写在前面:以下内容是对课本内容的梳理,供大家参考,如有纰漏欢迎大家指出。个别不懂的地方也希望大家积极交流。有条件尽量多看看课后习题。
大题像是计算证明的出题范围为2-5章,重点看。1-9均涉及考点
计算:结论不确定性的合成/概率分配函数的正交和/模糊关系的合成
证明:用归结原理证明/归结原理的应用/谓词化为子句集
简答:名词解释/自然语言转化为谓词/专家系统的结构功能/知识表示法/遗传算法步骤
题库参考(答案很好找):
【课程·研】高级人工智能 | MOOC习题及课后作业:第1~3章_一阶谓词逻辑表示法可以表示不确定的知识_拾年之璐的博客-CSDN博客
【课程·研】高级人工智能 | MOOC习题及课后作业:期末考试_拾年之璐的博客-CSDN博客
【课程·研】高级人工智能 | MOOC习题及课后作业:第4~6章_设种群规模为4,采用二进制编码,适应度函数f(x)=x2_拾年之璐的博客-CSDN博客
考试题型(分布预估):
选择(30),判断(10),填空(10) (50分)
计算(10),证明(10),简答(30) (50分)
一.绪论
1.人工智能的目标:用机器实现人类的部分智能。
2.智能:智能是知识与智力的总和。
- 知识是一切智能行为的基础
- 智力是获取知识并应用知识求解问题的能力。
3.智能的特征
- 具有感知能力:通过感觉器官经大脑加工获取知识。
- 具有记忆与思维能力:记忆存储产生的知识,思维对记忆信息处理(逻辑思维/形象思维/顿悟思维)
- 具有学习能力:可以自觉,也可以不自觉。
- 具有行为能力:信息的输出(感知:信息的输入)
4.人工智能概念:用人工的方法在机器上实现的智能。与空间技术,原子能技术并称20世纪三大科学技术成就。
5.人工智能学科:一门研究如何构造智能机器,使它模拟延伸,扩展人类智能的学科。(理解:研究如何使机器能听说写看思考学习解决问题)
6.图灵测试(1950)/中文屋思想实验(简单看)
7.麦卡锡-人工智能之父(1956)。
8.自然界四大奥秘:物质的本质、宇宙的起源、生命的本质、智能的发生。
9.基本内容:
知识表示 :将人类知识形式化模型化(符号表示法/连接机制表示法-神经网络)
机器感知 :使机器具有类似人的感知能力
机器思维 :对机器内部信息进行有效处理
机器学习 :使机器具有类似于人的学习能力
机器行为 :机器的表达能力
二.知识表示与知识图谱
1.知识的概念:
- 在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。
- 把有关信息关联在一起所形成的信息结构。
- 知识反映了客观世界中事物之间的关系,不同事物或者相同事物间的不同关系形成了不同的知识。
2.人工智能系统关心的知识有:
- 事实知识:有关问题环境的一些事物的知识。
- 规则知识:问题中与事物的行动、动作相关联的因果关系知识。
- 控制知识:问题的求解步骤、技巧性知识。
- 元知识:知识的知识,知识库中的高层知识使用规则、解释规则、校验规则、解释程序结构等。
3.知识的特性:相对正确性/不确定性/可表示性与可利用性
4.离散数学内容复习:量词辖域,约束变元自由变元,主要等价式
命题逻辑:P:我是你的坝霸
谓词逻辑:P(x1,x2,…,xn)
谓词公式连接词优先级:﹁, ∧, ∨,→ ,
谓词公式的永真蕴含:假言推理,拒取式推理,假言三段论
5.谓词逻辑的其他推理规则
- P规则:在推理的任何步骤上都可引入前提。
- T规则:在推理过程中,如果前面步骤中有一个或多个公式永真蕴含公式S,则可把S引入推理过程中。
- CP规则:如果能从任意引入的命题R和前提集合中推出S来,则可从前提集合推出R → S来。
- 反证法:
Q为P 的逻辑结论,当且仅当P交非Q是不可满足的。
6.一阶谓词逻辑表示法(看书上例子)
步骤:
(1)定义谓词及个体。
