人工智能概论知识要点（七）

七、专家系统、神经网络与机器学习

7.1专家系统
7.1.1定义
专家系统是一个智能计算程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。

7.1.2专家系统
1具有专家水平的专业知识
2具有启发性
3具有透明性
4具有灵活性
5能进行有效的推理
6具有交互性

7.1.3专家系统的类型
基于求解问题的性质和任务。
1解释专家系统
2预测专家系统
3诊断专家系统
4设计专家系统
5规划专家系统
6监视专家系统
7控制专家系统
8调试专家系统
9教学专家系统
10修理专家系统

7.1.4专家系统的各部分构成与功能
1知识库
知识库是用来存放专家知识、经验和常识的存储器。
2数据库
存放反映系统当前状态的事实数据的场所。
3推理机
控制、协调整个系统。
4学习系统
把“知识”从人类专家的脑中提取和总结出来，并且保证所获取的知识的正确性和一致性。
5人机接口
是专家系统与领域专家、知识工程师、一般用户进行交互的界面。
6解释器

7.1.5基于工作机理和结构进行分类
1基于规则的专家系统

2基于框架的专家系统
基于框架的专家系统是一个计算机程序,该程序使一组包含在知识库内的框架对工作存贮器内的具体问题信息进行处理,通过推理机推出新的信息。

7.2神经网络
7.2.1定义
人工神经网络（Artificial Neural Nets，ANN）是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元称作人工神经元。

7.2.2结构

7.2.3传输函数总结

7.2.4前馈型网络与反馈型网络
前馈型网络
• 前馈型网络的信号由输入层到输出层单向传输；
• 每层的神经元仅与其前一层的神经元相连，仅接受前一层传输来的信息；
• 是一种最为广泛使用的神经网络模型，因为它本身的结构也不太复杂，学习和调整方案也比较容易操作，而且由于采用了多层的网络结构，其求解问题的能力也得到明显的加强，基本上可以满足使用要求。
反馈型网络
这种网络结构在输入输出之间还建立了另外一种关系，就是网络的输出层存在一个反馈回路到输入层作为输入层的一个输入，而网络本身还是前馈型的；
• 这种神经网络的输入层不仅接受外界的输入信号，同时接受网络自身的输出信号。输出反馈信号可以是原始输出信号，也可以是经过转化的输出信号；可以是本时刻的输出信号，也可以是经过一定延迟的输出信号；
• 此种网络经常用于系统控制、实时信号处理等需要根据系统当前状态进行调节的场合。

7.3机器学习
机器学习方法的分类
按学习方式分类：监督学习、无监督学习、半监督学习和强化学习。
此外，还可以按照学习方法、数据形式、学习目标、学习策略等标准分类。
监督学习
在监督学习中，训练样本的标签信息是已知的，学习目标是通过对样本以及对应标签的学习，得到样本特征与标签之间的内在联系，从而实现对未知样本的标签进行预测。根据样本标签是连续还是离散，监督学习又可以分为回归和分类。
无监督学习
在无监督学习中，训练样本的标签信息是未知的，目标是通过对无标签训练样本的学习来揭示数据内在的性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”。
监督学习
无标签样本虽然没有直接包含标签信息，但是如果它们与有标记样本是从同样的数据源中独立同分布采样而来，则它们包含的关于数据分布的信息是十分有用的。
既利用标记样本进行学习，又利用未标记样本来提升学习性能，就是半监督学习。
强化学习
强化学习是20世纪80年代兴起的，受行为心理学启发的机器学习方法。它关注身处某个环境的决策器通过采取行动获得最大化的累积收益。AlphaGo击败围棋世界冠军，其核心技术就是深度学习与强化学习的结合。
强化学习主要由环境、智能体、状态、动作、奖励等基本概念构成。智能体在环境中会做各种动作，环境可能因此改变自身状态，同时环境会给智能体以奖励。智能体的目标就是使用一些策略，做合适的动作，取得最大化的累积收益。