【人工智能理论】第1讲 绪论（笔记）
人工智能理论第一讲绪论
本讲内容：
1. 课程介绍
2. 人工智能导论
3. 相关概念（机器学习、模式识别、深度学习）
课程目标
1. 深入理解：人工智能、机器学习和模式识别中的基本概念、步骤和方法
2. 实际应用：重要方法，理解前提条件、应用范围、方法原理，能够实际应用
3. 掌握技能：重要概念，理解含义、使用环境，掌握一项技能
4. 对机器学习和模式识别的前沿领域，建立感性认识
5. 通过独立阅读和实践，深入问题和方法，展开研究
参考教材和数目
1. PatternRecognition,FourthEdition
2. PatternRecognitionandMachineLearning
3. PatternRecognition:Concepts,MethodsandApplications
4. StatisticalPatternRecognition,ThirdEdition
5. MachineLearning:aProbabilisticPerspective
6. DeepLearning
7. http://neuralnetworksanddeeplearning.com
8. 机器学习（周志华）
主要期刊
1. IEEETrans.onPAMI,1978-,IEEEComputerSociety
2. PatternRecognition,1968-,PRSociety,Elsevier
3. PatternRecognitionLetter,1980-,IAPR,Elsevier
4. MachineLearning,NeuralComputation,IEEETrans.onNN(NeuralNetwork)
5. Int.JournalorPRandAI,1988-,WorldScientific
6. PatternAnalysisandApplications,1997-,Springer
7. Int.J.DocumentAnalysis&Recognition,1998-
8. 模式识别与人工智能
9. 中国图像与图形学学报
主要会议
1. ICCV（国际计算机视觉大会）
2. CVPR（计算机视觉与模式识别）
3. ECCV（欧洲计算机视觉大会）
4. ICPR（国际模式识别大会）
5. ICDAR（国际文档分析与识别大会）
6. ICASSP（国际声学、语音和信号处理大会）
7. ICIP（国际图像处理会议）
8. ICML（国际机器学习会议）
学术组织
1. IAPR（模式识别国际协会）
2. IEEEComputerSociety:TConPAMI
3. 中国自动化学会：模式识别与机器智能（PRMI）专业委员会，1981年-，IAPR成员组织
4. 中国计算机学会：人工智能与模式识别专业委员会
5. 中国人工智能学会
学术机构
美国：麻省理工学院、伊利诺伊大学厄巴纳香槟分校、中央密歇根大学、密歇根国立大学
加拿大：多伦多大学、康考迪亚大学
英国：萨里大学、剑桥微软研究院
法国：法国国家信息与自动化研究所
中国：微软亚洲研究院、香港中文大学、中国科学院自动化研究所、清华大学、北京大学、上海交通大学、西安交通大学、南京大学、武汉大学等
什么是人工智能
人工智能：斯坦福大学教授McCarthy于1955年提出，制造出智能设备的科学和工程技术。
由人制造出来的机器，所表现出的智能，相对于人和动物表现出的自然智能而言。
可分为人工和智能
人工：由人设计，为人创造、制造
智能：有争议，涉及如意识、自我、心灵、无意识精神等问题
人唯一了解的智能是人本身的智能，连接非常有限，对构成人的智能的必要元素，了解也很有限。
很难定义什么是人工制造的智能。
想象中的人工智能：愚蠢人类豆腐渣、按在地上狂摩擦