(2)变元赋值。
(3)用连接词连接各个谓词,形成谓词公式。
优点:
自然性:接近自然语言容易理解
精确性:可以精确表示知识
严密性:有严格的推理规则
容易实现:很容易转换为计算机的内部形式。
7.产生式表示法
- 确定性规则知识的产生式表示:IF 动物会飞 AND 会下蛋 THEN 该动物是鸟
- 不确定性规则知识的产生式表示: IF 发烧 THEN 感冒 (0.6)
- 确定性事实性知识的产生式表示:
三元组表示:(对象,属性,值)/(关系,对象1,对象2)
老李年龄是40岁:(Li,age,40) / 老李和老王是朋友:(friend,Li,Wang)
- 不确定性事实性知识的产生式表示:
四元组表示:(对象,属性,值,置信度) /(关系,对象1,对象2,置信度)
老李年龄很可能是40岁:(Li,age,40,0.8)/老李和老王不大可能是朋友:(friend,Li,Wang,0.1)
8.巴克斯范式BNF
<产生式>::=<前提> <结论>
<前 提>::=<简单条件>|<复合条件>
<结 论>::=<事实>|<操作>
<复合条件>::=<简单条件>AND<简单条件>[AND<简单条件>…
|<简单条件>OR<简单条件>[OR<简单条件>…
<操 作>::=<操作名>[(<变元>,…)]
符号“::=”表示“定义为”;符号“|”表示“或者是”;符号“[ ]”表示“可缺省”。
9.产生式系统:由规则库,控制系统,综合数据库三部分组成。(书上动物识别系统浅看)
规则库: 用于描述相应领域内知识的产生式集合。
综合数据库:一个用于存放问题求解过程中各种当前信息的数据结构。
控制系统:由一组程序组成,负责整个产生式系统的运行,实现对问题的求解。
产生式表示法的优点:自然性,模块性,有效性,清晰性。
10.框架表示法(结构性,继承性,自然性)
框架的结构:一个框架由若干个被称为“槽”的结构组成,每一个槽又可根据实际情况划分为若干个“侧面”。
一个槽用于描述所论对象某一方面的属性。
一个侧面用于描述相应属性的一个方面。
槽和侧面所具有的属性值分别被称为槽值和侧面值。
(注意箭头方向)
11.知识图谱
概念:用各种不同的图形等可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
三元组表示(做好与产生式表示的区分):
(实体1-关系-实体2):中国-首都-北京
(实体-属性-属性值):北京-人口-2069万
知识图谱由一条条知识组成,每条知识表示为一个主谓宾SPO三元组。
12.知识图谱的架构:逻辑结构和体系结构。
逻辑结构:数据层(一系列事实)与模式层(知识图谱的核心,通过本体库管理)。
体系结构:
13.知识图谱的构建:
- 自顶向下指的是先为知识图谱定义好本体与数据模式,再将实体加入到知识库。
- 自底向上指的是从一些开放链接数据中提取出实体,选择其中置信度较高的加入到知识库,再构建顶层的本体模式
14.知识图谱的典例:维基百科(Wikipedia)
三.确定性推理方法
1.推理的定义:从初始证据(已知事实)出发,按某种策略不断运用知识库中的已有知识,逐步推出结论的过程。
推理机:推理由程序实现
2.推理的分类/方向:(概念大概看看)
推理的方向:正向推理/逆向推理/混合推理/双向推理
3.冲突消解:已知事实与知识库中多个知识匹配成功。
冲突消解策略(对知识进行排序):
(1)按针对性排序
(2)按已知事实的新鲜性排序
(3)按匹配度排序
(4)按条件个数排序
4.自然演绎推理(利用经典逻辑规则推出结论)
常用推理规则:P规则、T规则、假言推理、拒取式推理
假言推理:
拒取式推理:
注意错误情况:P→Q为真时,肯定后件Q→前件P为真;否定前件P→后件Q为假
5.谓词公式化为子句集的方法
分9步走,书上有3例题,很简单,认真写一遍,但注意括号不要混淆!
