人工智能概论复习笔记
人工智能概论复习笔记1.人工智能概述1.1人工智能的定义1.2人工智能的发展历史1.3人工智能的研究方向2.一阶谓词逻辑知识表示法2.1命题逻辑2.1.1命题2.1.2真值2.1.3逻辑联结词2.1.4真值表2.1.5推理规则2.1.6证明方法2.1.7等价关系2.2谓词逻辑3.产生式表示法和框架表示法3.1产生式表示法3.2框架表示法4.基于谓词逻辑的推理方法4.1推理方式及其分类4.2归结演绎推理5.可信度方法和证据理论5.1不确定推理5.2可信度方法对于知识不确定性的表示5.3证据理论6.模糊推理方法6.1模糊逻辑提出6.2模糊集合与隶属函数6.3模糊关系及其合成7.搜索求解策略7.1搜索的概念7.2状态空间知识表示法笔者精力有限，本文还没有完全完成
1.人工智能概述人工智能概述是人工智能导论课程的第一个模块，它主要介绍了人工智能的定义、人工智能的发展历史以及人工智能的研究方向。这一部分内容旨在帮助学生了解人工智能的基本概念和背景知识。
1.1人工智能的定义人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸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科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。根据人工智能之父约翰麦卡锡的说法，它是“制造智能机器的科学与工程，特别是智能计算机程序”
1.2人工智能的发展历史人工智能的历史源远流长。在古代的神话传说中，技艺高超的工匠可以制作人造人，并为其赋予智能或意识。现代意义上的AI始于古典哲学家用机械符号处理的观点解释人类思考过程的尝试。20世纪40年代基于抽象数学推理的可编程数字电脑的发明使一批科学家开始严肃地探讨构造一个电子大脑的可能性。1956年，在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域
1.3人工智能的研究方向人工智能是一个多学科交叉融合的领域，其包含机器学习、计算机视觉、自然语言处理等多个子领域。目前，实际落地比较广泛的AI领域有：计算机视觉（人脸识别、指纹识别、以图搜图、图像语义理解、目标识别等）、自然语言处理（问答系统、机器翻译等）、知识工程（知识图谱在个性化推荐、问答系统、语义搜索等场景的应用）、语音识别（AI音箱）、移动机器人（SLAM、路径规划）、工业机器人（motionplanning、3D视觉）等等
2.一阶谓词逻辑知识表示法一阶谓词逻辑知识表示法是人工智能导论课程中关于知识表示的一个重要部分。它主要介绍了命题逻辑和谓词逻辑两种逻辑形式。
2.1命题逻辑命题逻辑是一种形式逻辑系统，它主要研究命题及其之间的关系。命题是一种陈述句，它的真值只能是真或假。命题逻辑中的基本概念包括命题、真值、逻辑联结词和真值表。
2.1.1命题命题是一种陈述句，它的真值只能是真或假。
2.1.2真值真值指命题的真假性。在命题逻辑中，每个命题都有一个真值，它只能是真或假。
2.1.3逻辑联结词逻辑联结词用于连接两个或多个命题，构成新的命题。常见的逻辑联结词包括“非”（not）、“与”（and）、“或”（or）、“蕴含”（implies）和“当且仅当”（ifandonlyif）。
2.1.4真值表真值表是一种用于逻辑学中的数学表，特别是在连接逻辑代数、布尔函数和命题逻辑时使用。它用于计算逻辑表达式在每种论证（即每种逻辑变量取值的组合）上的值。尤其是，真值表可以用来判断一个命题表达式是否对所有允许的输入值都为真，即是否为逻辑有效的。
以下为一个真值表示例：
ABAANDBAORB11111001010100002.1.5推理规则推理规则用于从已知命题推导出新的命题。常见的推理规则包括肯定前件（modusponens）、否定后件（modustollens）和假言推理（hypotheticalsyllogism）等。
推理规则是用于构造有效推理的方案。这些方案建立在一组称为前提的公式和称为结论的断言之间的语法关系。这些语法关系用于推理过程中，新的真实断言从其他已知的断言得出。下面是一个简单的例子，说明了如何使用推理规则。
假设我们有以下两个前提：