人工智能货拉拉、呆萌可爱有点傻、起义造反心没有、就怕主人电源拔
人类智能的本质是工具，需要人来用它
人工智能替代的不是人，而是某些工作环节
1956年“达特茅斯夏季人工智能研究计划”会议是AI赢得其名称、使命和主要参与者的时刻，因此被广泛地认为是AI的诞生
图灵测试
图灵测试是由艾伦·图灵在1950年发表的“计算机器与智能”论文中提出，旨在提出一种令人满意的关于智能的可操作定义。
若一个人类提问官，在提出一些书面问题后，无法分辨这些书面回答是来自鱼人还是来自于一台计算机，则认为计算机通过了图灵测试。
图灵预言，2000年前，经过5分钟的问题测试之后，机器将能够蒙骗30%的人类预判。
视觉图灵测试
由唐纳德·杰曼等于2014年，受人类理解图像能力的启发而提出
采用一个操作员辅助设备，根据给定图像产生随机的二元问题序列（主要有4类：存在判断、独立性判断、属性判断、关系判断）
目前，计算机视觉系统是测试任务的精度，包括目标精度，包括目标检测、图像分割和定位，仍然与人类的行为方式有差距。
中文屋（一个思想实验）
美国哲学家约翰·希而勒，1980年发表在《行为与大脑科学》上的论文“智力、头脑与规划”中提出，来反驳电脑和其他人工智能能够真正思考的观点。
人工智能的基础
1. 哲学
2. 数学
3. 经济学
4. 神经科学
5. 心理学
6. 计算机工程
7. 控制理论和控制论
8. 语言学
数学
逻辑学：得出正确结论的形式规则是什么？
1. 1847年，GeorgeBoole：命题逻辑，亦称布尔逻辑。
2. 1879年，GottlobFrege：一阶逻辑，它扩展了布尔逻辑，增加了对象和关系。
3. AlfredTarski：指称理论，他揭示如何将逻辑中的对象与对象相关联。
计算复杂度理论
1. P类问题：对于任意的输入规模n，问题都可以在n的多项式时间内得到解决。
2. NP：可以在多项式的时间里验证一个解的问题
3. NP-Complete：NP问题；所有的NP问题都可以约化到它
4. NP-Hard：所有的NP问题都可以约化到它
概率：如何根据不确定信息进行推理？
1. GerolamoCardano：构建了概率的概念，将其描述为博弈事件中可能的结果。
2. JamesBernoulli,PierreLaplace：推进了这一理论，并引入了新的统计学方法。
3. ThomasBayes：提出了贝叶斯规则，它成为不确定性推理的最现代方法。
神经科学：大脑如何处理信息？
神经科学研究神经系统，尤其是大脑。
大脑在理性决策方面非常优越（但并非完美无缺）
大脑不想软件那样模块化
预测和仿真是决策的关键
大脑中的神经元的数量基本是固定的
计算机中处理单元的数量，每5年增加10倍
树突、细胞体、细胞核、髓鞘、轴突、轴突末端突触
认知心理学：人类如何思考与行动？
把大脑看作是信息处理设备，是研究心智过程的学科
注意机制、语言运用、记忆、感知、问题求解、创造力、思考
心理过程：物理感知（视觉、嗅觉、味觉、知觉），及其认知过程
语言：研究语言习得、语言形成的条件、语言使用时的语气、或更多其他相关领域
元认知：关于认知的认知、关于思考的思考
关于认识的认识，通常有两个组成部分：关于认知的知识，以及认知的调节
认知心理学：通常通过人类参与者的心理实验来收集信息，其目的是研究人脑如何接受外部世界的输入、如何处理以及作用等
认知科学：关注于通过研究收集数据，其涉猎心理学、语言学、人类学、神经科学、社会学和教育学，尤其是人工智能
控制论与控制理论
控制理论：工程与数学的交叉学科分支。处理动态系统对输入的行为，以及该行为如何通过反馈进行调整。
图1 控制系统示意简图
控制论：1948年被定义为“研究动物与机器的控制与通信的科学”
跨学科的研究途径，探索调控系统、它们的结构约束和可能性
21世纪，该术语通常被简单通俗地解释为“用技术控制任何系统”
