人工智能 笔记1

人工智能 笔记1

#人工智能#​

人工智能定义：以机器为载体所展示出来的人类智能，也被称作机器智能

模拟方式

1. 逻辑推理→以符号主义为核心：将概念符号化^{（高度概括、抽象、严格化和精确化）}，从若干判断为前提出发得到新的判断作为结论

   包括归纳推理、演绎推理、因果推理等（特殊到一般、一般到特殊、事实与反事实都成立）；

   逻辑推理在人工智能领域推动了专家系统的产生；

   从知识到知识；

   解释性强但但难以拓展；

2. 探寻搜索→以问题求解为核心：依据已有信息寻找满足约束条件的带求解问题

   包括无信息搜索（广度优先和深度优先）、有信息/启发式搜索（贪婪最佳优先和A*）、对抗搜索（最大最小搜索、Alpha-beta剪枝搜索、和蒙特卡洛树搜）；

   从已有的答案中查找，但桎梏于机械师匹配；

3. 机器学习→以数据驱动为核心：从数据中发现数据所承载的语义的内在模式

   包括监督学习（判别式学习：回归分析、提升算法、支持向量机、决策树等；生成式学习：隐狄利克雷分布LDA、隐马尔可夫链）、无监督学习（聚类、降维、最大期望算法）、半监督学习，区别就是数据标注与否；

   从数据到知识；

   善于预测但是过程难以理解；

4. 强化学习→以行为主义为核心：根据环境提供的奖惩反馈来学习所处状态可施加的最佳行动，利用已有经验探索未知空间，完成某个序列化任务，具备自我学习能力

   智能体的自监督学习（尝试-试错与探索-利用），针对序列的优化学习方法;

   深度强化学习：加入了神经网络的Q-learning；

   善于对未知空间的探索但是依赖于学习策略；

   	监督学习	无监督学习	强化学习
   学习依据	基于监督信息	基于对数据结构的假设	基于评价
   数据来源	一次性给定的标注信息	一次性给定的无标注信息	与环境交互中产生的，序列结束后反馈的明确奖惩值
   决策过程	单步静态决策	无	根据环境给出的滞后回报做出序列决策
   学习目标	样本空间到高级语义空间的映射	同一类数据的分布模式	最大收益状态的动作映射

5. 群体智能→以博弈对抗为核心：从数据拟合优化求解迈向均衡求解

   两害相权取其轻，两利相权取其重；

   在完全信息下表现优良，但非完全信息下没有通用框架；

‍

‍