人工智能技術(shù)導論(廉師友)考試復習重點總結(jié)

1、第一章人工智能：主要研究如何用人工的方法和技術(shù)，使用各種自動化機器或智能機器(主要指計算機)模仿、延伸和擴展人的智能，實現(xiàn)某些機器思維或腦力勞動自動化。為什么要研究人工智能：1)普通計算機智能低下，不能滿足社會需求。2)研究人工智能也是當前信息化社會的迫切需求。3)智能化是自動化發(fā)展的必然趨勢。4)研究人工智能，對人類自身智能的奧秘也提供有益幫助。遠期目標是要制造智能機器。具體講就是使計算機具有看、聽、說、寫等感知和交互能力，具有聯(lián)想、學習、推理、理解、學習等高級思維能力，還要有分析問題解決問題和發(fā)明創(chuàng)造的能力。近期目標：是實現(xiàn)機器智能。即先部分地或某種程度地實現(xiàn)機器智能，從而使現(xiàn)有的計算機更

2、靈活好用和更聰明有用。人工智能的研究內(nèi)容1)搜索與求解2)學習與發(fā)現(xiàn)3)知識與推理4)發(fā)明與創(chuàng)造5)感知與交流6)記憶與聯(lián)想7)系統(tǒng)與建造8)應用與工程研究途徑與方法：1)心理模擬，符號推演法就是以人腦的心理模型為依據(jù)，將問題或知識表示成某種邏輯網(wǎng)絡，采用符號推演的方法，實現(xiàn)搜索、推理、學習等功能，從宏觀上來模擬人腦的思維，實現(xiàn)人工智能。2)生理模擬，神經(jīng)計算就是用人工神經(jīng)元組成的人工神經(jīng)網(wǎng)絡來作為信息和知識的載體，用稱為神經(jīng)計算的方法實現(xiàn)學習、記憶、聯(lián)想、識別和推理等功能，從而來模擬人腦的智能行為，使計算機表現(xiàn)出某種智能。3)行為模擬，控制進化是一種基于感知行為模型的研究途徑和方法，它是在模

3、擬人在控制過程中的智能活動和行為特性，如自適應，自尋優(yōu)、自學習、自組織等，來研究和實現(xiàn)人工智能。4)群體模擬，仿生計算模擬生物群落的群體智能行為，從而實現(xiàn)人工智能。5)博采廣鑒，自然計算就是模仿或借鑒自然界的某種機理而設計計算模型，這類計算模型通常是一類具有自適應、自組織、自學習、自尋優(yōu)能力的算法。6)原理分析，數(shù)學建模就是通過對智能本質(zhì)和原理的分析，直接采用某種數(shù)學方法來建立智能行為模型。人工智能的基本技術(shù)1)表示a符號智能的表示是知識表示b計算智能的表示一般是對象表示2)運算a符號智能的運算是基于知識表示的推理或符號操作b計算智能的運算是基于對象表示的操作或計算3)搜索a符號智能在問題空間

4、內(nèi)搜索進行問題求解b計算智能在解空間搜索進行求解第三章1廣度優(yōu)先搜索的特點廣度優(yōu)先中open4。綜述圖搜索的方式和策略。用計算機來實現(xiàn)圖的搜索有兩種最基本的方式：樹式搜索和線式搜索。樹式搜索就是在搜索過程中記錄所經(jīng)過的所有節(jié)點和邊。線式搜索就是在搜索過程中只記錄那些當前認為是處在所找路徑上的節(jié)點和邊。線式搜索的基本方式又可分為不回溯和可回表是一個隊列，closed表是一個順序表，溯的的兩種。圖搜索的策略可分為：盲目表中各節(jié)點按順序編號，正被考察的節(jié)點在表中編號最大，廣度優(yōu)先策略是完備的廣度優(yōu)先搜索策略與問題無關(guān)，具有通用性。缺點搜索效率低。2.深度優(yōu)先搜索的特點open表為一個堆棧。一般不能保

