406
Intervallumok 407
Folyó események és objektumok 409
10.4. Mentális események és mentális objektumok 410
A hiedelmek formális elmélete 410
Tudás és hiedelem 412
Tudás, idő és cselekvés 413
10.5. Az internetes bevásárlás világa 414
Ajánlatok összehasonlítása. 410
10.6. Következtető rendszerek kategóriák számára 419
Szemantikus hálók
Leíró logikák 419
10.7. Következtetés alapértelmezett információval 424
Nyitott és zárt világok 425
Negálás mint kudarc és stabil modell szemantika 427
Körülírás és alapeseti logika 428
10.8. Igazság-karbantartó rendszerek 431
10.9. Összefoglalás 433
Irodalmi és történeti megjegyzések 434
Feladatok 441
IV. rész. Tervkészítés 449
11. Tervkészítés 451
11.1. A tervkészítési probléma 451
A tervkészítési problémák nyelve 453
Kifejezőképesség és kiterjesztések 455
Példa: Légi teherszállítás 456
Példa: A pótkerék probléma 457
Példa: A kockavilág 458
11.2. Tervkészítés állapottér-kereséssel 459
Előrefelé keresés az állapottérben 459
Hátrafelé keresés az állapottérben 461
Állapottér-keresési heurisztikák 462
Heurisztikák a részben rendezett tervkészítésre 471
11.3. Részben rendezett tervkészítés 464
Példa a részben rendezett tervkészítésre 468
Részben rendezett tervkészítés kötetlen változókkal 470
11.4. Tervkészítési gráfok 472
Tervkészítési gráfok heurisztikus becslésekre 475
A Graphplan algoritmus 476
A Graphplan algoritmus leállása 478
11.5. Tervkészítés ítéletlogikával 479
Tervkészítési problémák ítéletlogikai leírása 480
Az ítéletlogikai leírás bonyolultsága 483
11.6. A tervkészítési módszerek elemzése 485
11.7. Összefoglalás 486
Irodalmi és történeti megjegyzések 487
Feladatok 490
12. Tervkészítés és cselekvés a való világban 495
12.1. Idő, ütemezés és erőforrások 495
Ütemezés erőforráskorlátokkal 498
12.2. Hierarchikus feladatháló tervkészítés 500
A cselekvésdekompozíciók reprezentációja 501
A tervkészítő módosítása a dekompozíciók kezeléséhez 504
Elemzés 506
12.3. Tervkészítés és cselekvés nemdeterminisztikus problémakörökben 509
12.4. Feltételes tervkészítés 511
Feltételes tervkészítés teljesen megfigyelhető környezetekben 512
Feltételes tervkészítés részlegesen megfigyelhető környezetekben 516
12.5. Végrehajtás monitorozása és újratervezése 520
12.6. Folytonos tervkészítés 524
12.7. Multiágens tervkészítés 529
Kooperáció: közös célok és tervek 529
Többtestű tervezés 530
Koordináló mechanizmusok 532
Versengés 533
12 8 Összefoglalás 534
Irodalmi és történeti megjegyzések 535
Feladatok 539
V. rész. Bizonytalan tudás és következtetés 543
13. Bizonytalanság 545
13.1. Cselekvés bizonytalan tudás eseten 545
Bizonytalan tudás kezelése 546
Bizonytalanság és racionális döntések 548
Egy döntéselméleti ágens tervezése 549
13.2. Valószínűségi alapfogalmak 550
Állítások 551
Elemi események
A priori valószínűség
Feltételes valószínűség
13.3. Valószínűségi axiómák
A valószínűségi axiómák használata
Ami a valószínűségi axiómákat indokolja 557
13.4. Teljes együttes valószínűség-eloszláson alapuló következtetés 559
13.5. Függetlenség 562
13.6. A Bayes-tétel és használata 563
Bayes tételének alkalmazása: egyszerű eset 564
A Bayes-tétel alkalmazása: több együttes tény figyelembevétele 565
13.7. A wumpus világ újralátogatása
567
13.8. Összefoglalás 571
Irodalmi és történeti megjegyzések 572
Feladatok 574
14. Valószínűségi következtetés 578
14.1. A tudás reprezentálása bizonytalanság esetén 578
14.2. A Bayes-hálók szemantikája 581
Az együttes valószínűség-eloszlás függvény leírása 581
