王万良版《人工智能》学习有感

本人大二下学期，刚刚浅浅复习完明天就要考试的ai导论，不知道复习什么了，于是乎写下点什么作为总结，算是一种尝试。

我复习花的大力气都放在了，知识表示、确定性推理和不确定性推理还有神经网络上。

整理了前三大部分的知识导图，贴在下面。

 

 

如果想要高清版可以私我。

一上来首先先学知识。这个知识可不是九九乘法表、摩尔定律等等。这是一个更广义的概念。什么是知识？如果你用具体的方式，可以类比一次函数的定义方式，形如y=kx+b的这种定义方式叫做一次函数，那么，你可以说形如一次函数这样的概念就叫知识。这显然过于具体，不具有一般性。那么什么叫知识呢？书上说，把有关信息连接在一起所形成的信息结构就叫知识。初识还没有领略其中的韵味，仔细一想，是啊，最近感觉知识有串联起来的感觉。模电虽然学的不怎么样，但是有的知识可以串联起来，二极管中PN结的形成需要用到物理知识，高中学的导数正难则反的思想，现在求解概率的时候依然在用。知识的串联在最近体现得越发明显，我喜欢这种感觉老实说。这好像也解决了一个问题，我们总是在大一的时候问，学高数有什么用？学线代这玩意儿有什么用？到了大二貌似没人问了，因为他们真的体会到了用处。物理、电路无处不在的微积分，判断并行稳定性的时候只有权值矩阵为非负定矩阵的时候才稳定。什么是非负定矩阵？什么是负定矩阵？什么，什么是矩阵。。。书到用时方恨少总是一句后悔的话。学会有所用，只是你能不能到用的时候就随缘了。那么多学长学姐过来人说好好学基础，大一很重要，我绩点是不错，可惜，没有学会怎么用，微积分稀烂，也许比起绩点，更重要的是你知道它有什么用了没有，你真的掌握含义没有，理解没有。我知道自己有问题，可是我的大多数老师们很负责但并没有帮我解决这个问题，他们是好人，他们是个老师，负责任的老师，下课答疑、课后解惑，但我不能说他们是个好老师。很遗憾，我想这可能是我未来的方向，去科普，去做一个我理解的好老师。扯远了。

学了一圈下来发现，其实我们在学习的不再是这学期数电课上所进行的那种01间的数字游戏了，其实更偏向于数学推理，我们在尝试用计算机思维做出我们人脑下意识做出的反应，比如说因果推理，因为什么所以什么。根据证据、条件的确定性和不同的原理，也就产生了不同的推理方式，比如自然演绎推理（假言三段论，我认为可以理解为递推）、鲁滨逊归结原理（寻找矛盾点）、归结反演定理。如上三种推理方式是确定性推理，也就是其实已经确定知道结果非此即彼的事情，才可以这么做，举个例子，归结反演所做的就是把结论取反然后去证明这个整个事件不成立，利用反证法来证明没有这件事不行，所以这件事必然成立，这种非黑即白的时间其实在日常生活中是更少见的，我们面对的很多事情都是全新的、不确定的，不是已知的。这看起来我们在做很鸡肋的事情，其实不然。

比如专家系统，他其实就是把大量的已知结果告诉计算机，然后让计算机去学习，然后去判断，更偏向于一种经验学说 ，这也就是我们人工智能在做的事情，就是去让系统在某个领域犯过足够多的错误，去尝试各种可能，适者生存（遗传算法）从而在一个新的输入到来的时候，能够有一个最接近真实结果的输出与之对应，这就是我们想达到的效果，机器学习。

除了二值的判断，自然界中有些东西就像柴静所说，没有那么多好事坏事，原来是好人坏人，现在是好事坏事，以后是有事没事。它不是绝对的，有一种程度，这也就衍生出了不确定性推理，很多事情你没办法给出确定的结果，甚至证据都是不确定的，因此隶属度、可信度等表示不确定程度的量应运而生。先从可信度来说，计算一个结论的可信度时，把证据的可信度看的那么重要，要先在0和证据可信度间做取大，当你去判断这个证据对结论的影响之前，要先看这个证据是真是假。即使你有了一个可信度大于0的证据，但只有单一的证据是不够的，需要将不同的证据组合起来来看，这也就衍生出了，不同证据间的组合，比如可信度方法中CF的组合运算、证据理论中的正交和，理论上你只要有一对组合，你就可以把任意数量的证据组合起来。

确定性推理、不确定性推理，人类定义了很多一开始不容易接受的推理方法，但是仔细一品味确实很像我们人脑中正在进行的推理过程：获取信息、筛选信息、比较信息、运用信息。你爸和你妈同时给你提出不同的建议，你爸办事重大体而不拘泥细节，妈妈细腻但是失去全局感，你在做一道小学数学题，需要更多的细腻而不是大体，所以选择相信妈妈，这不就是由证据得到的结果吗。这是逻辑推演，偏理性的，可以实现类人脑，我们尝试用电脑超快的计算速度去试出来人脑下意识产生的反应。可是，创造性的工作呢？我想，还是一段任重而道远的事情啊！

如果有一天，大脑的运作机制被攻破了，那创造性我想也就不远了。但我不信。至少目前不信。前几天看的量子力学给了我很大震撼，科学和宗教会有一个共同的顶点吗？我不知道。但我想知道。