人工智能相关的专业名词概览
人类研究计算机的目的，是为了提高社会生产力水平，提高生活质量，把人从单调复杂甚至危险的工作中解救出来。
人工智能人造的“人”，所以是人工，又因为是“人”，所以称其“智”。23333
所以其实这个领域就是研究如何使计算机来做本来只有人才能做的智能工作，比如听说读写的能力。
并非只有生产出来的机器人才可以称之为人工智能，机器人只是人工智能的一种载体，人工智能不一定通过机器人去展现。没有用到人工智能技术的机器人依然是机器人，但不是智能机器人；将感知、规划等技术塞入机器人的脑袋后才能称为智能机器人。所以像自动驾驶、苹果手机的Siri等都可以称之为人工智能。【研究人工智能不用过多的考虑载体问题】
AI的生产存能力：
图片中的信息整理自：https://zhuanlan.zhihu.com/p/25166293；与此同时，进行了一些扩展。一张关系图：
机器学习机器学习也被称为统计学习方法，顾名思义，机器学习中的大部分学习算法都是基于统计学原理的。
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。【一个不具有学习能力的智能系统难以称得上是一个真正的智能系统】
在计算速度上计算机已经远远超过了人，然而在很多方面，特别是在人类智能活动有关的方面例如在视觉功能、听觉功能、嗅觉功能、自然语言理解能力功能等等方面，还不如人。这种现状无法满足一些高级应用的要求。例如，我们希望计算机能够及早地发现路上的可疑情况并提醒汽车驾驶员以避免发生事故，我们更希望计算机能帮助我们进行自动驾驶。这个时候，我们就需要机器学习来帮助我们了（从而赋予机器自己学习的能力）。机器如何“自己学习”？它需要的不是课本知识，而是足够多的数据—>大数据技术|数据挖掘。任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归(LinearRegression)、K均值(K-means，基于原型的目标函数聚类方法)、决策树(DecisionTrees，运用概率分析的一种图解法)、随机森林(RandomForest，运用概率分析的一种图解法)、PCA(PrincipalComponentAnalysis，主成分分析)、SVM(SupportVectorMachine，支持向量机)以及ANN(ArtificialNeuralNetworks，人工神经网络)。深度学习从函数的角度理解机器学习、深度学习：
通俗来说，机器学习是⼀⻔讨论各式各样的适⽤于不同问题的函数形式，以及如何使⽤数据来有效地获取函数参数具体值的学科。深度学习是指机器学习中的⼀类函数，它们的形式通常为多层神经⽹络。例如，我们使⽤⼀个⼆次函数来判断图像中是否有猫，但是像⼆次函数系数值这样的函数参数的具体值则是通过数据来确定。机器学习研究如何使计算机系统利⽤经验改善性能。它是⼈⼯智能领域的分⽀，也是实现⼈⼯智能的⼀种⼿段。在机器学习的众多研究⽅向中，表征学习关注如何⾃动找出表示数据的合适方式，以便更好地将输⼊变换为正确的输出，而本书要重点探讨的深度学习是具有多级表⽰的表征学习⽅法。在每⼀级（从原始数据开始），深度学习通过简单的函数将该级的表⽰变换为更⾼级的表⽰（逐级表⽰越来越抽象的概念或模式）。因此，深度学习模型也可以看作是由许多简单函数复合而成的函数。当这些复合的函数⾜够多时，深度学习模型就可以表达⾮常复杂的变换。深度学习源于人工神经网络的研究。深度学习是机器学习中神经网络这种算法，添加多个隐藏层，就是深度学习了。【Deepmeansmanyhiddenlayers.所谓深度学习，就是具有很多个隐层的神经网络。】
【神经网络】生物神经网络：生物神经元的信息处理流程简单来说是先通过本神经元的树突接收外部神经元传入本神经元的信息，这个信息会根据神经元内定义的激活阈值选择是否激活信息，如果输入的信息最终被神经元激活，那么会通过本神经元的轴突将信息输送到突触，最后通过突触传递至与本神经元连接的其他神经元。人工神经网络：