Feltételes függetlenségi relációk Bayes-hálókban 585
14.3. Feltételes eloszlások hatékony reprezentációja 587
Bayes-hálók folytonos változókkal 588
14.4. Egzakt következtetés Bayes-hálókban 591
Következtetés felsorolással 592
A változó eliminációs algoritmus 594
Az egzakt következtetés komplexitása 596
Csoportosító algoritmusok 597
14.5. Közelítő következtetés Bayes-hálókban 598
Közvetlen mintavételezési módszerek 598
14.6. Következtetés Markov-lánc szimulációval 604
Elsőrendű reprezentációk valószínűségi kiterjesztése 607
14.7. Egyéb módszerek a bizonytalan környezetben történő következtetéshez 611
Bizonytalansági következtetés szabályalapú eljárásokkal 612
Az ismerethiány reprezentálása: a Dempster-Shafer-elmélet 614
A meghatározatlanság reprezentálása: fuzzy halmazok és logikák 615
14.8. Összefoglalás 617
Irodalmi és történeti megjegyzések 618
Feladatok 623
15. Időbeli valószínűségi következtetés 627
15.1. Idő és bizonytalanság 627
Állapotok és megfigyelések 628
Stacionárius folyamatok és a Markov-feltétel 629
15.2. Következtetés időbeli modellekben 632
Szűrés és előrejelzés 633
Simítás 635
A legvalószínűbb sorozat megtalálása 638
15.3. Rejtett Markov-modellek 639
Egyszerűsített mátrix algoritmusok 640
15.4. Kalman-szűrők 642
Gauss-eloszlások frissítése 644
Egy egyszerű egydimenziós példa 644
Az általános eset 647
A Kalman-szűrés alkalmazhatósága 648
15.5. Dinamikus Bayes-hálók 650
DBH-k létrehozása 651
Egzakt következtetés DBH-kban 655
Közelítő következtetés DBH-kban 656
15.6. Beszédfelismerés 659
Beszédhangok 661
Szavak 664
Mondatok 666
Egy beszédfelismerő építése 668
15.7. Összefoglalás 670
Irodalmi és történeti megjegyzések 670
Feladatok 673
16. Egyszerű döntések meghozatala 676
16.1. Meggyőződések és kívánságok összekapcsolása bizonytalanság esetén 676
16.2. A hasznosságelmélet alapjai 678
Megkötések a racionális preferenciákra 678
És aztán jött a hasznosság 680
16.3. Hasznosságfüggvények 681
A pénz hasznossága 682
Hasznosságskálák és a hasznosság megbecslése 684
16.4. Többváltozós hasznosságfüggvények 686
Dominancia 687
tartalomjegyzék
A preferenciák rendszere és a többattribútumos hasznosság 689
16.5. Döntési hálók 691
Döntési problémák reprezentálása döntési hálókkal 691
Döntési hálók kiértékelése 692
16.6. Az információ értéke 693
Egy egyszerű példa 694
Egy általános képlet 695
Az információ értékének tulajdonságai 696
Egy információgyűjtő ágens megvalósítása 697
16.7. Döntéselméleti szakértő rendszerek 698
16.8. Összefoglalás 701
Irodalmi és történeti megjegyzések 701
Feladatok 703
17. Komplex döntések meghozatala 707
17.1. Szekvenciális döntési problémák 707
Egy példa 707
Optimalitás szekvenciális döntési problémákban 710
17.2. Értékiteráció 713
Az állapotok hasznossága 713
Az értékiteráció algoritmus 714
Az értékiteráció konvergenciája 716
17.3. Eljárásmód-iteráció 718
17.4. Részlegesen megfigyelhető Markov döntési folyamatok 720
17.5. Döntéselméleti ágensek 724
17.6. Többágenses döntések: a játékelmélet 726
17.7. Működési mód tervezés 736
17.8. Összefoglalás 739
Irodalmi és történeti megjegyzések 740
Feladatok 743
VI. rész. Tanulás 747
18. Megfigyelések alapján történő tanulás 749
18.1. Tanulási formák 749
18.2. Induktív tanulás 751
18.3. Döntési fák megalkotása tanulással 754
Cselekvő komponensként használt döntési fák 754
A döntési fák kifejezőképessége 755
A döntési fák példák alapján történő felépítése 756
Attribútumteszt-választás 760
