目录
第一节:总框图
什么是人工智能(AI)?
- 人工智能(Artificial Intelligence),英文缩写为AI。它是研究理解和模拟人类智能、智能行为及其规律的一门学科。
- 它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究主要有智能感知、智能推理、智能学习和智能行动等4个方面。
- 人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
人工智能有那些类型?
- 弱人工智能
- 通用人工智能
- 强人工智能
AI的发展历程
AI的三大学派
AI的应用
AI面临的问题
第二节:知识表示与处理
(1)知识表示-谓词逻辑表示法
- 用一阶谓词逻辑表示知识,其根本目的是把数学中的逻辑论证进行符号化,能够采用数学演绎的方式证明一个新的语句(或断言)是从哪些已知正确的语句推导出来的,从而证明这个新语句是正确的
谓词逻辑基于命题逻辑,包含了整个命题逻辑的概念。
(2)知识表示-产生式表示法
- 一种基于符号变换规则的知识表示方法,它把知识表示成类似于if…then…的符号变换规则
- 它对应的推理方法可分为正向推理、逆向推理和双向推理3种
- 产生系统包括综合数据库、产生式规则和控制系统三个部分
(3)什么是不确定性推理?不确定性推理的方法有哪些?
- 从不确定性的初始证据出发,通过运用不确定性的知识,最终推出具有一定程度的不确定性但却是合理或近乎合理的结论的思维过程
- 主观Bayes方法
- 可信度方法:C-F模型
- 证据理论
- 模糊推理
(4)归结原理
(5)不确定性推理-可信度方法:C-F模型
- 肖特里菲(E. H. Shortliffe)等人在确定性理论的基础上结合概率论等提出的一种不确定性推理方法。
- 优点:直观、简单,且效果好。
- 可信度:根据经验对一个事物或现象为真的相信程度。
注意:可信度带有较大的主观性和经验性,其准确性难以把握。- C-F模型:基于可信度表示的不确定性推理的基本方法。
1. 知识不确定性的表示
产生式规则表示:
- IF E THEN H (CF(H, E))
- E是知识的前提条件;H是知识的结论;CF(H, E)是知识的可信度。
- 例如:IF 头痛 AND 流涕 THEN 感冒 (0.7)
CF(H,E):可信度概述:
- 取值范围: [-1,1]
- 如相应证据的出现
- CF(H,E)> 0,证据的出现越是支持 H 为真,就使CF(H,E) 的值越大。
- CF(H,E)< 0,证据的出现越是支持 H 为假,CF(H,E)的值就越小。
- 若证据的出现与否与 H 无关, 则 CF(H, E)= 0。
2. 证据不确定性的表示
- CF(E)=0.6: E的可信度为0.6
- 对于初始证据,
- 若肯定它为真, 则CF(E)= 1。
- 若肯定它为假,则 CF(E) = -1。
- 若以某种程度为真,则 0 < CF(E) < 1。
- 若以某种程度为假, 则 -1 < CF(E) < 0 。
- 若未获得任何相关的观察,则 CF(E) = 0。
静态强度CF(H,E):知识的强度,即当 E 所对应的证据为真时对 H 的影响程度。
动态强度 CF(E):证据 E 当前的不确定性程度。
3. 组合证据不确定性的算法
4. 不确定性的传递算法
5. 结论不确定性的合成算法
- (1)分别对每一条知识求出CF(H):
- (2)求出E1与E2对H的综合影响所形成的可信度
6.例题:
(6)不确定性推理-模糊推理
第三节:搜索技术
(1)搜索技术综述
(2)图搜索策略
(3)博弈
- 参考链接
Alpha(MAX)-Beta算法(MIN)
(4)仿生算法
第四节:机器学习
(1)机器学习综述
(2)K-means算法
(1) K-means算法首先需要选择K个初始化聚类中心
(2) 计算每个数据对象到K个初始化聚类中心的距离,将数据对象分到距离聚类中心最近的那个数据集中,当所有数据对象都划分以后,就形成了K个数据集(即K个簇)
(3)接下来重新计算每个簇的数据对象的均值,将均值作为新的聚类中心
(4)最后计算每个数据对象到新的K个初始化聚类中心的距离,重新划分
(5)每次划分以后,都需要重新计算初始化聚类中心,一直重复这个过程,直到所有的数据对象无法更新到其他的数据集中。
(3)KNN算法
- KNN可以看成:有那么一堆你已经知道分类的数据,然后当一个新数据进入的时候,就开始跟训练数据里的每个点求距离,然后挑离这个训练数据最近的K个点看看这几个点属于什么类型,然后用少数服从多数的原则,给新数据归类
- K取奇数值,否则可能出现平局的情况