M-P模型：一个经典的人工神经元模型。单层感知机：一种具有单层计算单元的神经网络模型。它在结构上和M-P模型极为相似，不同之处是感知机被使用的初衷是解决数据的分类问题，因为感知机本身就是一种能够进行二分类的线性模型。多层感知机：多层感知机和单层感知机的最大区别是多层感知机在它的输入层（InputLayer）和输出层（OutputLayer）之间加入了新的网络层次，这个新的网络层次叫做隐藏层（HiddenLayer），我们能够自定义隐藏层的层次数量，层数通常会是一层或者多层。同时，多层感知机具备了一种后向传播能力（可简单的把后向传播理解为多层感知机模型进行自我学习和优化的一种方法）。机器学习并不能真正使机器变得智能，应用了神经网络的深度学习才能使机器真正变得智能。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutionalneuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。AI、机器学习、深度学习：https://blog.csdn.net/dukai392/article/details/70271574模式识别模式识别的两个重要方面：对光学信息(通过视觉器官来获得)的识别、对声学信息(通过听觉器官来获得)的识别。
模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类(SupervisedClassification)和无监督的分类(UnsupervisedClassification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。
研究方法：（1）决策理论方法：又称统计方法(机器学习)。①被识别对象首先数字化，变换为适于计算机处理的数字信息。②在数字化环节之后通常还进行预处理，用于除去混入的干扰信息并减少某些变形和失真。③随后是进行特征抽取，即从数字化后或预处理后的输入模式中抽取一组特征。特征抽取过程将输入模式从对象空间映射到特征空间。④特征抽取后可进行分类，即从特征空间再映射到决策空间。这时，模式可用特征空间中的一个点或一个特征矢量表示。这种映射不仅压缩了信息量，而且易于分类。（2）句法方法：又称结构方法或语言学方法。基本思想是把一个模式描述为较简单的子模式的组合，子模式又可描述为更简单的子模式的组合，最终得到一个树形的结构描述，在底层的最简单的子模式称为模式基元。【在句法方法中选取基元的问题相当于在决策理论方法中选取特征的问题。】模式以一组基元和它们的组合关系来描述，称为模式描述语句，这相当于在语言中，句子和短语用词组合，词用字符组合一样。基元组合成模式的规则，由所谓语法来指定。一旦基元被鉴别，识别过程可通过句法分析进行，即分析给定的模式语句是否符合指定的语法，满足某类语法的即被分入该类。（3）统计模式识别：基本原理是:有相似性的样本在模式空间中互相接近，并形成"集团"，即"物以类聚"。其分析方法是根据模式所测得的特征向量Xi=(xi1，xi2，…，xid)T(i=1，2，…，N)，将一个给定的模式归入C个类ω1，ω2，…，ωc中，然后根据模式之间的距离函数来判别分类。其中，T表示转置;N为样本点数;d为样本特征数。统计模式识别的主要方法有:判别函数法，近邻分类法，非线性映射法，特征分析法，主因子分析法等。如贝叶斯决策规则、BP神经网络、支持向量机(SVM)。
模式识别可用于文字和语音识别、遥感和医学诊断等方面。
计算机视觉计算机视觉大致分为信息的收集（如摄像头、现有图片等）、信息的分析和信息的处理三部分内容。承担图像信息分析和处理任务的就是计算机视觉的核心算法。目前进行图像信息分析和处理的核心算法都采用了深度学习方法，通过这些核心算法能够处理很多计算机视觉上的问题，比如图片分类、对图像中目标的定位和语义分割，等等。
教会机器如何像人一样来“看”这个世界；从一些列图像、视频中自动提取、分析和理解有用的信息。
在使用深度学习方法解决计算机视觉问题的过程中，用的最多的网络架构是一种叫做卷积神经网络（ConvolutionalNeuralNetwork）的模型。卷积神经网络是人工神经网络的升级，是科学家通过模拟人类大脑的工作原理而发明的。人们发现人工神经网络模型能够很好地提取输入图像中的重要特征，而卷积神经网络在图像特征提取方面具有更明显的优势。
①通过使用深度学习模型解决图品分类问题（有点像非监督学习）；②通过学习总结的方式解决物体识别分类问题（像监督学习）。
计算机视觉、图像处理、模式识别：http://www.duozhishidai.com/article-4119-1.html