人工智能的发展史
1950-1956：AI的诞生
1956-1974：黄金之年
1974-1980：第一个AI之冬
1980-1987：AI的繁荣期
1987-1993：第二个AI之冬
1993-：突破
诞生
1950年，艾伦·图灵提出了图灵测试，将其作为机器智能的度量
1956年，在美国达特茅斯学院的会议上，人工智能研究领域正式诞生
黄金之年
1958年，Simon和Newell演示了第一个AI程序，名称为逻辑理论家（LT）
1958年，MacCarthy发明了Lisp编程语言
1960年代，M·马斯特曼设计了语义网络，用于机器翻译
1963年，伦纳德·武赫和查尔斯·瓦斯勒发表了关于模式识别的论文，描述了第一个机器学习的程序
1965年，Feigenbaum开创了Dendral，一个推断有机化合物分子结构的软件。这是首套专家系统
1974年，Shortliffe演示了MYCIN程序，一个非常实用的基于规则的医学诊断方法
第一次寒冬
1966年：机器翻译失败
1970年：连接主义遭到唾弃
1971-1975年：DARPA对卡内基梅隆大学的语音理解研究项目感到沮丧
1973年：受莱特希尔的“人工智能：综合调查”报告的影响，英国大幅度缩减AI研究
1973-1974年：DARPA削减了一般性AI学术研究经费
AI繁荣
1980年：美国人工智能学会在斯坦福大学召开了第一届全国大会
1982年：日本启动第五代计算机系统（FGCS）项目，用于知识处理
1980年代中期：机器学习出现，发明了决策性模型，可视化、易说明
1980年代中期：还发明了多层人工神经网络，具有足够多隐藏层，可表达任意功能，突破了感知局限性
第二次寒冬
1987年，Lisp机的市场崩溃
1988年，美国政府的战略计算促进会取消了新的AI经费
1993年，专家系统缓慢滑向低谷
1990年代，日本第五代计算机项目未能达到初始目标，悄然退场
繁荣当下
1997年，深蓝战胜卫冕国际象棋冠军加里·卡斯帕罗夫，成为第一台计算机国际象棋冠军
2005年，斯坦福的自主机器人车辆Stanley，赢得了DARPA无人驾驶汽车挑战赛
2006年，Hinton在Science发表了有关“深度学习”的论文之后，该术语成为了热门
Watson是IBM专门开发的在智力竞赛Jeopardy!回答问题的计算机
2011年，Watson在Jeopardy!在战胜了上届冠军布拉德·路特和肯恩·詹宁斯
2011年，谷歌启动了深度学习项目谷歌大脑，作为GoogleX项目之一
谷歌大脑是由16000台计算机连城的一个集群，致力于模仿人类大脑活动的某些方面
通过一千万张数字图片的学习，已成功地学会识别一只猫
2012年，苹果公司引进了Siri，从iPhone4S上运行iOS5开始，已作为iOS的一个组成部分
Siri是一种智能个人助理和知识导航软件
使用自然语言用户接口来回答问题、作出建议和执行动作
支持英语、法语、德语、日语、中文、韩语、意大利语、西班牙语
2014年4月，微软显示了Cortana，一款运行在WindowsPhone上的智能个人助理
2014年6月，微软中国推出了聊天机器人小冰，可让微信用户与她交谈
2015年12月，AlphaGo打败了欧洲围棋冠军樊麾成绩5战5胜
深度学习软件第一次击败了人类职业棋手
2016年3月8日到15日，AlphaGo在韩国首尔对垒韩国九段职业棋手李世石，以5战4胜赢得比赛
什么是机器学习
机器学习是人工智能的一个分支，从事构建和研究可以从数据中学习的系统
人工智能研究感知外部环境并为某个目标采取行动的“智能体”
机器学习是人工智能的一个分支，从事构建可以从数据中学习的系统
图2 机器学习与环境的示意图
人类学习：从观察中积累经验来获取技能
图3 人类学习
机器学习：从数据中积累或者计算来获取技能
