本书介绍了经典人工智能（逻辑或演绎推理）和现代人工智能（归纳学习和神经网络）的相关知识。首先讨论演绎推理方法，主要包括搜索和逻辑；然后讨论归纳学习方法，使用统计方法，结合大量示例以得出假设，包括回归建模、支持向量机、神经网络、强化学习、无监督学习和概率图模型；最后介绍基于推理和学习的方法，包括知识图谱和神经符号人工智能等技术。此外，还讨论了迁移学习和终身学习等重要话题。
本书可作为高等院校人工智能等课程的研究生教材，或作为相关领域研究人员的参考读物。

查鲁·C.阿加沃尔（Charu C.Aggarwal），IBM T.J.Watson研究中心杰出研究人员（DRSM），于1996年在MIT获得博士学位。他对数据挖掘领域有着广泛的研究。在国际会议和期刊上发表了300余篇论文。申请了90余项专利。他曾三次被评为IBM的“杰出发明人”（Master Inventor）。并曾获得IBM公司奖（IBM Corporate Award，2003）、IBM杰出创新奖和两项IBM杰出技术成就奖（2009，2015）。他因为提出基于冷凝的数据挖掘中的隐私保护技术而获得EDBT2014的时间检验奖（Test of Time Award）。他还获得了IEEE ICDM研究贡献奖（2015），这是数据挖掘领域对具有突出贡献的研究的两项最高奖项之一。
他曾多次担任ACM/IEEE知名国际学术会议的主席或程序委员会主席。并担任大数据相关多个知名期刊的主编或编委。由于在知识发现和数据挖掘算法上的贡献，他入选SIAM、ACM和IEEE的会士。

推荐序一
推荐序二
译者序
前言
第1章 人工智能导论
1.1 引言
1.2 两大流派
1.3 通用人工智能
1.4 代理的概念
1.5 人工智能中的演绎推理
1.5.1 实例
1.5.2 演绎推理的经典方法
1.5.3 演绎推理的优势和局限
1.6 人工智能中的归纳学习
1.6.1 学习的类型
1.6.2 无监督学习任务
1.6.3 监督学习任务
1.7 人工智能中的生物进化
1.8 总结
1.9 拓展阅读
1.10 练习
第2章 搜索状态空间
2.1 引言
2.2 不知情搜索算法
2.2.1 案例研究：八个拼图问题
2.2.2 案例研究：在线迷宫搜索
2.2.3 通过双向搜索提高效率
2.3 知情搜索：佳优先搜索
2.3.1 贪婪佳优先搜索
2.3.2 A*-搜索算法
2.4 具有特定于状态的损失函数的局部搜索
2.4.1 爬山
2.4.2 禁忌搜索
2.4.3 模拟退火
2.5 遗传算法
2.6 约束满足问题
2.6.1 作为约束满足的旅行推销员问题
2.6.2 作为约束满足的图着色
2.6.3 数独作为约束满足
2.6.4 约束满足的搜索算法
2.6.5 利用特定于状态的损失值
2.7 总结
2.8 拓展阅读
2.9 练习
第3章 多代理搜索
3.1 引言
3.2 不知情搜索：AND-OR搜索树
3.2.1 处理两个以上的代理
3.2.2 处理非确定性环境
……
第4章 命题逻辑
第5章 一阶逻辑
第6章 机器学习：归纳观点
第7章 神经网络
第8章 特定领域的神经架构
第9章 无监督学习
第10章 强化学习
第11章 概率图模型
第12章 知识图谱
第13章 综合推理与学习
参考文献