如果下雨，我会带伞。现在正在下雨。我们可以使用一个称为“假言推理”的推理规则来推断出结论：我会带伞。
假言推理规则的形式如下：
如果P，则Q。P。因此，Q。在我们的例子中，P表示“下雨”，Q表示“我会带伞”。因此，根据假言推理规则，我们可以得出结论：我会带伞。
这只是一个简单的例子，说明了如何使用推理规则。实际上，有许多不同类型的推理规则，它们可以用来构造更复杂的推理。
2.1.6证明方法证明方法用于证明命题的真假。常见的证明方法包括直接证明、间接证明和归谬证明等。
2.1.7等价关系等价关系用于表示两个命题在真值上相同。常见的等价关系包括德摩根定律（DeMorgan’slaws）和双重否定（doublenegation）等。
这里有一篇不错的文章，总结了这些等价关系的常用公式。
2.2谓词逻辑3.产生式表示法和框架表示法产生式表示法和框架表示法是人工智能导论课程中关于知识表示的另一个重要部分。它主要介绍了两种常用的知识表示方法：产生式表示法和框架表示法。
3.1产生式表示法产生式表示法是一种知识表示方法，它通常用于表示事实和规则。它可以表示确定性和不确定性知识。产生式系统由规则库、综合数据库和推理机三部分组成。它通过从规则库中选择可用规则与综合数据库中的已知事实进行匹配来求解问题。规则库是产生式系统求解问题的基础，它包含了一组产生式，用于描述相应领域内的知识。综合数据库又称为事实库，用于存放问题的初始状态、原始证据、推理中得到的中间结论及最终结论等信息。推理机由一组程序组成，除了推理算法，还控制整个产生式系统的运行，实现对问题的求解。
我举个例子，用一个简单的产生式表示法表示一个医疗诊断系统。在这个系统中，规则库包含了一组产生式，每个产生式都表示一个医学规则。
IF病人有发烧AND病人有咳嗽THEN病人可能患有感冒在这个例子中，产生式的前提是“病人有发烧”和“病人有咳嗽”，结论是“病人可能患有感冒”。当综合数据库中包含了“病人有发烧”和“病人有咳嗽”这两个事实时，推理机会选择这条规则进行匹配，并把它推出的结论“病人可能患有感冒”加入综合数据库中。
3.2框架表示法框架表示法是一种描述固定情况的数据结构，可以把框架看成是一个节点和关系组成的网络。它描述对于假定情况总是正确的事物，在框架的较低层次上有许多终端–被称为槽（Slots）。在槽中填入具体值，就可以得到一个描述具体事务的框架，每一个槽都可以有一些附加说明–被称为侧面（Facet），其作用是指出槽的取值范围和求值方法。
假设我们要描述一辆汽车。我们可以创建一个名为“汽车”的框架，其中包含诸如“颜色”、“品牌”和“型号”等槽。然后，我们可以在这些槽中填入具体的值，例如“红色”、“宝马”和“X5”。这样，我们就得到了一个描述具体汽车的框架。除此之外，我们还可以在每个槽中添加侧面来指定取值范围和求值方法。例如，在“颜色”槽中，我们可以添加一个侧面来指定颜色只能是“红色”、“蓝色”或“绿色”等预定义的颜色。如果按照这个框架来描述汽车的话，就可以有如下的例子：
汽车颜色:红色品牌:宝马型号:X5在这里，我们创建了一个名为“汽车”的框架，其中包含三个槽：“颜色”、“品牌”和“型号”。然后在这些槽中填入了具体的值，分别是“红色”、“宝马”和“X5”，这样就完成对这辆车的描述。
4.基于谓词逻辑的推理方法基于谓词逻辑的推理方法是人工智能导论课程中关于推理方法的一个重要部分。它主要介绍了基于谓词逻辑的推理方式及其分类，以及归结演绎推理等内容。
4.1推理方式及其分类推理是指依据一定的规则从已有的事实推出结论的过程。根据不同的标准，可以对推理进行不同的分类。常见的分类方法有以下几种：
演绎推理：**演绎推理是从一般性知识的前提出发，通过推导即“演绎”，得出具体陈述或个别结论的过程。**它是前提蕴涵结论的推理，即在推理形式有效的情况下，由真前提能够必然推出真结论的推理。归纳推理：归纳推理是一种由个别到一般的推理。由一定程度的关于个别事物的观点过渡到范围较大的观点，由特殊具体的事例推导出一般原理、原则的解释方法。类比推理：类比推理亦称“类推”。它是根据两个对象在某些属性上相同或相似，通过比较而推断出它们在其他属性上也相同的推理过程。4.2归结演绎推理归结演绎推理是一种基于逻辑“反证法”的机械化定理证明方法。其基本思想是把永真性的证明转化为不可满足性的证明。即要证明P→Q永真，只要能够证明P∧﹁Q为不可满足即可。谓词公式不可满足的充要条件是其子句集不可满足。因此，要把谓词公式转换为子句集，再用鲁滨逊归结原理求解子句集是否不可满足。如果子句集不可满足，则P→Q永真。
