datawhale 人工智能现代方法第一次打卡

人工智能基础。
人工智能几个大块：
图灵测试。
自然语言处理
知识表示：knowledge representation
自动推理：automated reasoning
机器学习 machine learning
计算机视觉
机器人学 robotics
类人思考：认知建模方法
内省：introspection
心理实验 psychological experiment
大脑成像 brain imaging

三段论：当给出正确的前提时，总能提出正确的结论。
理性行为：理性智能体方法：
agent 智能体。理性智能体 rational agent。
真实需求和施加给机器的目标之间达成一致的问题称我为价值对齐问题。

人工智能求解器
general problem solver通用问题求解器

早先人工智能十分类似于遗传算法。早期问题求解系统都会尝试组合不同的步骤，直到找到解为止。魏世界含有的对象非常少，因此可能的动作非常少。解的动作序列也非常短。早期的机器进化，就是对机器代码程序进行一系列小的变异。为特定任务生成表现良好的程序。这个想法就是通过选择过程来尝试随机突变。保留似乎有作用的突变。尽管使用了长达数千消失的cpu时间，但是没有任何进展。

早期遗传编程的问题是组合爆炸。
多层感知机大家觉得并不能表示所有东西。

早期人工智能前十年求解使用的是通用收索机制。试图将基本的推理步骤串在一起。

专家系统：例如通过质谱仪有什么样的波峰来逐步剥离子结构，通过食谱的方式来剥离大量的专用规则。知识密集型系统。
血液感染的mycin系统。mycin有450条规则。mycn的很多规则来自于专家访谈。

四个团队在80年代中期发明了反向传播算法。 parrallel distributed processing 的结果很关键。
联结主义：connectionist 模型
由于专家系统很脆弱，所以我们开始结合机器学习，概率而不是布尔逻辑。
基于严格的定理和可靠的实验方法。
所以有了共享的基准问题，各种mnist数据集等等。
之后hidden markov model开始主导这一个领域
alphago使用了深度学习网络来评价函数。