《人工智能导论》第二章：智能Agent（笔记一）
第二章:智能Agent一.Agent和环境二.好的行为：理性的概念三.环境的性质四.Agent的结构一.Agent和环境Agent通过传感器感知环境并通过执行器对所处环境产生影响。机器人Agent可以通过摄像头，红外测距仪作为传感器，各种马达作为执行器。软件Agent接受键盘敲击，文件内容和网路数据包作为传感器输入，并以屏幕显示，写文件和发送网络数据包为执行器来作用于环境。Agent的感知序列：是该Agent所收到的所有输入数据的完整历史。Agent函数：描述Agent的行为，它将任意给定感知序列映射为行动。（1）人造Agent的Agent函数通过Agent程序实现，Agent程序是具体实现。二.好的行为：理性的概念理性是使期望的性能最大化理性Agent：理性Agent是做事正确的Agent，即对于每一可能的感知数据序列，一个理性的Agent应该采取一个行为以达到最大的性能。理性的判断：（1）性能度量：一个客观的标准来评价Agent的行为的成功性3.理性agent能够进行信息收集，理性的agent应该具有自主性，能够进行学习三.环境的性质任务环境：包括性能度量，环境，Agent的执行器和传感器，英文缩写为PEAS.(设计Agent时，第一步就是尽可能完整地详细说明任务环境)例子：（1）自动驾驶出租车:（2）挑拣零件机器人:（3）交互式英语教学者:环境的性质决定了Agent的设计，也决定了实现Agent的主要技术群体的实用性。任务环境分类：（1）分类一：完全可观察的vs.部分可观察的如果Agent根本没有传感器，环境则是无法观察的（2）分类二：单agentvs.多agent（3）分类三：确定的vs.随机的如果环境的下一个状态完全取决于当前状态和Agent执行的动作，则环境是确定的。否则，它是随机的。我们说环境不确定是指它不是完全可观察的或不确定的（4）分类四：片段式的vs.延续式的片段式：Agent的经历被分成一个个原子片段，在每个片段中Agent感知信息并完成单个行动，下一个片段不依赖于以前的片段.延续式：在延续环境中，当前决策会影响到所有未来的决策。（5）分类五：静态的vs.动态的如果环境在Agent计算的时候会变化，则该Agent环境是动态的；否则为静态半动态的:环境本身不变化但Agent的性能评价随时间变化。（6）分类六：离散的vs.连续的环境的状态，时间的处理方式以及Agent的感知信息和行动都有离散/连续之分（7）分类七：已知的vs.未知的Agent的知识状态最难处理的状态：部分可观察的，随机的，连续的，动态的，延续式的，多agent的
四.Agent的结构AI的任务是设计Agent程序，它实现的是把感知信息映射到行动的Agent函数体系结构：具备物理传感器和执行器的计算装置。Agent=体系结构+程序Agent程序（1）以传感器得到的当前感知信息为输入（2）以执行器的行动为输出注意：Agent程序以当前感知为输入，而Agent函数是以整个感知历史作为输入的。如果Agent的行为要依赖于整个感知序列，那么该Agent必须要记住感知信息。Agent的表驱动方法的缺点：（1）表太大（2）创建表时间长（3）非自主性，需人工填写（4）即使能够学习，也需要很长的时间四种基本的Agent程序（1）简单反射Agent：基于当前的感知选择行动，不关注感知历史（2）基于模型的反射Agent:Agent根据感知历史维持内部状态,Agent随时更新内部状态信息
（3）基于目标的Agent：除了根据感知信息之外，还要根据目标信息来选择行动，但效率比较低，需要推理。
（4）基于效用的Agent：当达到目标的行为有很多种的时候，需要考虑效率。环境是部分可观察的和随机的，不确定下的决策过程可以通过基于效用的agent来实现。
学习Agent可被划分为4个组件（1）性能元件：相当于整个agent（2）评判元件：反映性能元件做得如何（3）学习元件：负责改进提高（4）问题产生器：提出一些新的有建设性的探索尝试Agent的基本特性：(1)自治性(Autonomy):Agent能根据外界环境的变化，而自动地对自己的行为和状态进行调整，而不是仅仅被动地接受外界的刺激，具有自我管理自我调节的能力。(2)反应性(Reactive):能对外界的刺激作出反应的能力(3)主动性(Proactive):对于外界环境的改变，Agent能主动采取活动的能力。(4)社会性(Social):Agent具有与其它Agent或人进行合作的能力，不同的Agent可根据各自的意图与其它Agent进行交互，以达到解决问题的目的。(5)进化性:Agent能积累或学习经验和知识，并修改自己的行为以适应新环境人工智能思维脑图
分享一下之前学习AI时的制作的几张脑图，包含几个学习AI过程中常见的问题。能力有限，如有任何问题望大佬指出。
一：几种不同的归一化方法（normalziation）
二：几个常见的机器学习算法
三：模型过拟合的解决办法
四：回归模型的损失函数
五：目标检测损失函数
六：正则化的方法
七：优化器
八:梯度问题
九：数据不足问题