A tanuló algoritmus teljesítményének becslése 761
Zaj és túlilleszkedés 763
A döntési fák alkalmazhatóságának kiterjesztése 765
18.4. Hipotézishalmaz együttes tanulása 766
18.5. Miért működik a tanulás: a tanulás számítási elmélete 770
Hány példára van szükség? 771
Döntési listák tanulása 773
Elemzés 775
18.6. Összefoglalás 776
Irodalmi és történeti megjegyzések 776
Feladatok 779
19. A tudás szerepe a tanulásban 782
19.1. A tanulás logikai megfogalmazása 782
Példák és hipotézisek 782
A pillanatnyilag legjobb hipotézis keresése 784
Legkisebb megkötés elvű keresés 787
19.2. A tudás szerepe a tanulásban 791
Néhány egyszerű példa 792
Néhány általános séma 793
19.3. Magyarázatalapú tanulás 794
Általános szabályok kinyerése példákból 795
A hatékonyság javítása 797
19.4. Tanulás releváns információ alapján 799
A hipotézistér meghatározása 800
Tanulás releváns információ felhasználásával 801
19.5. Induktív logikai programozás 803
Egy példa 803
Felülről lefelé tanulási módszerek 806
Induktív tanulás inverz rezolúcióval 809
Felfedezés induktív logikai programozással 811
19.6. Összefoglalás 812
Irodalmi és történeti megjegyzések 813
Feladatok 816
20. Statisztikai tanulási módszerek 818
20.1. Statisztikai tanulás 818
20.2. Teljes adattal történő tanulás 822
Maximum-likelihood paramétertanulás: diszkrét modellek 822
Naiv Bayes-modellek 825
Maximum-likelihood paramétertanulás: folytonos eset 826
Bayes-paramétertanulás 827
Bayes-hálóstruktúrák tanulása 830
20.3. Rejtett változókkal történő tanulás: az EM algoritmus 831
Nem ellenőrzött osztályozás: Gauss-eloszlások keverékének tanulása 832
Rejtett változókkal felépített Bayes-hálók tanulása 835
Rejtett Markov-modellek tanulása 838
Az EM algoritmus általános alakja 839
Bayes-hálóstruktúra tanulása rejtett változók esetén 839
20.4. Példányalapú tanulás 841
Legközelebbi-szomszéd modellek 841
Kernelmódszerek 843
20.5. Neurális hálók 844
A neurális háló egységei | 845
Hálóstruktúrák 846
Egyrétegű előrecsatolt neurális hálók (perceptronok) 848
Többrétegű előrecsatolt neurális hálók 852
Neurális hálóstruktúrák tanulása 856
20.6. Kernelgépek 857
20.7. Esettanulmány: kézzel írott számjegyek felismerése 860
20.8. Összefoglalás 863
Irodalmi és történeti megjegyzések 864
Feladatok 868
21. Megerősítéses tanulás 873
21.1. Bevezetés 873
21.2. Passzív megerősítéses tanulás 875
Közvetlen hasznosságbecslés 876
Adaptív dinamikus programozás 877
Az időbeli különbség tanulása 879
21.3. Aktív megerősítéses tanulás 881
Felfedezés 882
Egy cselekvésérték-függvény tanulása 885
21.4. A megerősítéses tanulás általánosítóképessége 887
Alkalmazások a játékok területén 890
Robotirányítási alkalmazások 891
21.5. Stratégiakeresés 892
21.6. Összefoglalás 895
Irodalmi és történeti megjegyzések 896
Feladatok 899
VII. rész. Kommunikáció, észlelés és cselekvés
22. Kommunikáció
22.1. A kommunikáció mint cselekvés 905
A nyelv alapjai 906
A kommunikációt alkotó lépések 909
22.2. Formális nyelvtan az angol nyelv egy töredékére 9
Az Lq nyelvtana 912
22.3. Szintaktikai analízis (elemzés) 913
Hatékony elemzés 9
22.4. Kiterjesztett nyelvtanok 921
Igék alkategóriákba osztása 923
Kiterjesztett nyelvtanok generálóképessége 925
22.5. Szemantikai értelmezés 926
Az angol nyelv egy részletének szemantikája 927
Idő és igeidő 928
Kvantifikálás 929
Pragmatikus értelmezés 932
Nyelv generálása DCG-kkel 933
22.6. Többértelműség és feloldása 934
A többértelműség feloldása 936
22.7. Szövegértés 937
Utalásfeloldás 937