接下来举一个例子来说明如何使用归结演绎推理来证明一个命题。
假设我们有以下三个前提：
所有人都会死亡。苏格拉底是人。苏格拉底不会死亡。
我们想要证明第三个前提是错误的。我们可以使用归结演绎推理来完成这个任务。
首先，我们将前提转换为子句集的形式：
{人(x)→死亡(x)}{人(苏格拉底)}{¬死亡(苏格拉底)}
然后，我们使用鲁滨逊归结原理来对子句集进行归结。我们可以将第一个和第二个子句进行归结，得到：{死亡(苏格拉底)}
接下来，我们可以将这个新的子句与第三个子句进行归结，得到：{}
这是一个空子句，表示子句集不可满足。所以，就可以证明了第三个前提是错误的。
5.可信度方法和证据理论可信度方法和证据理论是人工智能导论课程中关于不确定性推理的一个重要部分。它主要介绍了不确定推理、可信度方法和证据理论等内容。
5.1不确定推理不确定推理是指从不确定性的初始证据出发，通过运用不确定性的知识，推出具有一定程度的不确定性但却是合理或近乎合理的结论的思维过程。
所有的不确定性推理方法都必须解决3个问题：表示问题、语义问题和计算问题。
1.表示问题指的是采用什么方法描述不确定性。在专家系统中，“知识不确定性”一般分为两类：一是规则的不确定性，二是证据的不确定性。一般用(E→H,f(H,E))来表示规则的不确定性，其中E是规则的前提，H是规则的结论，f(H,E)即相应规则的不确定性程度，称为规则强度。规则强度表示了规则的可靠程度，它通常是一个数值，取值范围和具体方法取决于所采用的不确定性推理方法。一般用(命题E,C(E))表示证据的不确定性，C(E)通常是一个数值，代表相应证据的不确定性程度，称为动态强度。规则和证据不确定性的程度常用可信度来表示。
2.语义问题指的是对表示和计算的含义进行解释。在不确定性推理中，我们需要定义一些概念和方法来描述不确定性，例如规则强度、动态强度、不确定性传递算法等。语义问题就是要求我们对这些概念和方法进行解释，指出它们的具体含义。
3.计算问题主要指不确定性的传播和更新。即计算问题定义了一组函数，求解结论的不确定性度量。计算问题主要指不确定性的传播和更新。在不确定性推理中，我们需要从初始证据出发，通过运用不确定性的知识，最终推出结论。在这个过程中，证据和知识的不确定性会传播到结论上，因此我们需要定义一组函数来计算结论的不确定性度量。这个过程包括不确定性的传递算法、结论不确定性合成和组合证据的不确定性算法等方面。不确定性的传递算法指的是在每一步推理中，如何把证据及知识的不确定性传递给结论。在多步推理中，如何把初始证据的不确定性传递给结论。这个过程需要定义一个函数，使得结论的不确定性度量能够根据前提的不确定性和规则强度计算出来。结论不确定性合成指的是由两个独立的证据求得的假设的不确定性，求证据的组合导致的假设的不确定性。这个过程需要定义一个函数，使得结论的不确定性能够根据两个独立证据求得的假设的不确定性计算出来。组合证据的不确定性算法指的是已知两个证据的不确定性，求两个证据的析取和合取的不确定性。这个过程需要定义两个函数，分别用于计算两个证据的析取和合取的不确定性。下面我举一个简单的例子：
假设我们有两条规则：
如果天气晴朗，则小明会去公园玩。(E1→H1,f(H1,E1)=0.8)如果天气阴天，则小明会在家看书。(E2→H2,f(H2,E2)=0.9)其中E1表示天气晴朗，E2表示天气阴天，H1表示小明去公园玩，H2表示小明在家看书。f(H1,E1)和f(H2,E2)分别表示规则1和规则2的规则强度。
现在我们知道天气晴朗这一初始证据(E1,C(E1)=0.7)，我们想要推断出小明是否会去公园玩。
首先我们需要使用不确定性传递算法来计算结论H1的不确定性。由于我们只知道天气晴朗这一初始证据(E1,C(E1)=0.7)，并没有关于天气阴天E2的证据，所以我们无法计算出结论H2的不确定性。所以我们假设C(H2)=0。假设我们使用最大最小法，则C(H1)=min{C(E1),f(H1,E1)}=min{0.7,0.8}=0.7。然后我们可以使用结论不确定性合成来计算H1和H2的组合导致的结论H的不确定性。假设我们使用最大最小法，则C(H)=max{C(H1),C(H2)}=max{0.7,0}=0.7。