图4 机器学习
机器学习的若干定义
1959亚瑟·塞缪尔（美国机器学习先驱）：研究给予计算机学习能力而不必显式编程的领域
1983赫伯特·西蒙（美国计算机科学家）：一种系统，用它来改善其性能的过程
2004埃塞姆·阿培丁（土耳其教授）：运用示例数据或经验的计算机程序来优化性能指标
2012运用经验来改善性能或作出正确预测的计算方法
机器学习的形式化定义
在1997年出版的《机器学习》一书中，为机器学习领域研究算法提供了一个广泛引用、更为形式化的定义：一个针对某类任务T和性能度量的P的计算机程序被称为从经验E中学习，如果它在T中任务的性能，如P度量表示，随经验E而改善的话。
机器学习三要素：任务、性能、经验。
图5 机器学习三要素
T：明确指定的任务
E：要改善的性能指标
P：训练得到的经验
技能：改善某些性能指标。（如预测精度）
机器学习可以通过从数据中学到的经验来改善某些性能指标。
归纳学习：从特定的训练示例中获得或发现通用的规则或事实。
演绎学习：使用一套已知的规则和事实去推导适合该训练数据的猜测。
机器学习发展
图6 机器学习年表
机器学习的学派
1. 联合主义：亦称仿生主义、生理学派
2. 符号主义：亦称逻辑主义、心理学派、计算机主义
3. 行为主义：亦称行动主义、进化主义、控制论学派
机器学习的分支
1. 统计学习：取自于统计学的机器学习框架
2. 模式识别：识别数据中的模式（≈机器学习+数据模式）
3. 数据挖掘：发现数据中的位置特性（≈机器学习+数据库）
4. 计算机视觉：在图像中提取信息（≈机器学习+图像处理）
什么是模式识别？
模式：对象的组成成分或影响因素之间所存在的直接或间接的规律性的关系；存在确定性或随机规律的对象、过程或事件的集合
模式识别：通过对事物的观察对其某种性质（尤其是分类性质）的认识
（人或计算机）从某一事物获取信息，并（根据此信息）将其归类为某类别的过程
研究用计算机自动识别食物的一门科学，其目的是用机器完成类似于类似于人类智能通过视觉、听觉等感官去识别外界环境所进行的工作
对象：样本（模式）
模式：类（模式类）
观察：特征（属性）
模式识别：把样本根据其特征归类，又称模式分类
信息的获取：是通过传感器，将光或声音等信息转化为电信息。信息可以是二维的图像如文字，图像等；可以是一维的波形如声波，心电图，脑电图；也可以是物理量与逻辑值。
预处理：包括A/D，二值化，图像的平滑，变换，增强，恢复，滤波等，主要指图像处理。
特征抽取和选择：模式识别，需进行特征抽取和选择。如一64×64的图像，在测量空间的原始数据，通过变换获得在特征空间最能反映分类本质的特征。
分类器设计：分类器设计的主要功能是通过训练确定判决规则，使按此类判决规则分类时，错误率最低。把这些判决规则建成标准库。
分类决策：在特征空间中对被识别对象进行分类。
为什么需要模式识别？
为了生存：人每天都要进行很多次的模式识别，就连最低等额动物都有很强的模式识别的能力，若不能识别食物和敌人就会灭亡
为了生活
为什么需要研究模式识别
生产需要：需要智能机器人，人力成本飞涨，摩尔定律下的芯片
信息爆炸：人力无法及时处理，如卫星遥感、互联网、安防、交通
危险地带：油漆、放射、高温、高压、海底、核电站
提高功效：自动化带来的好处已经显而易见
计算机：计算能力强，能比人类更快速地处理海量数据，可以处理一些人类难以解决的识别问题；但是非结构化（像素、声波等）感知数据，认知/推理能力极弱，无法让计算机精确模拟人的智能。
模式识别的发展
1929年，G.Tauschek发明阅读机，能够阅读0-9的数字。
1930年代Fisher提出统计分类理论，奠定了统计模式识别的基础。因此，在1960-1970年代，统计模式识别发展很快，但由于被识别的模式越来越复杂，特征也越多，就出现了“维数灾难”。但由于计算机运算速度的迅猛发展，这个问题得到一定克服。统计模式识别仍是模式识别的主要理论。
