【本書の特徴】
本書は，人工知能アルゴリズムの中でも，探索，ゲーム，機械学習，知識表現，セマンティックWebについて解説した教科書である。本書を通して，様々な状況で最適な解を見つける方法や意思決定の方法，またそれらを機械学習で自動化する方法の基礎を学ぶ。また，人の知識をコンピュータが理解し，推論できるようにするための技術やWeb上でそれを活用する技術の基礎について学ぶ。
各種アルゴリズムのソースコードをC言語（C++言語）およびPythonで提供。実際に動作するプログラムを作成することで人工知能アルゴリズムに対する理解を深めることが出来る。
【各章について】
1章では，人工知能の歴史を解説。過去どのような研究がなされてきたのか説明する。
2章では，探索を解説。具体的には，深さ優先探索，幅優先探索から始まり，ダイクストラ法，山登り法，最良優先探索，A*アルゴリズム，反復深化法，IDA*について学ぶ。また，アルゴリズムの健全性や無矛盾性についても確認し，動作原理に対する理解を深める。
3章では，まず，群論によるパズルの分析とA*アルゴリズムでパズルを解く際のヒューリスティック関数の設計について8-パズルを題材としながら解説。次に，2人対戦ゲームに関する概念や探索手法としてゲーム木，AND-OR木，証明数と反証数，MINMAX法，αβ法を解説する。
4章では，進化的計算手法を解説。遺伝的アルゴリズムや遺伝的プログラミングといった生物の進化を比較的忠実に模倣した方法から，差分進化や粒子群最適化といった多点・直接探索法についても学ぶ。また人が次世代に残す個体を選択する対話型進化計算についても概説。
5章では，ニューラルネットワークを解説。人の神経細胞を模したニューロンモデルの説明から始まり，パーセプトロン構造について学んだ後に，ニューラルネットワークの学習方法である誤り訂正学習法および誤差逆伝播法を学ぶ。深層学習についても概説する。また，教師なし学習手法として自己組織化マップについても触れる。
6章では，強化学習を解説。強化学習は学習の指針となる教師信号を与えるのではなく，行動の良し悪しを評価する報酬を与えることで学習する枠組みである．強化学習手法として，TD学習，SARSA，Q学習について学ぶ。
7章では，4～6章での分類以外の機械学習手法として，サポートベクターマシンとt-SNEを解説。
8章では，知識表現を解説。人間の知識をモデル化するための技法について解説するとともに，与えられた知識や既存の知識を利用し新たな知識を得る「推論」について学ぶ。またインターネット上の情報記述の基礎として，マークアップ言語とメタ言語についても学ぶ。
9章ではセマンティックWeb技術を解説。セマンティックWebを構成する要素技術として，マークアップ言語やメタ言語，スキーマ言語について学ぶ。また知識や情報を構造化し整理するモデルであるオントロジーについて学び，その応用事例や将来展望についても解説する。