最后我们可以使用组合证据的不确定性算法来计算E1和E2的析取和合取的不确定性。假设我们使用最大最小法，则C(E1∧E2)=min{C(E1),C(E2)}=min{0.7,0}=0，C(E1∨E2)=max{C(E1),C(E2)}=max{0.7,0}=0.7。
5.2可信度方法可信度方法使用可信度因子（CF）来表示规则和证据的不确定性。CF取值范围为[-1,1]。当CF>0时，表示证据的存在使得结论的可能性增大；当CF0且CF(H2)>0时，CF(H)=CF(H1)+CF(H2)-CF(H1)×CF(H2)；当CF(H1)0，所以我们可以计算出CF(H)=CF(H1)+CF(H2)-CF(H1)×CF(H2)=0.56+0.45-0.56×0.45=0.749。
最后我们可以使用组合证据的不确定性算法来计算E1和E2的析取和合取的不确定性。根据可信度方法的计算公式，当两个证据都是合取时，CF(E)=min{CF(E1),CF(E2)}；当两个证据都是析取时，CF(E)=max{CF(E1),CF(E2)}。在这个例子中，我们可以计算出CF(E1∧E2)=min{CF(E1),CF(E2)}=min{0.7,0.5}=0.5，以及CF(E1∨E2)=max{CF(E1),CF(E2)}=max{0.7,0.5}=0.7。
5.3证据理论证据理论（TheoryofEvidence）是由Dempster首先提出，由Shafer进一步发展起来的一种不精确推理理论，也称为Dempster-Shafer(DS)证据理论。证据理论可以在没有先验概率的情况下，灵活并有效地对不确定性建模证据理论的核心——Dempster合成规则，能综合不同专家或者数据源的知识或者数据，这就使得证据理论在专家系统、信息融合等领域中得到了广泛应用。例如，在医学诊断、目标识别、军事指挥等许多应用领域，需要综合考虑来自多源的不确定信息，如多个传感器的信息、多位专家的意见等等，以完成问题的求解，而证据理论的联合规则在这方面的求解发挥了重要作用
6.模糊推理方法模糊推理方法是人工智能导论课程中关于模糊推理的一个重要部分。它主要介绍了模糊逻辑提出、模糊集合与隶属函数、模糊关系及其合成等内容。
6.1模糊逻辑提出6.2模糊集合与隶属函数6.3模糊关系及其合成7.搜索求解策略搜索求解策略是人工智能导论课程中关于搜索算法的一个重要部分。它主要介绍了搜索的概念、状态空间知识表示法等内容。
7.1搜索的概念7.2状态空间知识表示法【学习笔记】人工智能导论
文章目录一、概论二、状态搜索空间表示及其搜索技术状态空间法图搜索盲目式搜索启发式搜索三、问题归约知识表示及搜索技术问题归约法及与或图与或树的宽度搜索与深度搜索博弈与博弈树搜索四、谓词逻辑表示与推理技术机器自动推理与命题逻辑谓词逻辑消解原理与子句集求解消解反演与反演求解五、模糊逻辑与模糊推理模糊逻辑及模糊集合模糊集合运算与合成模糊推理六、遗传算法生物学背景及遗传算法的原理遗传算法求解优化问题实例七、群智能算法粒子群算法蚁群算法八、人工神经网络人工神经网络原理深度学习九、人工智能应用案例一、概论人工智能的概念：只要能够模仿人类进行智能活动的机械、设备、软件、系统等都可以归类为人工智能人工智能的三大学派：符号主义、连接主义、行为主义
二、状态搜索空间表示及其搜索技术状态空间法基于解答空间的问题表示和求解方法，它是以状态和算符为基础来表示和求解问题的状态空间的图示形式称为状态空间图（有向图）。其中，图的节点表示状态，图的边表示算符问题求解过程就是寻找图的某一路径的问题，实际上是一个搜索过程
图搜索盲目式搜索启发式搜索启发式搜索是利用与问题有关的启发性信息，并以这些启发性信息指导的搜索的问题求解过程
三、问题归约知识表示及搜索技术问题归约法及与或图问题归约法的基本思路是：应用一系列算符将原始问题的描述变换或分解成为子问题的描述
与或树的宽度搜索与深度搜索宽度优先搜索是先产生的节点排在OPEN表最前面，先进行扩展深度优先的要点则是新产生的节点先被扩展
博弈与博弈树搜索宽度优先是先产生的节点先被考察深度优先是新产生的节点先被考察博弈树搜索是与或树搜索中的启发式搜索的特例，它是适用于双方博弈的搜索方法