1950年代NoamChemsky提出形式语言理论；美籍华人傅京孙提出句法结构模式识别。
1960年代L.A.Zadeh提出了模糊集理论，模糊模式识别理论得到了较广泛的应用。
1980年代Hopfield提出神经元网络模型理论。近些年人工神经元网络在模式识别和人工智能上得到较广泛的应用。
1990年来小样本学习理论，支持向量机也受到了很大的重视。
与其他学科的联系
交叉、覆盖、联系多
与人工智能、机器学习、计算机视觉、数据挖掘密切相关
模式识别以图像处理与信号处理为基础
模式识别又是人工智能和计算机视觉的基础
深度学习
深度学习是机器学习的分支。
是一种以人工神经网络为架构，对数据进行表征学习的算法。
为什么需要深度学习
人工智能模型
1. 基于知识的方法
2. 简单机器学习方法
3. 表征学习
4. 深度学习
人工智能的挑战
早期成功：较小规则集合描述问题，解决了一些于人智力而言较困难问题
真正挑战：解决对人来说很容易，但难正式描述的问题，如人脸识别
当今的AI：解决更为直观的问题
人工智能模型
基于规则的系统：输入→手工设计程序→输出
经典机器学习：输入→手工设计特征→特征映射→输出
表征学习：输入→特征→特征映射→输出
深度学习：输入→简单特征→网络层引入的抽象特征→特征映射→输出
知识系统：不能胜任简单识别任务
简单机器学习：不能胜任复杂识别任务
深度学习：功能强大
知识系统
知识是生活之源，不可或缺
每日的生活需要大量关于客观世界的知识
大部分知识是直觉和主观感受，难以规则化清晰表达
智能化需要获取这些知识，非规则化知识获取是AI关键挑战
用计算机语言对知识硬编码：计算机对硬编码知识推理
处理过程笨拙，效率低下：需人工监督，难以应付复杂世界
AI系统，需具备从原始数据，自主获取知识的能力
简单机器学习
能处理要关于真实世界知识的问题，并做出看似客观判断
取决于给定数据的特征表征
1. 计算机科学中：数据的结构化索引，搜索速度将指数增加
2. 生活中，阿拉伯数字1,2,3,...,10比罗马数字I,II,...,IX,X跟高效
也受限于表征的选取
选取合理特征集十分困难
车轮形状简单，但难以用像素值直接表示，需做特征提取
特征设计特别耗时耗力，某个领域往往需要耗费数十年的研究
表征学习
1. 设计机器学习算法，学习表征到输出映射，且学习表征提取
2. 表征学习自动表征，使得AI系统能更快适应新任务
深度学习
1. 机器学习子类，经过经验和数据的改进，构建真实世界环境AI系统的唯一解决之道。
2. 强大源于概念层级嵌套，每个概念基于更为简单的概念，抽象表征基于更为具象的表征。
神经网络的发展
1. 起始阶段40-60年代
2. 第一个寒冬期1969
3. 高速发展期80-90年代
4. 第二次寒冬90年代末
5. 深度学习2006开始
6. 突破2012开始
1. 起始阶段40-60年代
大都受大脑工作理论启发：WalterPitts最早设计了ThresholdedLogicUnit来模仿神经元
图灵最先设计了评估及其是否具备智能的准则，即图灵测试
Perception（感知机）是现代神经网络的鼻祖，最初实现在IBM704上，后在定制硬件MarkIPerception实现，用做字符和数字图像识别
400成像单元阵列随机连接至神经单元，电位计实现权值编码，电动机实现权值学习和更新
2. 第一个寒冬期1969
MarvinMinsky（AI之父），在Perceptions一书中直接杀死了感知机，结束了神经网络的初期的想法；指出感知机无法学习XOR函数，更糟的在理论上证明了不可行，无论训练多久
感知机是线性的，而XOR函数是非线性，在当时足以杀死所有神经网络的研究，宣告第一个AI寒冬
