《人工智能导论》期末复习二、三
《人工智能导论（第5版）》王万良
第二章 知识表示与知识图谱2.1 知识与知识表示的概念
一、什么是知识？有哪些特性？
1、知识：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。人们把实践中获得的信息关联在一起，就形成了知识。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、特性：（1）相对正确性（2）不确定性（3）可表示性与可利用性
二、什么是知识表示？如何选择知识表示方法？
1、知识的表示：将人类知识形式化或者模型化。
2、知识表示方法的原则：
（1）充分表示领域知识。
（2）有利于对知识的利用。
（3）便于对知识的组织、维护与管理。
（4）便于理解与实现。
2.2 一阶谓词逻辑表示法
一、命题？
一个非真即假的陈述句
eg.“3
清华大学出版社
出chatgpt独享账号！内含120美元！仅需38元/个！独享永久使用！点击购买！
本书全面介绍了人工智能的基本技术，目标是用通俗易懂的方法帮助读者构建完整的人工智能知识体系，为后续的深入学习打下基础。本书共分为10章，内容包括人工智能概述、知识表示、搜索技术、机器学习、深度学习、自然语言处理、机器人及智能控制等。本书适合高职高专和应用型本科，作为非人工智能专业的选修课和人工智能专业的导论课教材。也适合作为人工智能技术爱好者的入门书。
more>前言人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但它能像人那样思考，也可能超过人的智能。人工智能是计算机学科的一个分支，20世纪70年代以来被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一。也被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近30年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，在理论和实践上都已自成系统。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能在计算机领域内，得到了更为广泛的重视，并在机器人、经济政治决策、控制系统、仿真系统中得到应用。本书系统讨论了人工智能的技术基础，几乎涵盖了人工智能领域的大多数热点和前沿问题。希望通过本书能够增进人工智能领域跨学科的思考、交流和探讨。本书以朴素的语言和浅显的例子，以图文并茂的形式，向读者生动展示了新一代人工智能的专业知识。本书特点如下。（1）趣味性。把抽象的概念形象化，让学生有体验感，有吸引力。（2）先进性。科技进步瞬息万变，通过辅助材料让学生实时了解世界、企业最新技术动态和人才需求动态，对于经典的人工智能技术没有过多介绍。（3）针对性。因为本书是面向全专业学生的，所以知识点根据不同专业进行了有针对性地解释。（4）系统性。教材内容按人工智能知识体系安排：问题求解、知识与推理、学习与发现、感知与理解、系统与建造。每章提供了习题和实验，用于检查学生对知识的掌握程度。本书可作为人工智能相关专业的基础平台课或通识课程教材。由于笔者专业领域和视野有限，本书很难做到面面俱到，也不免有错漏或不当之处，敬请读者批评指正。《人工智能概论》编写组2021年2月
more>课件下载样章下载网络资源扫描二维码下载APP了解更多版权图片链接
人工智能年度nlp
无法透彻理解Paper，不能复现代码
无法提出创新优化方案，导致论文发不出
无法按照技术演进思路,系统学习深度学习知识
不知道从哪个论文资源平台找论文
stepo选修知识
数学基础
神经网络甚础知识
Python基础
ytorch框架入门
NLP基础
stepBaselinePaper
cv·图像分类
NLP·文本分类
o篇必学主干网络论文
1o篇必学甚石论文
图像分割
信息抽取
目标检测
预训练模型
GAN
图神经网络
ocR
句子匹配
轻量化网络
神经机器翻译
深入讲解论文发表的研究背景、成果及意义，介绍论文中取得的核心成果，对比解决同一问题，已有解决方法和论文中提出的新的解决方法的优缺点，熟悉论文的整体思路和框架，建立对本篇论文的一个概貌性认识。
Transformer一----—-—-——BERT的基石transformer-xl一—--一文本生成任务经典模型
3.ELMo-—----------一一种新型深度语境化词表征l4.gpt—---—一一文本生成任务上的巨人
5.ulmfit一—-—一少量样本训练的预训练模型
6.BERT一—-—----——--—一龙骨级的训练词向量概念7.XLNet—-
一一——---———一同时拥有AE和AR的优势
ALBERT一一—--------一—新轻量版BERT
9.mass一-——一包含gpt和bert的预训练模型10.electra一-一一轻量级新生代预训练模型
1.BiLSTM-CRF一一-一一--一一经典Baseline模型
2.ChineseNERUsingLatticeLSTM一—―一融合字词向量的中文NER
3.CNN-BasedChineseNERwithLexiconRethinking———Rethinking机制的CNN
网络解决中文NER问题
4.ALexicon-BasedGraphNeuralNetworkforChineseNER一一―图神经网络解
决中文NER任务
5.TENER--一一改进Transformer应用在NER任务
6.SimplifytheUsageofLexiconinChineseNER—-一一自适应Embedding融合
词典信息解决中文NER任务
关系抽取
1.RelationClassificationviaConvolutionalDeepNeuralNetwork2.rankloss—-----—CNN识别改进
3.Attention-basedbidirectionallongshort-termmemorynetworksforrelationclassification
4.jointextractionsofentitiesandrelationsbasedonanoveltaggingscheme