四、谓词逻辑表示与推理技术机器自动推理与命题逻辑谓词逻辑谓词逻辑允许我们表达那些无法用命题逻辑表达的事情
消解原理与子句集求解消解原理的基本思想是理解消解反演证明和反演求解的基础
要进行消解反演证明与反演求解，必须先将谓词公式化为子句集
消解反演与反演求解最一般合一：通过置换最少的变量以使表达式一致
五、模糊逻辑与模糊推理模糊逻辑及模糊集合模糊概念有一个共同点从属于该概念到不属于该概念之间无明显分界线
模糊集合运算与合成两个模糊关系合成后还是一个模糊关系，因而也还是一个模糊集合
模糊推理模糊推理的基本模式：（1）模糊假言推理（2）模糊拒取式推理
六、遗传算法生物学背景及遗传算法的原理遗传算法求解优化问题实例七、群智能算法粒子群算法蚁群算法蚁群算法的基本要素：
1、路径构建2、信息素更新
TSP问题举例：工件排序计算机布线……
八、人工神经网络人工神经网络原理深度学习九、人工智能应用案例卓居产品导盲仗渐冻人智慧生活眼控轮椅机器学习遥感影像……
人工智能概论学习笔记（一）：CPU & GPU
人工智能概论学习笔记（一）：CPU&GPU作者：王洋子豪链接：https://www.zhihu.com/question/19903344/answer/13779421来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。首先需要解释CPU和GPU这两个缩写分别代表什么。CPU即中央处理器，GPU即图形处理器。其次，要解释两者的区别，要先明白两者的相同之处：两者都有总线和外界联系，有自己的缓存体系，以及数字和逻辑运算单元。一句话，两者都为了完成计算任务而设计。两者的区别在于存在于片内的缓存体系和数字逻辑运算单元的结构差异：CPU虽然有多核，但总数没有超过两位数，每个核都有足够大的缓存和足够多的数字和逻辑运算单元，并辅助有很多加速分支判断甚至更复杂的逻辑判断的硬件；GPU的核数远超CPU，被称为众核（NVIDIAFermi有512个核）。每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单（GPU初始时在浮点计算上一直弱于CPU）。从结果上导致CPU擅长处理具有复杂计算步骤和复杂数据依赖的计算任务，如分布式计算，数据压缩，人工智能，物理模拟，以及其他很多很多计算任务等。GPU由于历史原因，是为了视频游戏而产生的（至今其主要驱动力还是不断增长的视频游戏市场），在三维游戏中常常出现的一类操作是对海量数据进行相同的操作，如：对每一个顶点进行同样的坐标变换，对每一个顶点按照同样的光照模型计算颜色值。GPU的众核架构非常适合把同样的指令流并行发送到众核上，采用不同的输入数据执行。在2003-2004年左右，图形学之外的领域专家开始注意到GPU与众不同的计算能力，开始尝试把GPU用于通用计算（即GPGPU）。之后NVIDIA发布了CUDA，AMD和Apple等公司也发布了OpenCL，GPU开始在通用计算领域得到广泛应用，包括：数值分析，海量数据处理（排序，Map-Reduce等），金融分析等等。简而言之，当程序员为CPU编写程序时，他们倾向于利用复杂的逻辑结构优化算法从而减少计算任务的运行时间，即Latency。当程序员为GPU编写程序时，则利用其处理海量数据的优势，通过提高总的数据吞吐量（Throughput）来掩盖Lantency。目前，CPU和GPU的区别正在逐渐缩小，因为GPU也在处理不规则任务和线程间通信方面有了长足的进步。另外，功耗问题对于GPU比CPU更严重。总的来讲，GPU和CPU的区别是个很大的话题，甚至可以花一个学期用32个学时十几次讲座来讲，所以如果提问者有更具体的问题，可以进一步提出。
人工智能概述（笔记）
人工智能：机器模拟人的意识和思维。
消费级人工智能产品：机器学习：是一种统计学习方法，计算机利用已有数据，得出某种模型，再利用此模型预测结果，是人工智能的子集。随着经验的增加，效果会变好。深度学习：（深层神经网络）是深层次神经网络，是机器学习的一种实现方法，是机器学习的子集。
机器学习的应用：1、对连续数据的预测2、对离散数据分类例如：卖房，输入平米数，输出价格。判断肿瘤的良性恶性等。。