人工智能基础
文章平均质量分 84
人工智能基础,概念性知识
季马宝宝
侠之小者,为情为私
展开
-
贝叶斯系列——贝叶斯定理、贝叶斯决策、朴素贝叶斯、贝叶斯网络、贝叶斯滤波器
贝叶斯定理、贝叶斯网络、贝叶斯滤波器、朴素贝叶斯、贝叶斯决策、极大似然、最大期望原创 2021-12-25 23:22:05 · 1751 阅读 · 0 评论 -
人工智能基础——为什么逻辑学中“假推真”、“假推假”永远是真命题?
实际上这章讲的是逻辑学,什么合取范式、析取范式啥的,但是哪些形式化的东西我懒得去写,我们不如考虑其中一个最令人感到费解的问题,为什么“假推真”、“假推假”是真命题。我直接抛出结论,“如果假”是没有意义的,因为无法消除不确定性,而逻辑世界只有真假,无意义就是真。首先,为什么“如果假”是没有意义的?a推出b,a是条件。“如果我不是人,那么地球是糖做的”,这两个都是假的,但是,结果不成立不等于命题不成立。事实是我是人,地球也不是糖做的,我是人可以推出地球是糖做的,而我现在不是人,那么就什么也推不出。也就是说所原创 2021-12-07 18:41:47 · 3345 阅读 · 0 评论 -
对信息熵的理解
信息熵H(x)=−∑xi∈Xp(xi)log2(p(xi))H(x)=-\sum_{x_i\in{X}}p(x_i)log_2(p(x_i))H(x)=−∑xi∈Xp(xi)log2(p(xi))代表x包含的信息量联合熵H(x,y)=−∑xi∈X∑yi∈Yp(xi,yi)log2(p(xi,yi))H(x,y)=-\sum_{x_i\in{X}}\sum_{y_i\in{Y}}p(x_i,y_i)log_2(p(x_i,y_i))H(x,y)=−∑xi∈X∑yi∈Yp(xi,yi原创 2021-11-20 00:06:16 · 423 阅读 · 0 评论 -
人工智能基础——约束满足问题(CSP)
约束满足就是求解的问题存在约束。考虑一张拓扑图,每个节点都存在候选区间,然后某几个(1-n)节点之间存在约束,比如某个点不能取特定值,某两个相加等于定值之类的。一个约束包含几个变量,就是几元约束(相容)。相容就是约束节点相容单个点存在约束,直接利用约束消除这个点里的非合法区间就行了。弧相容二元约束,使用AC3算法:把所有二元关系入队,每次弹出一个,假设为(A,B)(A,B)(A,B),约束其中一个调整另外一个,如果约束产生效果,如锁定A的值域确定B的值域,如果对原本值域无影响,就弹出下一个;原创 2021-11-01 00:14:56 · 1190 阅读 · 0 评论 -
人工智能基础——对抗搜索
博弈树就是游戏的状态空间。拿井字棋举例,很直观就能看懂。稍微解释一下,首先树的叶子节点代表游戏的某个结局,1代表获胜,0代表平局,-1代表失败。(对于一号玩家而言)对于更复杂的游戏会有不同的评价方式,比如说围棋一盘结束后可以用黑白棋子占据位置的差值作为评价分数。MAX和MIN代表两个玩家,某层为MAX代表此轮由他操作。之所以选择这两个名字,是因为MAX玩家总希望评价分数最高,MIN玩家则相反。也就是说如果确定每个结点的分数,他们的决策是一定的。MIN-MAX算法呼之欲出,从整颗树倒推,上一层如果原创 2021-10-19 21:05:28 · 1298 阅读 · 0 评论 -
人工智能基础——全局搜索方法
文章目录引言局部搜索算法爬山法模拟退火局部束搜索遗传算法连续空间中的局部搜索引言这是最优化的内容,我们用状态(包含很多参数)描述一个对象。把这些参数作为坐标轴就会获得一个超空间(函数定义域)。超空间里的点分别对应了某个函数值,我们在空间里找函数的最大值。后面会介绍各种算法,但是核心是找上一节课的h(n)——一个描述状态分数的函数。局部搜索算法所谓局部就是只关心状态,不关心路径,从一个点到其他点。爬山法就是梯度下降法,只不是找最大值。就是找参数在状态空间临近区域的最优解。相信大家都会。显然有很原创 2021-09-07 23:03:39 · 3488 阅读 · 0 评论 -
人工智能基础——搜索算法
文章目录引言第一课——搜索算法什么是搜索无信息搜索BFS(广度优先)一致代价搜索DFS(深度优先)深度受限搜索迭代加深DFS双向搜索有信息搜索(启发式)罗马尼亚度假问题贪婪搜索A*搜索存储受限的启发式搜索递归最佳优先搜索(RBFS)简化内存受限(SMA*)启发式函数引言本学期开设了人工智能基础这门课程,使用了《人工智能 一种现代方法》作为教材,整本书将尽一千多页。我觉得他内容其实很不错,但是阅读难度还是比较大的,对于问题的阐述有点过于复杂了,需要比较强大的阅读能力,并且难以圈划重点。因此,我打算在每节原创 2021-09-07 16:34:55 · 4438 阅读 · 0 评论