人工智能 | 小黄鸭的窝窝✨

Chapter 1 概论

什么是人工智能？

人工：人造的
智能：待解释（思考和理解的能力）
人工智能
数据→经过约定→信息
认识
知识认识的关系或联系

什么是机器学习？

大量数据训练的模型去做未来的预测

模型约等于函数

函数好不好取决于参数

机器学习就是调参

深度学习可以拟合任意函数

学派

三个学派

符号主义
连接主义
行为主义

机器学习概论

实现人工智能的手段

识别和预测式机器学习的主要内容
要解决的问题中存在某种模式
这种模式不容易直接定义
有足够的数据可以帮助我们找出此模式

发展历史

起源 1956 达特茅斯会议
一起感知机
一落感知机机理问题
二起专家系统
二落路线问题和计算能力
三起大数据和互联网

知识是人们在改造客观世界中积累的认识和经验
知识表示是对知识的描述，用一组符号把知识编码成计算机理解的结构（对知识建模）

Chapter 2 知识表示和知识图谱

状态空间法

组成
- 状态（state）表示问题解法中每一步问题状况的数据结构
- 算符（operator）把问题从一种状态转为另一种状态的手段
- 状态空间方法一个表示问题全部可能状态及其关系的图
状态空间可计为三元状态(S,F,G)
- S 初始状态集合
- F 操作符合集
- G 目标状态集合

定义问题状态的描述形式
定义操作符
穷举做题
- 代价小
- 步骤少

问题归约法

组成
- 一个初始问题描述
- 一套把问题变换为子问题的操作符
- 一台本原问题描述
本质：把问题描述变换为子问题描述
与或树表示
- 与树：两个与节点有小段圆弧
- 或树
- 端节点：没有子节点的节点
- 终止节点：本原问题对应的节点
- 终止节点一定是端节点，端节点不一定是终止节点
- 不可解节点
  - 没有后裔的非终止节点
  - 有后裔但全部后裔是不可解的的非终止节点（与）
  - 有后裔但有一个后裔是不可解的的非终止节点（或）
  - 不可解节点用小圆圈表示。
解树：由可解节点组成，一定有可解的初始状态

谓语逻辑法

语法语义谓词符号、变量符号、函数符号和常量函数
连词量词原子公式、连词（$\wedge \vee \neg \Rightarrow$（蕴含））、量词（全称量词$\forall x$ 存在量词$\exists x$）
置换合一

定义谓词和个体
把个体代入谓词
使用连接词连接

题目

例1：李明是个学生，他住的房间是白色的。
Isa(Liming, Student)∧Lives(Liming,House1)∧Color(House1, White)

例2：李明在学校的话，Wang也在学校。
At(Liming,School) => At(Wang, School)

例3：所有机器人都是灰色的
($\forall x$)[ROBOT(x)=>COLOR(x, GRAY)]

例4：条条大路通罗马

（$\forall x$）[ Road(x)=> Lead(x, Roma) ]

例5：Mary给每个人一本书
（$\forall x$）（$\exists y$）[ Person(x)∧Book(y)∧Give(Mary,x,y) ]

例6：人人爱运动

\begin{aligned} Man (x) : x 是人 \\ Love \times (x, y) : x 爱 y \\ (\forall x) (Man (x) \to Love (x, 劳动)) \end{aligned}

例7：自然数都是大于等于零的整数

N(x)：x是自然数

I(x)：x是整数

GZ（x）：x大于等于零

$\left( \forall x\right) ( N\left( x\right) \rightarrow \left( G_{2}\left( x\right) \wedge I\left( x\right) \right)$

语义网络法

组成
- 词法部分词汇表符号（节点和弧线）
- 结构部分约束条件（节点对）
- 过程部分访问过程
- 语义部分与描述相关的方法（确定节点的排列及其占有物和对应弧线）
分类
- 二元语义网络
- 多元语义网络

确定问题中的所有对象以及各对象的属性
确定对象间的关系
下层节点会继承上层节点的属性，整理共同属性写入上层节点，避免冗余
将各对象作为语义网络的一个节点，而各对象间的关系作为各节点之间的弧

知识图谱

知识抽取
知识表示
知识融合
知识推理

知识图谱以结构化的形式描述客观世界中概念、实体及其关系

归纳演绎

先定义谓词
将已知事实和目标用谓词公式表示出来
降上述已知事实和目标的否定化成子句集（取反）
应用归结过程

例子

如果x是y的父亲，y是z的父亲，则x是z的祖父

每个人都有一个父亲

证明：对于某人u，一定存在一个人v，v是u的祖父

Chapter 3 搜索和推理

复杂问题的搜索，就是推理

搜索是问题到问题解决的路径

图搜索策略

盲目搜索🔍

宽度优先 一定可以找到最优解
深度优先
等代价搜索

启发式搜索🔍

估价函数
- 排序时估算节点“希望”的量度
- $f(n)=g(n)+h(n)$
- $g(n)$ 当前节点n的代价
- $h(n)$ 节点n到目标节点的估计代价
贪婪最佳优先搜索GBFS
- 优先搜索算法离目标最近的节点
- 只用启发式信息
- 即$f(n)=h(n)$
A*搜索
- $f(n)=g(n)+h(n)$
- 可采纳性 $0≤h(N)≤h*(N)$ 估计代价小于等于真实代价
- 一致性
- 当启发式函数满足一致性时，A*算法是最优的