数据挖掘(DataMining)从海量数据中“挖掘”隐藏信息。【按照教科书的说法，这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”，信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。】
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
名词解释——人工智能类名词
人工智能（ArtificialIntelligence）
可以从英文角度进行理解。Artificial：人造的。Intelligence：这个词在这里可以译作智能，用英英可以解释为capacityoflogic,understanding,self-awareness,learning,knowledge,reasonging,planning,creativityandproblemsoling.这样看下来就不难理解人工智能了。
“人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的科学。”
计算机视觉（ComputationalVision）
计算机视觉就是教会计算机“看”
计算机视觉是由相机拍摄图像，通过电脑对图像中的目标进行识别和检测。研究内容主要有：通过采集图片或视频进行处理分析，从中获取相对应的信息。主要可以分为：图像采集、处理、运动控制部分。
深度学习（DeepLearning）
深度学习是一种源于机器学习的新的研究。可以大致概括为大数据+机器学习。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。深度学习则是机器学习的一个分支，主要用基于人工神经网络的各种方法来实现目的。
目标检测（ObjectDetection）
目标检测又叫目标提取。主要是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。可以在复杂的环境中进行一定的检测和图像提取。是计算机视觉的主要应用之一。
人脸识别
人脸识别，是基于人体面部特征信息进行身份识别的一种“生物识别技术”。用摄像机或者摄像头采集含有人脸的图片或视频流，并“自动”在图片中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术。
姿态估计（PoseEstimation）
姿态估计通俗的理解可以理解为行为估计
也可以理解为较高层次的目标检测及未来行为的估计。
神经网络（ArtificialNeuralNetwork,即ANN）
我们通常所说的是“人工神经网络”
神经网络是一种运算模型，由大量的节点相互连接构成。由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：1、非线性2、非局限性3、非常定性4、非凸性。因为这四个特征的存在而使“人工智能”变得更加“智能”。
人工智能名词解释和简答题总结
1.智能学习和求解问题的能力，解决新问题、理性行动与像人一样的行动的能力。智能是世界上实现目标的能力的计算部分。人们、许多动物和一些机器都会出现各种各样和层级的智能
2.智能包含的能力(1)感知能力(2)记忆和思维能力(3)学习和自适应能力(4)行为能力
3.什么是人工智能？(1)人工智能是研究、开发用于模拟、延申和扩展人的智能的理论、方法、技术及应用系统的一门新的技术学科(2)它企图了解智能的实质、并产生一种新的能以人类智能相识的方式做出反应的智能机器。(3)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，但能像人那样思考、也可能超过人的智能。
4.什么是机器感知？使机器（计算机）具有类似于人的感知能力。以机机器视觉(machinevision)与机机器听觉为主。5.人工智能陷入低潮20世纪60年代末，人工智能研究遇到困难，如机器翻译，机器证明。6.知识表示将人类知识形式化或者模型化
7.人工智能学科一门研究如何构造智能机器（智能计算机）或智能系统或智能系统，使它能模拟使它能模拟、延伸延伸、扩展人类智能的学科。
8.强人工智能和弱人工智能(1)强人工智能：有可能制造出真正能推理和解决问题的智能机器，并且它将被认为是有知觉的，有自我意识的，分为类人的人工智能、非类人的人工智能(2)弱人工智能：不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识.
