导图社区 AI导论
人工智能知识整理,考前复习准备。分支内容包括:知识表示方法、确定性推理、计算智能、不确定性推理、搜索问题及求解。
编辑于2021-03-05 18:43:03人工智能
知识表示方法
状态空间表示法
三元组
过程
定义状态空间
一组操作
选择搜索策略
问题解决
八数码
水壶
问题归约表示法
分解
十二硬币问题
倾斜和平衡规则
表示方法五元组
PICKUP函数
相关内容
逻辑表示法
命题是非真即假的陈述句
命题逻辑表示法
不能反映事物的结构和逻辑特征
不能表述不同事物间的共同特征
置换
合一
一阶谓词逻辑表示法
优点
自然、精确、严密、易实现
缺点
不能表示不确定的知识
组合爆炸
效率低
产生式表示法
通常表示事实、规则性,以及它们的不确定度量
缺点
效率不高
不可表示结构性知识
优点
自然、模块、有效、清晰
产生式系统
规则库
综合数据库
控制系统
过程
匹配方法
按什么策略搜索知识库
冲突消解策略
框架表示法
结构化知识表示方法
特点
结构性、继承性、自然性
语义网络表示法
特点
能够把实体的结构、属性以及实体间的因果关系表达出来
易于访问、学习、理解
依赖于该结构的推理过程而没有固定结构的约定,的道德推理不能像谓词逻辑法那样有效
知识图谱
根据信息来源和获取方式分类
依靠人工构建的知识资源
基于群体智能的知识图谱
基于信息抽取方法构建的知识图谱
有向图
旨在描述各种实体之间的关系
可以用于搜索和分析,推理与学习
推理分类
基于规则的分类
基于分布式表示的分类
基于逻辑的分类
基于符号的推理
基于机器学习的推理
确定性推理
概念
归纳推理
完全归纳和不完全归纳
个别到一般
适合于学习规律
演绎推理
苏格拉底之死
一般到个别
适合推理
正向推理
已知事实到结论
目的性不强,效率低
逆向推理
目标驱动推理
目的性强,但是选择初始目标有盲目性
双向推理
最可行反向、演绎
分类
确定性推理
自然演绎推理
推理规则
优点
灵活,易理解,便于嵌入启发式知识
缺点
易产生组合爆炸
归结演绎推理
标准谓语子句 析取式的合取
谓词公式化为子句集
消去蕴含符号->
否定符号紧靠谓词
变量标准化
消去存在量词
Skolem函数
化为前束形
母式化为合取范式
消去全称量词
消去连接符号/\
更换变量名
鲁滨逊归结原理
归结反演
利用归结原理证明定理的过程
四个步骤
否定Q
将~Q添加到S
{~L,S}化为子句集
应用消解原理,推导出一个NIL
利用归结反演求解问题
不确定性推理
机器学习
有监督学习
朴素贝叶斯分类
计算
K临近算法
决策树算法
支持向量机模型
评价
性能好
成本高
研究充分
方法丰富
无监督学习
样本数据
不需要标注知识
有明确学习目标
提升难度大
半监督学习
强化学习
与环境交互,获得反馈,进行适应
深度学习
以特征提取为目的
模式识别
遗传算法
进化算法
特点
执行时间没有上限
不能保证最优解
不能保证解的质量
原理是多点出发同时搜索全局最优解
应用
组合优化
机器学习
规划和设计
选择、交叉、变异三种操作
选择、交叉、变异三种操作
交叉决定全局搜索能力
变异帮助跳出局部最优解
一般大的交叉概率pc,小的变异概率pm
步骤
初始群体
解码,计算适应度
选择
N/2组,交叉
变异
解码,计算适应度
替换
应用
旅行商
调度与控制
特点
群体策略,易于并行化
种群个体间进行信息交换
群智能
社会行为机制激发的算法或分布式解决问题的策略
只能源于社会性的相互作用
优点
灵活
稳健
自组织
潜在的并行性和分布式
蚁群算法
聚类问题
路径规划
调度
着色问题
计算智能
无知识,只有数据
中层到低层
神经网络三要素
神经元
