第一章 人工智能概述人工智能Artificial Intelligence简称AI是一门研究和开发使计算机能够表现出类似于人类智能能力的科学和技术领域旨在探索人类智能的本质并尝试通过各种理论、方法和技术来模仿、延申和扩展人类的智能行为。弱人工智能也被称为狭窄人工智能或者应用人工智能指的是设计用来完成特定任务的智能系统。包括语音识别系统、在线客户服务聊天机器人、以及推荐算法等。强人工智能也称为通用人工智能或全面人工智能是一种理想状态目前尚未实现。1956年的达特茅斯会议标志着人工智能的起源和诞生。人工智能的发展历程推理期1950年代-1960年代知识期1970年代-1980年代学习期1980年代-2000年代深度学习期2000年代至-2010年代大语言模型期2020年代-至今三大学派符号主义连接主义行为主义。符号主义的道路启发式算法——专家系统——知识工程。连接主义又称仿生学派或生理学派基本思想是既然生物智能是由神经网络产生的那就通过人工方式构造神经网络再训练人工神经网络产生智能。其技术的典型代表是机器学习和深度学习。三个学派的区别符号主义研究抽象思维注重功能的模拟强调可解释性连接主义研究形象思维注重结构的模拟模仿人脑结构行为主义研究感知思维注重行动的模拟偏向应用和行为。从算力来看行为主义需要的计算机性能连接主义需要的计算机性能符号主义需要的计算机性能。从样本数据数量来看符号主义几乎不需要训练样本行为主义对样本的需求量也很小但是连接主义需要大量样本且往往是样本数越大效果越好。按模型来划分人工智能方法可分为决策式AI和生成式AI。人工智能的应用领域智能家居智能制造智能金融智能医疗数据挖掘语音识别智能交通自动驾驶。第二章 知识表示早期的符号主义学派提出了多种知识表示方法。最经典和最常用的方法是逻辑表示法和产生式表示法。命题逻辑可看作是谓词逻辑的一种特殊形式。命题陈述唯一真假某一条件为真某一条件为假。在命题逻辑中一个或真或假的描述性陈述被称为原子命题。命题联结词否定、合取、析取、条件蕴含、双条件双向蕴含通过命题联结词得到的命题被称为复合命题。逻辑等价式交换律结合律分配律德·摩根律双重否定律对合律吸收律补余律否定律蕴含消除逆否律。有限个简单合取式构成的析取式称为析取范式。有限个简单析取式构成的合取式称为合取范式。析取范式与合取范式统称为范式。推理规则∶假言推理拒取式推理假言三段论析取三段论P规则T规则与消解与导入。谓词逻辑是将原子命题进一步细化分解出个体、谓词和量词。谓词可分为谓词名与个体两个部分。形式P(x1x2......xn)谓词中包含的个体数目称为谓词的元数。个体常量、个体变元、函数统称为“项”。当谓词中的变元都用特定的个体取代时谓词就具有一个确定的真值∶T或F。若P(x1,x2,…,xn)是n元谓词x1,x2,…,xn是项则称P(x1,x2,…,xn)为原子谓词公式简称原子公式。合式公式是由逻辑联结词和原子公式构成的用于陈述事实的复杂语句又称谓词公式。产生式与蕴含式的区别应用场景不一样一个用于逻辑推理一个可能用于控制操作。蕴含式有真值即只有真或假两种状态而产生式没有严格的“真值”概念。产生式系统组成规则库综合数据库推理机。第三章 推理技术自然演绎推理从一组已知为真的事实出发运用经典逻辑的推理规则推出结论的过程。优点表达定理证明过程自然易理解。拥有丰富的推理规则推理过程灵活。缺点易产生组合爆炸得到的中间结论一般呈指数形式递增。归结演绎推理归结反演略谓词公式化为子句集去蕴含移动否定符号变量标准化——量词辖域不同名称要不同消去存在量词——可能需要用到函数替换化为前束形——所有全称量词前移化为skolem标准形——变成合取范式去全称量词去合取符号变子句集子句变量标准化——避免不同子句间的变量符号重复鲁宾逊归结原理检查子句集S中是否包含空子句若包含则S不可满足。若不包含在S中选择合适的子句进行归结一旦归结出空子句就说明S是不可满足的。归结反演证明的步骤1将已知前提表示为谓词公式F。2将待证明的结论表示为谓词公式Q并否定得到﹁Q。3把谓词公式集{FQ}化为子句集S。4应用归结原理对子句集S中的子句进行归结并把每次归结得到的归结式都并入到S中。如此反复进行若出现了空子句则停止归结此时就证明了Q为真。谓词的最一般合一是一种使得互补文字中的变元形式统一的变换方式。归结反演求解问题的步骤①把已知前提用谓词公式表示出来并且化为相应的子句集设该子句集的名字为S②定义一个为了求解问题的专设谓词ANSWER把待求解的问题用谓词公式表示出来然后把它否定再与谓词ANSWER构成析取式其中谓词ANSWER的变元必须与问题公式的变元完全一致③把②中得到的析取式化为子句集并把该子句集并入到子句集S中得到子句集S;④对S应用归结原理进行归结⑤若得到归结式ANSWER则答案就在ANSWER中。第四章 机器学习机器学习是一个算法该算法能学习样本数据中隐藏的规律并最终获得一个映射函数的模型。