کتاب هوش مصنوعی جلد دوم رهیافتی نوین ویراست چهارم 2020 نوشته استورات راسل، پیتر نورویک با ترجمه دکتر عین الله جعفرنژاد قمی توسط انتشارات علوم رایانه با موضوع کامپیوتر به چاپ رسیده است.

معرفی فصل های 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