3. 高速发展期80-90年代
Hinton证明了多隐藏层神经网络，可通过后向传播进行有效训练
同时，证明了这种神经网络能够学习任意函数，即万能近似定理，摆脱了感知机弱点
4. 第二次寒冬90年代末
神经网络难以处理大规模问题
90年代SVM研究兴起，神经网络再次进入寒冬
5. 深度学习2006开始
2006年前后，Hinton提出了非监督预训练和深度置信网络
该策略能训练出更深的神经网络，神经网络进入了深入学习时代
6. 突破2012开始
在LSVRC数据集上，Alexnet首次将错误率降到了新低16%
采用了GPU训练模型，dropout降低过拟合，ReLU激活函数
一些启示
许多深度学习核心概念均在80-90年代前提出，但流行始于近几年。
1. 大规模高质量数据：提供燃料
2. 大规模GPU并行计算：提供动力，网络得以更大更深，处理更多数据
3. 改进的算法：BP友好激活函数缓和梯度消失问题，改进架构让梯度流动更流畅
上述改进都基于标准数据及的经验性能，无大量理论推导证明
1. 软件平台：TensorFlow，Pytorch等框架提供自动差分，GPU无缝计算，从底层细节抽身，更专注于模型设计
2. 新正则化技术：Dropout，BatchNormalization，数据增广等技术，使网络大而不过拟合
3. 鲁棒优化器：SGD改进如Momentum、RMSprop，ADAM等，有助于损失函数改善
人工智能导论
1956年正式提出人工智能这个术语并把他当做一门新兴科学的名称。
20世纪三大科学技术成就：
空间技术原子能技术人工智能1.1人工智能的基本概念1.1.1智能的概念自然界的四大奥秘：
物质的本质宇宙的起源生命的本质智能的发生对智能还没有确切的定义，主要流派有：
思维理论：智能的核心是思维知识理论：智能取决于知识的数量以及一般化程度。进化理论：用控制取代知识的表示。智能是知识与智力的总和。
知识：是一切智能行为的基础。智力：是指获取知识并应用知识求解问题。
1.1.2智能的特征感知能力：通过感官器官感知外部世界的能力。
记忆与思维能力
记忆：存储由感知器官感知到的外部信息以及由思维所产生的知识。思维能力：对记忆的信息进行处理。
1）逻辑思维：思维过程是串行的，具有严密性，可靠性，容易形式化。2）形象思维：依靠直觉，思维过程并行协同式，形式化困难，但在信息变形或者缺少的情况下仍有可能得到比较满足的结果。3）顿悟思维：不定期，非线性，穿插于形象思维与逻辑思维之中。
学习能力：既可以是自觉有意识的学习，也可能是不自觉，无意识的，既可以是有教室指导，也可以是通过自己实践的。行为能力：人们的感知能力–用于信息的输入。行为能力–信息的输入1.1.3人工智能人工智能：用人工的方法在机器上实现的智能；
人工智能学科：一门研究如何构造智能机器或智能系统，使他能够模拟，延伸，扩展人类智能的学科。
图灵测试：
1.1人工智能的发展简史这里我们不详细展开讲太多，感兴趣的可以自己百度。
1.3人工智能研究的基本内容知识表示：将人类知识形式化或者模型化。知识表示方法：符号表示法，连接机制表示法。符号表示法:用各种包含具体含义的符号，以各种不同的方法和顺序组合起来表示知识的一类方法。把各种物理对象以不同的方式及顺序连接起来，并在其间互相传递及加工各种包含具体含义意义的信息，以此来表示相关的概念及知识。2）机器感知
使计算机具有类似人的感知能力，以机器视觉与机器听觉为主。
3）机器思维
通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。
4）机器学习
研究如何使计算机具有类似人的学习能力，使他能够通过学习自动的获取知识。
5）机器行为
计算机的表达能力，即说，写，画等行为。