5、證找到最優(yōu)解。當深度限制不合理時，可能找不到解，可以將算法改為可變深度限制，即有界深度優(yōu)先搜索。最壞情況時，搜索空間等同于窮舉。3.加權(quán)狀態(tài)圖與代價樹邊上附有數(shù)值的狀態(tài)圖稱為加權(quán)狀態(tài)圖或賦權(quán)狀態(tài)圖，這種數(shù)值稱為權(quán)值。加權(quán)狀態(tài)圖的搜索：加權(quán)狀態(tài)圖的搜索與權(quán)值有關(guān)，并且要用權(quán)值來導航。具體來講，加權(quán)狀態(tài)圖的搜索算法，要在一般狀態(tài)圖搜索算法基礎(chǔ)上再增加權(quán)值的計算與傳播過程，并且要由權(quán)值來確定節(jié)點的擴展順序。搜索和啟發(fā)式搜索。盲目搜索就是無向?qū)У乃阉?。樹式盲目搜索就是窮舉式搜索。而線式盲目搜索，對于不回溯的就是隨機碰撞式搜索，對于回溯的則也是窮舉式搜索。啟發(fā)式搜索則是利用“啟發(fā)性信息”引導的搜索。啟發(fā)

6、式搜索又可分為許多不同的策略，如全局擇優(yōu)、局部擇優(yōu)、最佳圖搜索等。第四章三種遺傳操作:1)選擇-復制從種群中選擇適應度高的染色體進行復制，以生成下一代種群。2)交叉就是互換兩個染色體某些位上的基因。3)變異就是改變?nèi)旧w某個(些)位上的基因。遺傳算法就是對種群中的染色體反復做三種遺傳操作，使其朝著適應度增高的方向不斷更新?lián)Q代，直至出現(xiàn)了適應度滿足目標條件的染色體為止。遺傳算法的主要特點1)遺傳算法一般是直接在解空間搜索,而不像圖搜索那樣一般是在問題空間搜索,最后才找到解。2)遺傳算法的搜索隨機地始于搜索空間的一個點集,所以遺傳算法是一種隨機搜索算法。3)遺傳算法總是在尋找優(yōu)解,所以遺傳算法又是

7、一種優(yōu)化搜索算法。4)遺傳算法的搜索過程是從空間的一個點集(種群)到另一個點集(種群)的搜索。5)遺傳算法的適應性強,除需知適應度函數(shù)外,幾乎不需要其他的先驗知識。6)遺傳算法長于全局搜索,它不受搜索空間的限制性假設的約束,不要求連續(xù)性,能以很大的概率從離散的、多極值的、含有噪聲的高維問題中找到全局最優(yōu)解。第六章產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu)網(wǎng)絡的結(jié)構(gòu)圖。對應過程性知識。推理機：負責產(chǎn)生式規(guī)則的前提條件測試或匹配，規(guī)則的調(diào)度和選取，規(guī)則體的解釋和執(zhí)行。即推理機實施推理，并對推理進行控制，它也是規(guī)則的解釋程序。對應控制性知識。全局數(shù)據(jù)庫：人工智能系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)中心。是一個動態(tài)數(shù)據(jù)結(jié)構(gòu)，用來存放初始事實數(shù)據(jù)

8、、中間結(jié)果和最后結(jié)果。對應敘述性知識?？刂撇呗耘c常用算法:a正向推理從初始事實數(shù)據(jù)出發(fā)，正向使用規(guī)則進行推理，朝目標方向前進。又稱為前向推理、b正向鏈、數(shù)據(jù)驅(qū)動的推理。反向推理從目標出發(fā)，反向使用規(guī)則進行推理，朝初始事實或數(shù)據(jù)方向前進。又稱反向推理、反向鏈、目標驅(qū)動的推理。問題求解、圖搜索和產(chǎn)生式系統(tǒng)的關(guān)系是：問題求解是目的，圖搜索是方法，產(chǎn)生式系統(tǒng)是形式。產(chǎn)生式規(guī)則庫：作用在全局數(shù)據(jù)庫上的一些規(guī)則的集合。每條規(guī)則都有一定的條件，若全局數(shù)據(jù)庫中內(nèi)容滿足這些條件可調(diào)用這條規(guī)則。一般可形成一個稱為推理第八章確定性理論e=e1e2cf(e)=mincf(e1),cf(e2)e=e1e2cf(e)=m

9、axcf(e1),cf(e2)主觀貝葉斯方法1)證據(jù)肯定存在的情況2)證據(jù)肯定不存在的情況3)證據(jù)不確定的情況4)多證據(jù)的總概率合成第一步：o(h)=p(h)/(1-p(h)第二步：o(h|e)=ls*o(h)或o(h|非e)=ln*o(h)第三步o(h|e1e2)=o(h|e1)/o(h)*o(h|e2)/o(h)*o(h)第四步p(h|e1e2)=o(h|e1e2)/o(h|e1e2)+11.不確定性及其類型知識和信息中含有的不肯定、不可靠、不準確、不精確、不嚴格、不嚴密、不完全甚至不一致的成分。按性質(zhì)分類：(狹義)不確定性；不確切性(模糊性)；不完全性；不一致性(狹義)不確定性(unce

