Tu opisujemy szczegółowo, w jaki sposób teoria użyteczności łączy się z teorią prawdopodobieństwa, tworząc agenta teorii decyzji – agenta, który może podejmować racjonalne decyzje w oparciu o to, w co wierzy i czego chce. Taki agent może podejmować decyzje w kontekstach, w których niepewność i sprzeczne cele pozostawiają logicznego agenta bez możliwości podjęcia decyzji. Agent zorientowany na cel ma binarne rozróżnienie między stanami dobrymi (celowymi) i złymi (nie-celowymi), podczas gdy agent podejmujący teorię decyzji przypisuje stanom ciągły zakres wartości, dzięki czemu może łatwiej wybrać lepszy stan, nawet jeśli nie najlepszy stan jest dostępny. Wprowadzamy podstawową zasadę teorii decyzji: maksymalizację oczekiwanej użyteczności. Pokazujemy, że zachowanie racjonalnego agenta można modelować poprzez maksymalizację funkcji użyteczności. Omawiamy bardziej szczegółowo charakter funkcji użyteczności, a w szczególności ich związek z poszczególnymi wielkościami, takimi jak pieniądz. Pokazujemy, jak obsługiwać funkcje użyteczności, które zależą od kilku wielkości. Opisujemy wdrażanie systemów decyzyjnych. W szczególności wprowadzamy formalizm zwany siecią decyzyjną (znaną również jako diagram wpływów), który rozszerza sieci bayesowskie poprzez włączenie działań i narzędzi. Pokazujemy, w jaki sposób agent teorii decyzji może obliczyć wartość pozyskania nowych informacji w celu poprawy swoich decyzji. Omawiamy konsekwencje niepewności preferencji ze strony maszyny, z których najważniejszą jest szacunek dla ludzi.