本书通过基础理论和算法实践相结合，循序渐进地介绍了人工智能领域中的常见算法，并以围棋游戏作为媒介，全面、系统地介绍了人工智能算法的实现方法，并通过Keras和PyTorch框架实践人工智能算法中的深度强化学习内容。全书共10章，分别介绍围棋的基础知识、如何制作围棋软件、传统棋类智能算法、神经网络入门知识、如何实现围棋智能体程序、通用化围棋智能体程序、策略梯度算法、基于价值的深度学习网络（DQN）算法、Actor-Critic算法、如何实践AlphaGo和AlphaZero等知识，书中的每个知识点都有相应的实现代码和实例。
本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生及相关领域的广大科研人员。

第一部分 计算机围棋的基础知识和传统的智能算法
第1章 围棋：黑白的世界
1.1 什么是围棋
1.2 围棋的规则
1.3 胜负的判定
1.4 围棋棋手的棋力
1.5 计算机眼中的围棋
1.5.1 SGF文件
1.5.2 GTP
第2章 实现一个围棋软件
2.1 软件版本
2.2 围棋软件的组成
2.3 佐布里斯特散列
2.4 围棋智能体
2.5 围棋的棋盘
2.6 引入裁判
2.7 让智能体下棋
第3章 传统的棋类智能
3.1 极小化极大算法
3.2 Alpha-Beta剪枝算法
3.3 棋类局面评估
3.4 蒙特卡罗模拟
3.4.1 蒙特卡罗算法
3.4.2 蒙特卡罗树搜索
3.4.3 蒙特卡罗算法改进
3.4.4 需要注意的问题
3.5 监督学习
3.6 传统方法的讨论
第二部分 基于神经网络的机器学习
第4章 机器学习入门
4.1 人工神经网络
4.1.1 神经元
4.1.2 常见的激活函数
4.1.3 多层感知器
4.1.4 卷积神经网络
4.1.5 反向传播算法
4.1.6 小批量训练法
4.1.7 残差网络
4.1.8 多层感知器的应用示例
4.1.9 卷积网络对图片进行多分类的应用示例
4.2 优化神经网络
4.2.1 训练集、验证集、测试集以及交叉验证
4.2.2 欠拟合与过拟合
4.2.3 损失函数的正则化
4.2.4 精确率和召回率的权衡
4.3 其他人工智能方法简介
4.3.1 K近邻算法
4.3.2 朴素贝叶斯法
4.3.3 决策树
4.3.4 Boosting算法/Bagging算法
4.3.5 支持向量机
4.3.6 随机场算法
4.3.7 传统智能算法所面临的挑战
第5章 第一个围棋智能体
5.1 电子围棋棋谱
5.2 HDF5文件结构
5.3 数据模型
5.4 获取训练样本
5.5 代码演示
第6章 通用化围棋智能体程序
6.1 在网络上发布围棋智能体
6.2 本地对战
6.2.1 计算机的围棋语言
6.2.2 围棋的对弈图形界面
6.2.3 围棋引擎
6.3 让围棋智能体自己去网上下棋
第三部分 强化学习
第7章 策略梯度
第8章 深度价值网络
8.1 传统的Q-Learning算法
8.1.1 原始版Q-Learning
8.1.2 原始版Q-Learning计算时的优化
8.1.3 Q-Learning的变种Sarsa
8.1.4 Sarsa的进化Sarsa-à
8.2 在神经网络上应用DQN
第9章 Actor-Critic算法
第10章 AlphaGo和AlphaZero
10.1 AlphaGo的结构和训练流程
10.2 AlphaZero 的结构与训练流程
10.3 可行的优化
附录A Keras入门
附录B PyTorch入门
附录C 反向传播算法
C.1 命名约定
C.2 正文
C.3 进一步讨论
C.4 拓展
附录D 不同地区的围棋规则
D.1 中国规则
D.2 日本规则
D.3 应氏规则
D.4 新西兰规则
D.5 美国规则
D.6 智运会规则
D.7 Tromp-Taylor规则