网络拓扑结构
学习算法
人工神经网络特性
并行分布处理
非线性映射
通过训练进行学习
适应与集成
硬件实现
不确定性推理
定义
从不确定性的证据出发,运用不确定性知识,推出具有不确定性但是合理的结论
基本问题
五个
贝叶斯方法
全概率公式
先验概率和后验概率
可信度方法
C-F模型基于可信度的不确定性推理的基本方法
带有较大的主观性和经验性,准确性难以把握
CF值正负零的含义
证据的不确定性表示
静态强度CF(H,E)
动态强度CF(E)
CF(H)=CD(H,E)*max{0.CF(E)}
多个单一证据合取
AND类型 取最小值
多个单一证据析取
OR类型 取最大值
多规则合成P29
三种情况
更改
两两合成
搜索问题及求解
盲目搜索
BFS
OPEN表尾
先进先出
优: 如果有解,可以找出最优解
缺: 效率低,可能组合爆炸问题难解决
DFS
OPEN表首
先进后出
优: 节省大量时间和空间
缺: 不一定能找到解
有界深度优先搜索
等代价搜索
迭代加深搜索
标注
不适合大规模求解问题
不使用经验信息
搜索效率低
启发式搜索
需要最优解是不能用启发式搜索
启发信息
有关具体问题领域的信息
启发式函数是映射函数
h(x)=0非启发算法
g(x)=0不保证找到解
八数码
八皇后
放下后后面行可以放置的位置数目
爬山法
当前找最好
最佳优先搜索
全局找最好
A*算法
估价函数满足一定约束条件
g大于0,h不到实际代价
特点
保证完备性和最优性
使用先验知识
两个复杂度分别可控、较低
较适合大规模状态空间的求解
局部搜索
爬山法
优点
控制逻辑简单
搜索效率高
通用性强
缺点
无法保证完备性和最优性
改进
多起点
回溯
前跨
禁忌算法
禁忌对象
解的简单变化
向量分量变化
目标值变化
模拟退火算法
概率突跳、随机、全局最优解
大规模组合优化问题
优点
大概率找到全局最优解
初值鲁棒性强
简单、通用、易实现
缺点
优化过程长
特点
使用先验知识
不保证完备性和最优性
两个复杂度较低
适合大规模
博弈搜索
产品对比
AlphaGo
深度学习
蒙特卡洛树搜索法
神经网络
AlphaGo Zero
不需要人类棋局
强化学习算法
Alphazero
更强的泛化能力
极大极小搜索算法
使用宽度优先法生成规定深度的全部博弈树,对所有端节点计算静态估计函数值
从低向上倒推求非终结点的倒退估计值,一直到初始节点
根据f(s)选相对好的走步,进行标记
剪枝算法
把生成后继和倒推值估计结合起来
有界深度优先策略搜索
到达规定深度是,立即进行静态估计
两个剪枝规则
后面的a大于前面的B,不再进行极大值层下面的搜索
前面的a大于后面的B,不再进行极小值层下面的搜索
与或图
A*O算法
概论
人工智能定义
知识
智能行为基础
智能
获取,应用,解决
人工智能
用人工的方法在机器上实现的智能
图灵测试
三大派系
符号主义
观点
认为人工智能源于数理逻辑
人的认知是符号,认知过程是符号操作过程
人的思维是可操作的
AI的核心问题是知识的表示、推理和运用
采用知识表达和逻辑符号系统模拟AI
以专家系统和知识工程为例
联结主义
观点
AI源于仿生学
人的思维基元是神经元
相关信息
基于生物进化论的
主要理论基础是神经网络间的连接机制和学习算法
本质是用人脑的并行分布处理模式来表现认知过程
行为主义
观点
智能取决于感知和行动
智能行为只能在现实世界中与周围环境交互作用而表现出来
原理
控制论和“感知-动作”型控制系统
代表
六足机器人
对比
符号主义
人的心智
知识表示
宏观
联结主义
脑的结构
神经网络
微观
行为主义
人的行为
机器人
AI核心问题
知识的表示、推理和运用