10、rtainty)就是一個命題(亦即所表示的事件)的真實性不能完全肯定，而只能對其為真的可能性給出某種估計。不確切性(模糊性)就是一個命題中所出現(xiàn)的某些言詞其涵義不夠確切，從概念角度講，就是其代表的概念的內(nèi)涵沒有硬性的標準或條件，其外延沒有硬性的邊界。2.不確定性推理的一般模式不確定性推理符號推演信度計算3.不確定性推理與通常的確定性推理的差別：(1)不確定性推理中規(guī)則的前件能否與證據(jù)事實匹配成功，不但要求兩者的符號模式能夠匹配(合一)，而且要求證據(jù)事實所含的信度必須達“標”，即必須達到一定的限度。這個限度一般稱為“閾值”。(2)不確定性推理中一個規(guī)則的觸發(fā)，不僅要求其前提能匹配成功，而且前提條

11、件的總信度還必須至少達到閾值。(3)不確定性推理中所推得的結(jié)論是否有效，也取決于其信度是否達到閾值。(4)不確定性推理還要求有一套關(guān)于信度的計算方法，包括“與”關(guān)系的信度計算、“或”關(guān)系的信度計算、“非”關(guān)系的信度計算和推理結(jié)果信度的計算等等。第九章學習：學習是系統(tǒng)積累經(jīng)驗以改善其自身性能的過程。學習與經(jīng)驗有關(guān)；學習可以改善系統(tǒng)性能；學習是一個有反饋的信息處理與控制過程。機器學習的原理：1)基于學習策略的分類:a模擬人腦的機器學習:a符號學習：模擬人腦的宏觀心理級學習過程，以認知心理學原理為基礎(chǔ)，以符號數(shù)據(jù)為輸入，以符號運算為方法，用推理過程在圖或狀態(tài)空間中搜索，學習的目標為概念或規(guī)則等。符號

12、學習的典型方法有：記憶學習、示例學習、演繹學習、類比學習、解釋學習等。b神經(jīng)網(wǎng)絡學習(或連接學習)：模擬人腦的微觀生理級學習過程，以腦和神經(jīng)科學原理為基礎(chǔ)，以人工神經(jīng)網(wǎng)絡為函數(shù)結(jié)構(gòu)模型，以數(shù)值數(shù)據(jù)為輸入，以數(shù)值運算為方法，用迭代過程在系數(shù)向量空間中搜索，學習的目標為函數(shù)。典型的連接學習有權(quán)值修正學習、拓撲結(jié)構(gòu)學習。b直接采用數(shù)學方法的機器學習:主要有統(tǒng)計機器學習(貝葉斯學習、貝葉斯網(wǎng)絡學習、幾何分類學習、支持向量機svm)。2)基于學習方法的分類:a歸納學習a符號歸納學習：典型的符號歸納學習有示例學習，決策樹學習。b函數(shù)歸納學習(發(fā)現(xiàn)學習)：典型的函數(shù)歸納學習有神經(jīng)網(wǎng)絡學習、示例學習，發(fā)現(xiàn)學習

13、，統(tǒng)計學習。b演繹學習c類比學習：典型的類比學習有案例(范例)學習。d分析學習：典型的分析學習有案例(范例)學習、解釋學習。3)基于學習方式的分類a有導師學習(監(jiān)督學習)：輸入數(shù)據(jù)中有導師信號，以概率函數(shù)、代數(shù)函數(shù)或人工神經(jīng)網(wǎng)絡為基函數(shù)模型，采用迭代計算方法，學習結(jié)果為函數(shù)。b無導師學習(非監(jiān)督學習)：輸入數(shù)據(jù)中無導師信號，采用聚類方法，學習結(jié)果為類別。典型的無導師學習有發(fā)現(xiàn)學習、聚果為規(guī)則，或者說是為了獲得規(guī)則的一種學習。典型的規(guī)則學習有決策樹學習。c函數(shù)學習：即學習的目標和結(jié)果為規(guī)則，或者說是為了獲得函數(shù)的一種學習。典型的函數(shù)學習有神經(jīng)網(wǎng)絡學習。d類別學習：即學習的目標和結(jié)果為對象類，或者