Egy koherens szöveg struktúrája 939
22.8. A nyelvtan indukciós tanulása 941
22.9. Összefoglalás 942
Irodalmi és történeti megjegyzések 943
Feladatok 947
23. Valószínűségi nyelvfeldolgozás 951
23.1. Valószínűségi nyelvi modellek 951
Valószínűségi környezetfüggetlen nyelvtanok 954
PCFG-valószínűségek tanulása 956
PCFG-szabálystruktúrák tanulása 957
23.2. Információkeresés 957
Az IR-rendszerek értékelése 961
Az IR-rendszerek továbbfejlesztése 962
Az eredményhalmaz prezentálása 963
Az IR-rendszerek megvalósítása 964
23.3. Információkinyerés 966
23.4. Gépi fordítás 969
Gépi fordító rendszerek 971
Statisztikai gépi fordítás 972
Valószínűségek tanulása gépi fordításhoz 976
23.5. Összefoglalás 977
Irodalmi és történeti megjegyzések 978
Feladatok 981
24. Az észlelés 984
24.1. Bevezetés 984
24.2. Képalkotás 986
Lencsék nélküli képek: a sötétkamra 986
Lencserendszerek 987
A fény: a képalkotás fotometriája 988
Színek: a képalkotás spektrális fotometriája 990
24.3. Előzetes képfeldolgozási műveletek 990
Éldetektálás 991
A kép szegmentálása 994
24.4. 3D információ kinyerése 995
A mozgás 996
Kétkamerás (binokuláris) térbeli látás 999
Textúragradiensek 1001
Árnyalás 1002
Kontúrok 1003
24.5. Objektumok felismerése 1007
Fényességalapú felismerés 1009
Jellemzőalapú felismerés 1010
Az elhelyezkedés becslése 1013
24.6. Navigálás és manipulálás a látás segítségével 1015
24 7. Összefoglalás 1016
Irodalmi és történeti megjegyzések 1017
Feladatok 1020
25. Robotika 1023
25.1. Bevezetés 1023
25.2. Robothardver 1025
Érzékelők 1025
Beavatkozó szervek 1026
25.3. Érzékelés a robotikában 1029
Helymeghatározás 1030
Térképezés 1035
További érzékelési típusok 1038
25.4. Mozgástervezés 1039
Konfigurációs tér 1039
Celladekompozíciós módszerek 1042
Szkeletonizációs módszerek 1044
25.5. Bizonytalan mozgások tervezése 1046
Robusztus módszerek 1047
25.6. Mozgás 1049
Dinamika és vezérlés 1050
Potenciáltér-vezérlés 1052
Reaktív irányítás 1053
25.7. Szoftverarchitektúrák a robotikában 1055
Alárendelt architektúra 1055
Háromréteges architektúra 1057
Robotprogramozási nyelvek 1057
25.8. Alkalmazási területek 1059
25.9. Összefoglalás 1061
Irodalmi és történeti megjegyzések 1062
Feladatok 1066
VIII. rész. Konklúziók 1071
26. Filozófiai alapok 1073
26.1 Gyenge MI: tudnak-e a gépek intelligensen cselekedni? 1073
A képesség hiányából vett érv 1075
A matematikai ellenvetés 1076
A meghatározatlanságból vett érv 1077
26.2. Erős MI: tudnak-e ténylegesen gondolkodni a gépek? 1079
A test-elme probléma 1081
Az „agy a tartályban" kísérlet 1082
Az agyprotézis-kísérlet 1083
A kínai szoba 1085
26.3. A mesterséges intelligencia fejlesztésének etikai kérdései és kockázatai 1087
26.4. Összefoglalás 1092
Irodalmi és történeti megjegyzések 1092
Feladatok 1095
27. MI: jelen és jövő 1096
27.1. Ágensösszetevők 1096
27.2. Ágensarchitektúrák 1099
27.3. Egyáltalán a jó irányba haladunk? 1100
27.4. Mi van, ha az MI sikerrel jár? 1103
A) Matematikai alapok 1105
A1. Bonyolultságanalízis és az 0() jelölés 1105
Aszimptotikus analízis 1105
NP és az inherensen nehéz problémák 1106
A2. Vektorok, mátrixok és lineáris algebra 1108
A3. Valószínűségi eloszlások 1109
Irodalmi és történeti megjegyzések 1111
B) Megjegyzések a nyelvekről és az algoritmusokról 1112
B1. Nyelvek definiálása Backus-Naur-formában (BNF) 1112
B2. Az algoritmusok leírása pszeudokóddal 1113
B3. Online segédnyújtás 1114
Irodalomjegyzék 1115
Magyar nyelvű szakirodalom 1169
Névmutató 1173
Tárgymutató 1187

Témakörök