标签是对数据样本的标注用于说明数据样本在问题域下所属的类别或取值。根据样本数据是否带有标签监督的机器学习无监督的机器学习半监督学习。监督学习可完成分类和回归两种任务。非监督学习只能完成分类任务。K-近邻算法KNN计算距离的方法有欧氏距离和曼哈顿距离KNN算法优点容易理解理论成熟既可以用来做分类也可以用来做回归可用于数值型数据和离散型数据训练时间复杂度O(n)无数据输入假定对异常值不敏感。KNN算法缺点算法复杂性高空间复杂性高当存在样本不均衡时对稀有类别的预测准确率较低。人工神经元模型人工神经网络按照拓扑结构建立神经元的连接。把许多单个神经元按照一定层次结构连接起来。人工神经网络是层级结构每层神经元与下一层神经元全互连神经元之间不存在同层连接也不存在跨层连接。这样的神经网络结构通常称为“多层前馈神经网络”。在多层前馈神经网络中神经元可按层次分为三类输入层神经元输出层神经元和隐藏层神经元。输入层不属于功能神经元。参数计算d个输入神经元l个输出神经元q个隐层神经元。参数个数 (dl1)*qlBP神经网络K均值聚类K-means聚类k均值聚类算法k-means clustering algorithm也称k-means聚类算法是一种广泛使用的聚类分析方法。它是一种无监督机器学习方法。k均值聚类算法的核心目标是将给定的数据集划分成K个簇其中K是一个预先设定的参数。这个过程是迭代的主要步骤包括初始化随机选择K个数据点作为初始聚类中心。分配计算每个数据点到各个聚类中心的距离并将每个数据点分配给距离最近的聚类中心。更新重新计算每个簇的中心点通常是取簇内所有点的均值。迭代重复分配和更新步骤直到聚类中心不再发生变化或达到预定的迭代次数或者聚类中心的变化小于某个给定阈值。k均值聚类算法的优点是原理简单、易于解释、实现方便以及收敛速度快。然而它也有一些局限性比如对异常值敏感、可能收敛到局部最优解、需要预先指定簇的数量K等。此外k均值聚类假设簇呈球形分布因此在处理非球形分布的数据时可能效果不佳。第五章 深度学习深度学习领域最重要的模型——卷积神经网络CNN。卷积核Kernel也叫滤波器filter代表图像的某种特征卷积层卷积层的参数量由卷积核的大小、输入特征图的通道图以及输出特征图的通道数共同决定。对于每个卷积核其参数量为卷积核宽度*卷积核高度*输入通道数。由于有多个卷积核最终的参数量还需要乘以输出通道数的数量。如果考虑偏置项则每个卷积核还会增加一个偏置参数。假设二维卷积层输入数据的通道数为N卷积核的大小为K*K当前卷积层卷积核的数量为M则该卷积层的参数量为(K*K*N1)*M卷积核的大小较小的核有利于提供输入的细节特征较大卷积核偏向于提取输入的宏观特征信息。卷积层的深度卷积层的深度指的是一个CNN中卷积层的层数。卷积层的深度决定了网络可以提取的特征的复杂性。更深的网络能学习更复杂的特征表示但也增加了过拟合的风险和计算成本。卷积步长卷积层的卷积步长与填充方式直接决定了卷积操作后特征图的大小。假设原始图像大小为其中n为像素值卷积核大小为f步长大小为s则卷积操作后特征图大小m*m其关系式为若输入图像6*6卷积核3*3步长1则特征图大小为6-314填充方式:控制特征图大小。设p为填充大小填充后特征图大小m(n-f2p)/s1池化平均池化和最大池化。通过降低特征图的维度来减少网络中的参数数量和计算复杂度有助于防止过拟合提高模型的泛化能力增强网络对小的平移和形变的鲁棒性因为他丢弃了位置信息只保留最重要的特征信息。全连接层扮演着“分类器”的角色。负责将由卷积层和池化层提取的特征映射到样本的标记空间从而实现分类和回归分析。LeNet-5模型C1(卷积)-S2(池化)-C3(卷积)-S4(池化)-C5(卷积)-F6(全连接)第六章状态空间表示与搜索策略在求解一个问题时涉及到两个方面一是该问题的表示另一方面则是选择一种相对合适的求解方法。状态空间表示方法是一种将问题的所有可能状态及其转换关系通过图形或符号表达出来的方法。通过运用搜索策略可在状态空间中寻找一条直达目标的求解路径。八数码问题盲目搜索宽度优先搜索积木问题的优先搜索树通过搬动积木块从初始状态达到目标状态积木A在顶部积木B在中间积木C在底部。深度优先搜索启发式图搜索策略什么是启发式信息用来简化搜索过程有关具体问题领域的特性的信息叫做启发信息。启发式图搜索策略利用启发信息的搜索方法的特点重排OPEN表选择最有希望的节点加以扩展。种类A、A*算法等。启发式搜索是一种利用问题域的先验知识来引导搜索过程的算法策略其核心目的是减少搜索空间提高搜索效率。在这种搜索策略中估价函数扮演着至关重要的角色它表示从当前节点出发根据评价函数来选择后续节点。它不仅决定了搜索的方向还直接影响到搜索的效率和最终结果的质量。A*搜索算法的特性A*搜索算法的特性A*搜索算法的特性可采纳性、单调性、信息性。