谓词公式不可满足的充要条件是子句不可满足。
6.鲁宾逊归结原理(消解原理)
基本思想:检查子句集 S 中是否包含空子句,若包含,则 S 不可满足;若不包含,在 S 中选择合适的子句进行归结,一旦归结出空子句,就说明 S 是不可满足的。
1. 命题逻辑中的归结原理
归结:设C1与C2是子句集中的任意两个子句,如果 C1中的文字L1与 C2中的文字L2互补,那么从C1和 C2中分别消去L1和L2,并将二个子句中余下的部分析取,构成一个新子句C12 。(理解到位)
例:C1=P,C2=非P,归结得C12=NIL空子句。
例:
1定理2推论简单理解
2. 谓词逻辑中的归结原理
最一般合一归结公式(理解:把一个常量换成一个变量)
一定注意:字句集中是并列的析取关系!!!
归结式是其亲本子句的逻辑结论。如果没有归结出空子句,则既不能说 S 不可满足,也不能说 S 是可满足的。
7.归结反演
应用归结原理证明定理的过程称为归结反演。
步骤是:
(1)将已知前提表示为谓词公式F。
(2)将待证明的结论表示为谓词公式Q,并否定得到﹁ Q 。
(3)把谓词公式集{F,﹁Q} 化为子句集S。
(4)应用归结原理对子句集S中的子句进行归结,并把每次
归结得到的归结式都并入到S中。如此反复进行,若出
现了空子句,则停止归结,此时就证明了Q为真。
例3.9真的很不错,仔细看。无非就是把前提化为谓词公式,否定结论,找互补文字进行归结,归结得到空子句就得证。
8.归结原理的应用
应用归结原理求解问题的步骤:
(1)已知前提 F 用谓词公式表示,并化为子句集 S ;
(2)把待求解的问题 Q 用谓词公式表示,并否定 Q,再与 ANSWER 构成析取式(﹁ Q ∨ ANSWER );
(3)把(﹁ Q∨ ANSWER) 化为子句集,并入到子句集 S中,得到子句集S ;
(4)对S应用归结原理进行归结;
(5)若得到归结式 ANSWER ,则答案就在 ANSWER 中。
许多例题也很有意思,有兴趣看一看。
四.不确定性推理
1.不确定推理: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者近乎合理的结论的思维过程。
2.可信度方法
C-F模型:基于可信度表示的不确定性推理的基本方法。
知识不确定性的表示(产生式规则):IF E THEN H (CF(H,E))
可信度因子:[-1,1],其值要求领域专家直接给出。
证据的不确定性的表示:CF( E )=0.6
- 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。
组合证据不确定性:
不确定性的传递算法(不确定的证据和不确定性知识推出结论):
结论不确定性的合成算法(例4.1)(很有可能计算公式记牢):
3.证据理论(D-S理论)
概率分配函数
信任函数Bel(A)表示对命题A为真的总的信任度。(找A的所有子集加起来)
似然函数Pl(A)表示对A为非假的信任程度(先算信任再算似然)
Pl(A)=1-Bel(﹁A)
概率分配函数正交和
基于证据理论的不确定性推理
4.模糊推理方法
模糊集合是经典集合的扩充。注意一些新概念:
论域:所讨论的全体对象,用 U 等表示。
隶属度:模糊逻辑给集合中每一个元素赋予一个介于0和1之间的实数,描述其属于一个集合的强度,该实数称为元素属于一个集合的隶属度。集合中所有元素的隶属度全体构成集合的隶属函数。
5.模糊集合的表示方法及运算
- 表示(Zadeh,序偶表示和向量表示)
Zadeh表示法(重点):
μ是集合中元素的隶属度。
- 运算(交并补,包含,相等,)
注意多了个隶属度,交为取小运算,并为取大运算。
代数运算:
6.模糊关系的合成
模糊关系:集合中元素的关联程度的多少。
模糊关系R的计算
模糊关系Q和R的合成S
- 最大-最小合成法 :最小中找最大
- 最大-代数积合成法 :算代数积找最大
7.模糊推理(例4.10)过程要知道,确定模糊关系,模糊推理,模糊决策
如果 (条件) → 则 (结论)
从条件论域到结论论域的模糊关系矩阵 R。通过条件模糊向量与模糊关系 R 的合成进行模糊推理,得到结论的模糊向量,然后采用“清晰化”方法将模糊结论转换为精确量。
8.模糊决策:由模糊推理得到的结论或者操作是一个模糊向量,转化为确定值的过程。
- 最大隶属度法(给定一个模糊向量,取隶属度最大,多个最大取平均)
- 加权平均判决法(隶属度乘以对应集合元素的加权)
- 中位数法(隶属度的中位)