9.人工智能三大学派及其思想与成果(1)符号主义学派：符号主义学派认为，认识的基元是符号，认识过程就是符号运算和推理，智能行为的充要条件是物理符号系统。知识可以用符号进行表示，也可用符号进行推理，可以建立基于知识的人类智能和机器智能统一的理论体系。代表人物：纽厄尔，西蒙代表成果：人工定理证明，人工智能语言LISP,鲁滨逊归结原理，专家系统。(2)连接主义学派：连接主义学派认为，思维的基元是神经元，而不是符号，思维的过程是神经元的连接活动，而不是符号运算的过程。反对符号主义对于物理符号的假设，人脑不同于计算机，提出连接主义的人脑工作模式取代符号主义的计算机工作模式。代表人物：麦克洛克，或普菲德尔代表成果：单层感知机，Hopfield网络，BP网络(3)行为主义学派，行为主义学派认为人工智能起源于控制论，智能取决于感知与行为，取决于对外部复杂环境的适应。代表任务及成果：布鲁克斯研制的六角机器虫
10.知识表示的基本方法非结构化方法：一阶谓词逻辑，产生式规则结构化方法：语义网络，框架其他方法：状态空间法，问题规约法
11.数据、信息与知识的关系是什么？(1)数据是记录信息的符号,是信息的载体和表示;信息是对数据的解释,在特定场合下的具体含义(2)把有关信息关联在一起所形成的信息称为知识(3)有格式的数据经过处理、解释过程会形成信息，有关的信息关联到一起，经过处理过程形成知识
12.什么是P规则，什么是T规则？P规则：在推理的任何步骤上都可引入前提。T规则：推理时，如果前面步骤中有一个或多个公式永真蕴含公式S，则可把S引入推理过程中。
13.演绎推理与归纳推理的区别是什么？(1)演绎推理所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理只不过是将已有事实揭露出来，因此它不能增殖新知识。(2)归纳推理由个别事物或现象推出一般性知识的过程，是增殖新知识的过程。
14.什么是推理策略中的冲突消解？冲突消解策略是指当推理过程有多条知识可用时，如何从这多条知识中选取一条最佳知识用于推理的策略，常用的冲突消解策略有领域性知识优先和新鲜知识优先等。
15.产生式系统把一组产生式放在一起。一个产生式的结论可以供另一个产生式作为已知事实使用，以求得问题的解，这种系统成为产生式系统。
16.产生式系统的组成(1)一个综合数据库，又称事实库，用于存放输入的事实，从外部数据库输入的事实、中间结果、最后结果(2)一组产生式规则，描述某领域内知识的产生式集合(3)一个控制系统，包含推理方式和控制策略，又称推理机或推理引擎
17.语义网语义网络是通过概念及其语义关系来表达知识的一种网络图，它是一个代标注的有向图。节点用来表示各种概念、事务、属性、动作、状态等。弧是有方向，用来体现节点间的主次关系。弧上的标注用来表示节点间的语义联系或语义关系。
18.框架系统框架是人们认识事物的一种通用的数据结构形式。在框架理论中，框架是知识的基本单位，把一组有关的框架连结起来便可以形成一个框架系统，框架由若干个槽组成，槽可以由若干个侧面组成。一个侧面用来描述相应属性的一个方面。槽和侧面所具有的属性值称为槽值和侧面值。19.框架之间的横向联系框架A的某个槽值是另一个框架B时，则称框架A与框架B之间具有横向联系。
20.框架之间的纵向联系是指那种具有继承关系的上下层框架之间的联系，纵向联系通过预定以槽名AKO和ISA等来实现。
21.搜索依靠经验，利用已有知识，根据问题的实际情况，不断寻找可利用知识，从而构造一条代价最小的推理路线，使问题得以解决的过程称为搜索。
