人工智能学习提要分析

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,人工智能学习提要,吕知辛,教材：人工智能 马少平 朱小燕编著，清华大学出版社,人工智能解决的问题：拟人,人的智能表现：,学习力量,心情化,拥有学问,利用学问进展推断、推理,将学问进展表述表示,利用学问解决问题,课本的绪论局部着重介绍了人工智能的定义、人工智能的进展过程以及人工智能所能解决的问题。,并且就如何推断一台机器是否具有智能给出了两个测试的例子：,图灵测试推断被测试者是人还是机器,中文屋子希尔勒提出了什么是理解的问题,当知道了人的智能的表达，人工智能就是围绕如何使机器具有人的智能，或使机器具有人的局部智能。,要解决问题，就离不开思考，就要对问题给出答案解，这就是一个在你的学问库中找到适合该问题的解的过程，在人工智能中将人类的思维过程看作是一个搜寻的过程对待。也就是搜寻的过程。,搜寻策略的主要任务就是确定如何选取规章的方式，我们将其分为两类：一是不考虑给定问题的特定学问，依据事先确定好的排序进展搜寻的盲目搜寻；另一种是充分考虑问题的特定学问，动态确定规章的排序，优先调用适宜规章的启发式搜寻。,搜寻在人工智能中占有较重的地位，在课本中的第一章、其次章和第七章都是介绍这方面的学问,其中第一章主要是介绍状态空间的搜寻算法,其中的回溯策略是属于盲目搜寻的一种，而递归算法则是实现回溯策略的一种最直接的方法；,图搜寻策略的关键是两个表：Open表和Close表，其中Open表上的结点都是搜寻树的端结点，Close表上的结点，可以使已被扩展而不能生成后继结点的端结点，也可以是非端结点。,深度优先和宽度优先算法应当是图搜寻策略的两种重要实现形式。,启发式搜寻要利用一些全都的信息来引导搜寻，以到达削减搜寻范围、降低问题的简单性的目的。,其次章则是争论的与或图的搜寻问题：问题的提出或消失是初始结点，问题的解决是目标结点，从初始结点到目标结点之间，要寻求一条路径，就是结点的序列。有些问题是：一个结点的后继结点之间是“或”的关系只要一个后继结点得到解决，前面的结点也得到解决，如一个问题有多重解法，只要其中一种得到结果，这个问题就算解决了；但另外一些问题中，一个结点是否被解决，取决于该结点的局部或全部后继结点被求解，而不是仅有一个后继结点被求解，就是说，这样的结点，其局部或全部后继结点是“与”的关系。依据这样的观点，就可以将问题的求解过程用与或图的形式表示，就是其次章介绍的内容。,在与或图上执行搜寻的过程，其目的在于说明起始结点是有解的，也就是说，搜寻不是去查找目标结点，而是查找一个解图。一个解图就是那些能解结点的子图，是包含一结点n到目的结点集合N的、连通的能解结点的子图,与或图搜寻与状态空间图搜寻的不同：,搜寻目的是证明起始结点是否可解，而可解结点是递归定义的，取决于后继结点是否可解，即搜寻是否找到可解的叶结点。因此，搜寻有可解标示过程和不行解标示过程。,初始结点被标示为可解，则搜寻成功完毕，初始结点被标示为不行解，则搜寻失败。,一旦觉察不行解结点，应把该结点从图中删去。,第三章则介绍了谓词规律与归结原理,谓词：用来表示客体性质、特征或客体之间联系的词，在汉语中一般包括动词和形容词；,归结：将待解决的问题A通过某种转化手段归结为另一个问题B，B是相对简洁解决或已有固定解决模式的问题，通过对B的解决可以得到对A的答案。,规律推理就是当听到别人陈述事情时，由阅历累积的学问进展推断处理，得出正确的结论的过程。,如：一个村子里，有50户人家，每家都养了一条狗。觉察村子里面消失了n只疯狗，村里规定，谁要是觉察了自己的狗是疯狗，就要将自己的狗枪毙。但问题是，村子里面的人只能看出别人家的狗是不是疯狗，而不能看出自己的狗是不是疯的，假设看出别人家的狗是疯狗，也不能告知别人。于是大家开头观看，第一天晚上，没有枪声，其次天晚上，没有枪声，第三天晚上，枪声响起具体几枪不清晰，问村子里有几只疯狗？只有晚上才能看出病狗，并且一天晚上只能看一次。,答案：3条！,推理过程：,A、假设有1条病狗，病狗的仆人会看到其他狗都没有病，那么就知道自己的狗有病，所以第一天晚上就会有枪响。由于没有枪响，说明病狗数大于1。,B、假设有2条病狗，病狗的仆人会看到有1条病狗，由于第一天没有听到枪响，是病狗数大于1，所以病狗的仆人会知道自己的狗是病狗，因而其次天会有枪响。既然其次天也没有枪响，说明病狗数大于2。,由此推理，假设第三天枪响，则有3条病狗。按现实由此推导 但问题是，a村子里面的人只能看出别人家的狗是不是疯狗，b而不能看出自己的狗是不是疯的，c假设看出别人家的狗是疯狗，也不能告知别人。d第一天其次天就应当有枪响.abcd都不符合实际。生疏到其说自圆，这就是推理。,第三章就是介绍了规律运算在智能推理中的意义，谓词规律的表示方法，归结原理推理的方法等。,前面提到，学问的表示是人工智能的根本问题，像信息的描述和传递等。智能实体依据环境得到的学问通过肯定的猜测得到结果。学问的猎取过程，学问的表现形式，学问如何使用等都是我们要争论的问题。人工智能的求解就是以学问为根底的。在第四章就对表示方法进展了介绍，并具体描述了产生式表示、语义网络表示、框架表示等方法。,有些推理是建立在不确定性学问和证据的根底上的，学问库中可能包含大量的模糊性、随机性、不行靠性或不知道等不确定性的学问，如明天可能下雨，为了解决这样的问题，在第五章就介绍了基于概率表示和计算的不确定性推理问题的解决方法。,机器学习是人工智能的一个重要环节，由于人与动物的根本区分在于具有智能，而智能是需要学习来猎取和保持的。不能学习的系统，其功能不具备拓展，不具备适应环境变化的力量。目前大多数的计算机应用系统都是由人编制程序实现的，只能适用于特定的条件，即使消失错误也只能承受，修改必需要人的参与，比方数据库系统，就只能适用于特定的对象。,通过归纳的方法，从使用中猎取环境的变化参数，自动更改相应的方法，适应不同环境的变化，这才是一个智能系统所需要具备的力量。,第六章就是从实例学习、解释学习、决策树学习以及神经网络学习等方法的介绍入手，具体描述了一个人工智能系统解决学习，尤其是自学习力量的方法。,本书的第七章是在第一二章的根底上，介绍一些如局部搜寻、模拟退火算法和遗传算法等比较新颖的搜寻算法，这些算法的共同特点就是引入了随机因素，每次搜寻不保证求得问题的最优解，但是经过假设干次的搜寻运行后根本确定可以获得一个次优解的方法。以此来是的搜寻的代价最低。,