کتاب هوش مصنوعی جلد دوم

فصل دوازدهم: کمّی‌سازی عدم قطعیت 12-1. اقدام تحت عدم قطعیت 12-2. نماد‌گذاری اساسی احتمال 12-3. استنتاج با استفاده از توزیع‌های مشترک کامل 12-4. استقلال 12-5. قاعده‌ی بیز و کاربرد آن 12-6. مدل‌های بیزی ساده 12-7. بازبینی دنیای ومپوز فصل سیزدهم: استدلال احتمالی 13-1. نمایش دانش در دامنه‌ی غیرقطعی 13-2. معنای شبکه‌های بیزی 13-3. استنتاج دقیق در شبکه‌های بیزی 13-4. استنتاج تقریبی در شبکه‌های بیزی 13-5. شبکه‌های علّی فصل چهاردهم: استدلال احتمالی در طول زمان 14-1. زمان و عدم قطعیت 14-2. استنتاج در مدل‌های زمانی 14-3. مدل‌های پنهان مارکوف 14-4. فیلترهای کالمن 14-5. شبکه‌های بیزی پویا فصل پانزدهم: برنامه‌نویسی احتمالی 15-1. مدل‌های احتمال رابطه‌ای 15-2. مدل‌های احتمال جهانِ باز 15-3. پیگیری دنیای پیچیده 15-4. برنامه‌ها به عنوان مدل‌های احتمالی فصل شانزدهم: اتخاذ تصمیم‌های ساده 16-1. ترکیب باورها و خواسته‌ها تحت عدم قطعیت 16-2. مبانی نظریه‌ی سودمندی 16-3. توابع سودمندی 16-4. توابع سودمندی چندصفتی 16-5. شبکه‌های تصمیم‌گیری 16-6. ارزش اطلاعات 16-7. اولویت‌های ناشناخته فصل هفدهم: اتخاذ تصمیم‌های پیچیده 17-1. مسائل تصمیم‌گیری ترتیبی 17-2. الگوریتم‌هایی برای MDPها 17-3. مسأله‌های ماشین قمار 17-4. MDPهای مشاهده‌‌پذیر جزیی 17-5. الگوریتم‌هایی برای حل POMDPها فصل هجدهم: تصمیم‌گیری چندعاملی 18-1. ویژگی‌های محیط‌های چندعاملی 18-2. نظریه‌ی بازی غیر مشارکتی 18-3. نظریه‌ی بازی مشارکتی 18-4. اتخاذ تصمیم جمعی فصل نوزدهم: یادگیری از مثال‌ها 19-1. شکل‌های یادگیری 19-2. یادگیری با نظارت 19-3. یادگیری درختان تصمیم 19-4. انتخاب مدل و بهینه‌سازی 19-5. نظریه‌ی یادگیری 19-6. رگرسیون و دسته‌بندی با مدل‌های خطی 19-7. مدل‌های غیر پارامتری 19-8. یادگیری گروهی 19-9. توسعه‌ی سیستم‌های یادگیری ماشین فصل بیستم: یادگیری مدل‌های احتمالی 20-1. یادگیری احتمالی 20-2. یادگیری با داده‌های کامل 20-3. یادگیری با متغیرهای پنهان: الگوریتم EM فصل بیست و یکم: یادگیری عمیق 21-1. شبکه‌های پیشخور ساده 21-2. گراف‌های محاسباتی برای یادگیری عمیق 21-3. شبکه‌های پیچشی 21-4. الگوریتم‌های یادگیری 21-5. تعمیم 21-6. شبکه‌های عصبی بازگشتی 21-7. یادگیری بدون نظارت و یادگیری انتقالی 21-8. کاربردها فصل بیست و دوم: یادگیری تقویتی 22-1. یادگیری از پاداش‌ها 22-2. یادگیری عمیق انفعالی 22-3. یادگیری تقویتی فعال 22-4. تعمیم یادگیری تقویتی 22-5. جستجوی سیاست 22-6. کارآموزی و یادگیری تقویتی معکوس 22-7. کاربردهای یادگیری تقویتی فصل بیست و سوم: پردازش زبان طبیعی 23-1. مدل‌های زبان 23-2. گرامر 23-3. تجزیه 23-4. گرامرهای ارتقایافته 23-5. پیچیدگی‌های زبان طبیعی واقعی 23-6. وظایف زبان طبیعی فصل بیست و چهارم: یادگیری عمیق برای پردازش زبان طبیعی 24-1. تعبیه‌ی کلمات 24-2. شبکه‌های عصبی بازگشتی برای 24-3. مدل‌های دنباله به دنباله 24-4. معماری مبدل 24-5. پیش‌آموزش و یادگیری انتقالی 24-6. آخرین یافته‌ها فصل بیست و پنجم: بینایی کامپیوتر 25-1. مقدمه 25-2. تشکیل تصویر 25-3. ویژگی‌های تصویر ساده 25-4. دسته‌بندی اشیا 25-5. شناسایی اشیا 25-6. دنیای سه‌بُعدی 25-7. استفاده از بینایی کامپیوتر فصل بیست و ششم: رُباتیک 26-1. رُبات‌ها 26-2. سخت‌افزار رُبات 26-3. رُبات‌ها چه نوع مسأله‌هایی را حل می‌کنند؟ 26-4. ادراک رُبات 26-5. برنامه‌ریزی و کنترل 26-6. برنامه‌ریزی حرکت‌های نامطمئن 26-7. یادگیری تقویتی در رُباتیک 26-8. انسان‌‌ها و رُبات‌ها 26-9. چارچوب‌های دیگر رُباتیک 26-10. قلمرو کاربرد رُباتیک واژه‌نامه‌ی انگلیسی به فارسی