22.盲目搜索和智能搜索(1)盲目搜素是指在搜索之前就预定好控制策略，整个搜索过程中的策略不变，即使搜索出来的中间信息有利用价值，其搜索过程中的策略不再改变，效率低，灵活性差，不利于复杂问题求解。(2)智能搜索是指可以利用搜索过程中得到的中间信息（与问题相关的信息）来引导搜索过程向最优方向发展的算法。
23.问题规约法把一个复杂问题分解或变换为一组本源问题的过程叫做问题规约。实质：从目标问题出发，逆向推理，建立子问题以及子问题的子问题，直至最后把初始问题规约为一个平凡的本源问题集合。
24.状态空间图与与或图有什么区别及联系？(1)状态空间图是描述寻找目标或路径问题的有向图，即描述一个实体基于事件反应的动态行为，显示了该实体如何根据当前所处的状态对不同的时间做出反应的。状态空间图可以看成只有或节点的与或图。(2)与或图是一种系统地将问题分解为互相独立的小问题,然后分而解决的方法。(3)与或图中有两种代表性的节点:“与节点"和“或节点",“与节点指所有的后续节点都有解时它才有解;“或节点’指各个后续节点均完全独立,只要其中有一个有解它就有解。状态空间图可以看成与或树的一个特例，即只有或树，没有与树
25.启发式信息用于指导搜索过程且与具体问题求解有关的控制信息称为启发信息启发信息作用分类：1.用于决定先扩展哪一个节点2.在扩展节点时，用于决定要生成哪一个或哪几个后继节点3.用于确定某些应该从搜索树中抛弃或修建的节点
26.估价函数在扩展节点时，用来描述节点重要程度的函数称为估价函数，一般形式为f(x)=g(x)+h(x)。其中，g(x)为初始节点S0到节点x已实际付出的代价，h(x)是从节点x到目标节点Sg的最优路径的估计代价，启发信息主要由h(x)来体现，故把它称为启发函数。
27.A算法在状态空间搜索中，如果每一步都利用估价函数f(n)=g(n)+h(n)对Open表中的节点进行排序，则称为A算法。它是一种为启发式搜索算法类型：全局择优：从Open表中的所有节点中选择一个估价函数值最小的进行扩展局部择优：仅从刚生成的子节点中选择一个估价函数值最小的进行扩展。
28.A*算法对在A算法的基础上，选用了一个比较特殊的估价函数，对节点n定义f*(x)=g*(x)+h*(x)，表示从S0开始通过节点x到Sg的一条最佳路径的代价，g是g的估计，h是h的估计。g(x)是对最小代价g*(x)的估计，且g(x)>0,g(x)>=g*(x),h(x)为h*(x)的下界，即对所有的x存在h(x)
[人工智能] 名词解释+简答题
名词解释估价函数在A算法中，将启发函数h（x）与代价函数g（x）相结合，即初始节点S0到达节点x处已付出的代价与节点x到达目标节点Sg的接近程度估计值总和，定义为：f(x)=g(x)+h(x)。
希望树由挑选的最有希望成为最优解树一部分的欲扩展的节点及其先辈节点所构成的与或树是最优解树的近根部分，称为希望树。
博弈树博弈问题的状态空间就是以状态为节点、以合法走步为边的一个树形图，称为博弈树。
Horn子句至多含有一个正文字的子句称为Horn（霍恩）子句。
专家系统专家系统是一个智能计算机程序系统，其内部含有丰富的某个领域专家水平的专业知识与实践经验，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的复杂问题。
机器学习实现通过经验来提高对某任务处理性能的行为的计算机程序
语义角色语义角色指有关语言成分在语句所表达的事件中所扮演的参与者角色。
语义标注语义角色标注是一种实用的浅层语义分析技术，它只标注谓词（谓语动词、名词、形容词）的语义角色。
AgentAgent是能通过传感器感知环境信息、能自主进行信息处理并作出行动决策、再借助执行器作用于环境的一种计算系统。
决策树决策树