14、說是為了獲得類別的一種學習。典型的類別學習有聚類分析。e貝葉斯網(wǎng)絡學習：即學習的目標和結(jié)果是貝葉斯網(wǎng)絡，或者c類、競爭學習等。強化學習(增強學習)：說是為了獲得貝葉斯網(wǎng)絡的一種學習。其以環(huán)境反饋(獎/懲信號)作為輸入，以統(tǒng)計和動態(tài)規(guī)劃技術(shù)為指導的一種學習方法。4)基于數(shù)據(jù)形式的分類a結(jié)構(gòu)化學習：以結(jié)構(gòu)化數(shù)據(jù)為輸入，以數(shù)值計算或符號推演為方法。典型的結(jié)構(gòu)化學習有神經(jīng)網(wǎng)絡又可分為結(jié)構(gòu)學習和參數(shù)學習。符號學習：1)記憶學習：又稱死記硬背學習或機械學習，這種學習方法不要求系統(tǒng)具有對復雜問題求解的能力，也就是沒有推理能力，系統(tǒng)的學習方法就是直接記錄與問題有關(guān)的信息，然后檢索并利用這些學習、統(tǒng)計學習、決策

15、樹學習、規(guī)則學習。存儲的信息來解決問題。2)示例學習也稱b非結(jié)構(gòu)化學習：以非結(jié)構(gòu)化數(shù)據(jù)為輸入，典型的非結(jié)構(gòu)化學習有類比學習、案實例學習,它是一種歸納學習。示例學習是從若干實例中歸納出一般概念或規(guī)則例學習、解釋學習、文本挖掘、圖像挖掘、的學習方法。3)決策樹學習：歸納學習，web挖掘等。5)基于學習目標的分類a概念學習：即學習的目標和結(jié)果為概念，或者說是為了獲得概念的一種學習。典型的概念學習有示例學習。b規(guī)則學習：即學習的目標和結(jié)用構(gòu)造形數(shù)據(jù)結(jié)構(gòu)的方法，從一批事實數(shù)據(jù)集中歸納出若干條分類、決策規(guī)則4)演繹學習：基于演繹推理的一種學習。演繹推理是一種保真變換，即若前提真則推出的結(jié)論也真5)類比學習

16、：基于類比推理的學習方法，就是尋找和利用事物間的可類比的關(guān)系，而從已有的知識推導出未知的知識人機界面推理機解釋模塊知識庫動態(tài)數(shù)據(jù)庫知識庫管理系統(tǒng)自學習模塊始證據(jù)事實、推理結(jié)果和控制信息。解釋模塊：推理過程中，回答why第十二章專家的特點：擁有豐富的專業(yè)知識和實踐經(jīng)驗；具有獨特的思維方式專家系統(tǒng)的要素：應用于某專門領(lǐng)域；擁有專家級知識；模擬專家思維；達到專家級水平。專家系統(tǒng)特點：善于解決不確定性的、非結(jié)構(gòu)化的、沒有算法解或有算法解但在機器上無法實施的困難問題?？恐R和推理之類的問題；推理結(jié)束后，回答how之類問題。知識庫：某種表示形式存儲于計算機中的知識的集合。包括專家知識、領(lǐng)域知識和元知識。知

17、識庫管理系統(tǒng)：管理知識庫的建立刪除重組知識的獲取、知識的檢查2)實際結(jié)構(gòu)：1)總控實際問題錯綜復雜，可能需要多次推理，所以處處專專來解決問題，專家系統(tǒng)是基于知識的智能問題求解系統(tǒng)。強調(diào)知識與推理的分離，理理家家模模模模塊塊塊塊1n1m知識庫是多層的或多塊的。系統(tǒng)具有靈活性和可擴充性。具有解釋功能，回答用戶提出的問題和處理問題的過程作出解釋推理機：實現(xiàn)推理的程序。使用知識庫中的知識進行推理而解決問題的，是專家的(2)實際問題往往不僅需要推理，而且還需要做一些處理，所以增加處理模塊?？刂茩C構(gòu)監(jiān)督程序調(diào)度程序黑板：分層的全思維機制。人機界面：用戶通過界面向系統(tǒng)實現(xiàn)推理的程序。使用知識庫中的知識層次n知識源n層次2知識源2層次1知識源1黑板知識源局工作區(qū)，用來存儲初始數(shù)據(jù)、進行推理而解決問題的，是專家的思維機制。提出或回答問題，向系統(tǒng)提供原始數(shù)據(jù)和事實。系統(tǒng)通過界面向用戶提出回答結(jié)果。動態(tài)數(shù)據(jù)庫：全局數(shù)據(jù)庫，存放初中間結(jié)果和最終結(jié)果。知識源：就是知識模塊。一個知識源可視為一個規(guī)則，包括先決條件和知識源題?？刂平Y(jié)構(gòu)：求解問題的推理機構(gòu)，選擇合適的知識源。專家系統(tǒng)的一般步驟有