1.1.4人工智能的主要研究领域自动定理证明定理证明的实质是证明由前提P得到结论Q的永真性。博弈下棋，打牌，战争等一系列竞争性智能活动1996年2.10IBM公司的“深蓝”计算机系统与卡斯帕罗夫进行了六局比赛，以3.5比2.5总比分赢得这场人机大战的胜利。模式识别模式识别：研究对象描述和分类方法的学科。分析识别的模式可以是信号，图像或者普通数据。1）文字识别：邮政编码，车牌识别，汉字识别。2）人脸识别：反恐，商业。3）物体识别：导弹，机器人。机器视觉机器视觉或计算机视觉是用机器代替人眼睛进行测量和判断。机器视觉系统是指通过图像摄取装置将被摄取的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和宽度，颜色等信号，转换成数字信号，抽取目标的特征，根据判别结果控制现场的设备动作。自然语言理解研究如何让计算机理解人类语言，包括回答问题，生成摘要，翻译等。1957年，在苏联人造卫星成功发射的刺激下，美国国家研究会大力支持对俄科技论文的计算机翻译。人们最初以为机器翻译只要将双向词典及一些词法知识放进计算机就行了。后来发现出现了很多荒谬的错误。智能信息检索1）能理解自然语言2）具有推理能力3）系统拥有一定的常识性知识
数据挖掘与知识发现数据挖掘的目的是从数据库中找出有意义的模式。数据挖掘过程：数据预处理，建模，模型评估及模型应用。
专家系统专家系统模拟人类专家求解问题的思维过程求解邻域内的各种问题，其水平可以达到甚至超过人类专家的水平。
自动程序设计用户只需要告诉计算机要做什么，无需说明怎么做，计算机就可以自动实现程序的设计。程序正确性的验证：研究出一套理论和方法，通过运用这套理论和方法就可以证明程序的正确性。2014年2月新闻：麻省理工教授开发的一种智能化编程语言“SKetch”，可以自动填补，修正代码内容，在几秒内修复代码，让程序员可以忽略许多繁琐的细节。
机器人机器人发展：程序控制机器人（第一代），自适应机器人（第二代），智能机器人（现代）。
组合优化问题
人工神经网络一个大量简单处理单元经广泛连接而组成的人工网络，用来模拟大脑神经系统的结构和功能。
分布式人工智能与多智能体
智能控制
智能仿真
智能CAD
智能CAI
智能管理与智能决策
智能多媒体系统
智能操作系统
智能计算机系统
智能通信
智能网络系统
人工生命
人工智能导论
1、什么是人工智能？
关于人工智能的定义有很多。目前，较多的是从计算机学科分支的角度将其理解为利用计算机技术模拟人类智能特征的技术。在哲学上对智能的不同理解，形成了不同的人工智能技术流派及相应的方法。
2、什么专业的学生应该学习人工智能？
无论文科、理科，新工科还是传统理工科，理、工、医、管、法、农、商、经、社会、哲学、人文等各专业学生都应该对人工智能有所理解。而不仅仅局限于理工科和人工智能专业学生。非专业、非理工科应对人工智能基本概念、内涵、价值以及其对个体和社会的颠覆性作用有一定或深刻认识。
3、课程有配套教材吗？
有的，与本课程配套的最新教材《人工智能导论》已于2020年7月由人民邮电出版社出版。
4、本课程与其他人工智能导论类课程有什么区别？
本课程与其他同类课程最大的区别，首先在学习对象上是面向所有专业的学生，不局限于理工科、新工科专业学生；其次，从宇宙大历史、哲学、社会与文明、多学科交叉、工程与技术五个层次来教育学生学习和理解人工智能；最后，本课程内容涵盖了从人工智能基础概念、传统人工智能理论与技术以及前沿人工智能理论与技术，从人工智能思想基础(基本定义、哲学、脑科学)、人工智能技术基础（人工神经网络、机器学习）、机器智能（感知智能、认知智能、行为智能、语言智能、混合智能、类脑计算）、人工智能与社会发展、人工智能伦理与法律五大部分分别讲解人工智能。
《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