人工智能回顾

1. 人工智能概述

人工智能主要研究

启发式搜索理论、知识模型化和表示方法、人工智能系统结构及语言、机器学习等，难点在于知识获取困难、规模庞大以及应用前景问题

人工智能的研究以及应用领域：

1. 研究

• 机器思维：推理、搜索、规划
• 机器学习：符号主义机器学习（归纳学习、强化学习等）、连接主义机器学习（神经网络）、知识发现和数据挖掘学习（结合到信息检索）
• 机器感知：机器视觉、模式识别、NLP等
• 机器行为：智能控制、智能制造
• 计算智能：神经计算、进化计算、模糊计算
• 分布智能：多Agent问题等
• 智能系统：专家系统、智能决策支持系统
• 人工心理和人工情感

2. 应用领域

• 智能机器人
• 智能教育
• 智能医疗
• 智能农业

3. 人工智能的学派：

• 符号主义：逻辑主义，注重逻辑推理
• 连接主义：仿生学派，是对脑科学的研究
• 行为主义：进化主义，对智能体行为的模拟

2. 知识的表示

• 谓词逻辑表示法
• 语义网络表示法
• 框架表示法Frame

3. 确定性知识推理

• 产生式推理法
  • 正向推理机
  • 逆向推理机
• 归结演绎法：子句集的化简、归结原理
  • 子句集化简几个步骤：
    • 消去连接词$\to$和$\leftrightarrow$
    • 减少否定词的辖域
    • 对变元标准化:对不同辖域的变量更名$\exists xP(x)\to (\exists xQ(x))=>\exists xP(x)\to (\exists yQ(y))$
    • 化为前束范式：把量词全部往前提
    • 消去存在量词
      • 存在量词前没有全称量词：直接用常元替换
      • 存在量词前具有全称量词：利用skolem标准型替换
    • 化为skolem标准型，即全部由“合取符号”连接
    • 消去全称量词
    • 消去合取词
    • 更名，不同子句间变量名应该不同
  • 归结原理
    • 找到一对否定文字，变名、合并
    • 常元不能变为变元
    • 变元可以变为变元以及常元
    • 具体步骤：否定结论，加入条件集->求给定条件集合的子句集->归结为NIL，则结论为真，否则为假

4. 不确定知识推理

• 贝叶斯网络（待补充）
  • 全概率:P(x1,x2,x3,…,xn) = ∏P(xi|Par(xi))
  • 部分条件概率:P(x1|x2,x3) = αP(x1,x2,x3) = αΣP(x1,x2,x3,Y)

5. 搜索策略

• DFS

• BFS

• UCS

• A*

    其中，对A*算法进行解读：f(n) = g(n) + h(n)
  
    1. g(n) = 0，A*类似DFS
    2. h(n) = 0，A*类似BFS
    3. g(n) = g*(n)，h(n) = 0，A*类似UCS或者Dijkstra算法
  

• 与或树
  1). 解树

    求解节点的代价
    或节点：子节点最小代价
    与节点：和代价法（串行）/最大代价法（并行）
  

  2). 希望树

    代价最小的子树
  

  3). 启发式搜索

    1. 更新希望树
    2. 拓展
    3. 调用可解标记过程
  

---

• 博弈树：α-β剪枝算法
  Max-Min对应α-β，即α是剪除Max底下的枝，β是剪除Min底下的枝

6. 机器学习

• 什么是学习、机器学习？
• 机器学习的阶段
  • 神经元模型阶段
  • 符号概念获取阶段
  • 知识强化学习
  • 连接学习与混合型学习
  • 大规模学习与深度学习
• 学习系统
  • 环境
  • 学习环节
  • 知识库
  • 执行（应用）环节（可为学习环节提供反馈）
• 决策树：一种由节点和边构成的用于描述分类过程的层次化数据结构
• SVM：支持向量机将输入映射到高维空间，并在高维空间内寻找最优超平面，是一种基于统计学习理论的通用学习方法
• 集成学习
  • Boosting方法
  • Bagging方法

7. 神经网络

• 浅层网络

  • 前馈网络

    • 感知器模型（单层/多层）
    • BP网络模型（计算梯度下降时是反馈的）
      • BP网络梯度下降公式推导（待。。。）
        

  • 反馈网络

    • Hopfiled网络
• 深度学习
  • 全连接
  • 卷积：相比于全连接，减少了参数个数
  • 池化
    • 最大池化
    • 平均池化