首页 百科正文

人工智能知识点大盘点

woniu 百科 2020-06-10 16:45:15 59245 0 研究科技技术数据领域

人工智能知识点大盘点

人工智能是一门综合性的交叉学科和边缘学科。

消解原理是一种一定的子句公式的推理规则。

专家系统:专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说,专家系统是一个具有大量的专门知识与经验的程序系统,它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题,简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

新型专家系统:在专家系统的基础上,新型专家系统不仅采用各种定性模型,而且运用人工智能和计算机技术的一些新思想与新技术,如分布式、协同式和学习机制等。

 1.并行与分布处理

 2.多专家系统协同工作

 3.高级语言和知识语言描述

 4.具有自学习功能

 5.引入新的推理机制

 6.具有自我纠错和自我完善能力

 7.先进的智能人机接口

人工智能运用的最广泛的两个领域:专家系统和机器学习;

专家系统是早期人工智能的一个重要分支,它可以看作是一类具有专门知识和经验的计算机智能程序系统,一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。 一般来说,专家系统=知识库+推理机,因此专家系统也被称为基于知识的系统。

人工智能的元年:人工智能再1956年被提出,故认为1956年是人工智能的元年。

人工智能之父:图灵

语义网络的组成:节点和弧

机器学习系统组成:环境,学习,知识库,执行

人工智能是是计算机学科中涉及研究设计应用  智能机器  的一个分支,近期目标为研究用机器来   模仿和执行人脑  的某些智力行为。

规则演绎系统根据推理方向可以分为:规则正向演绎系统,规则逆向演绎系统,规则双向演绎系统

计算智能涉及:神经计算,模糊计算,演化计算

启发式搜素是一种利用  利用启发式信息  的搜索,估价函数在搜索过程中起的作用是   估计节点位于解路径上的希望。

模糊判决的常用方法:重心法,最大隶属度法,系数加权平均法,隶属度限幅元素平均法

不确定性推理主要有两种不确定性:结论,证据。

神经网络适用于自动控制是由于   自组织,函数逼迫,学习和适应,大规模并行处理。

专家系统的一般组成:知识库、数据库、推理机、解释器及知识获取。

在框架理论中,框架通常由描述事物的各个方面的槽组成,每个槽可以有若干个侧面,每个侧面可以有若干个值。

知识发现的方法有:正向推理,逆向推理,双向推理,混合推理

产生式系统的推理:正向推理,逆向推理,双向推理

正向推理:从一组表示事实的谓词或命题出发,使用一组产生式规则,用以证明该谓词公式或命题是否成立。 
逆向推理:从表示目标的谓词或命题出发,使用一组产生式规则证明事实谓词或命题成立,即首先提出一批假设目标,然后逐一验证这些假设。 
双向推理:双向推理的推理策略是同时从目标向事实推理和从事实向目标推理,并在推理过程中的某个步骤,实现事实与目标的匹配。

机器学习的最新研究领域:数据挖掘。

分布式人工智能研究新领域:Agent(艾真体)

人工智能三大学派:符号主义,连接主义,行为主义。

(1) 符号主义(symbolicism),又称为逻辑主义、心理学派或计算机学派,其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。

(2) 连接主义(connectionism),又称为仿生学派或生理学派,其主要原理为神经网络及神经网络间的连接机制与学习算法。

(3) 行为主义(actionism),又称为进化主义或控制论学派,其原理为控制论及感知-动作型控制系统。

知识表示方法:状态空间,语义网络,谓词逻辑,问题规约


    • 状态空间:问题的状态空间时一个表示该问题全部可能状态及其关系的图,它包含三种说明的集合,即所有可能的问题初始状态集合S、操作符集合F以及目标状态集合G。因此,把状态空间记为三元状态(S,F,G),要完成某个问题的状态描述,必须确定三件事:一是该状态描述方式,特别是初始状态描述;二是操作符集合及其对状态描述的作用;三是目标状态描述的特性。 


    • 问题规约:从目标(要解决的问题)出发逆向推理,建立子问题以及子问题的子问题,直到最后把初始问题规约为一个平凡的本原问题集合。这就是问题规约的实质。它由三个部分组成:一是一个初始问题的描述;二是一套把问题变换为子问题的操作符;三是一套本原问题描述。

    • 谓词逻辑:采用谓词合适公式和一阶谓词演算把要解决的问题变为一个有待证明的问题,然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的,从而证明这个新语句也是正确的。谓词逻辑是一种形式语言,能够把数学中的逻辑论证符号化。谓词逻辑法常与其它表示方法混合使用,灵活方便,可以表示比较复杂的问题。

结合律:(a+b)+c=a+(b+c) ,

(a·b)·c=a·(b·c).

交换律:a+b=b+a, a·b=b·a.

分配律:a·(b+c)=(a·b)+(a·c),(a+b)·c=(a·c)+(b·c)

吸收律:a+a·b=a, a·(a+b)=a.

幂等律:a+a=a, a·a=a.

德·摩根律(反演律):(a+b)′=a′·b′,(a·b)′=a′+b′.


    • 语义网络:语义网络是知识的一种结构化图解表示,它由节点和弧线或链线组成。节点用于表示实体、概念和情况等,弧线用于表示节点间的关系。语义网络表示由四个相关部分组成:一是词法部分,决定表示词汇表中允许有哪些符号,它涉及各个节点和弧线;二是结构部分,叙述符号排列的约束条件,指定各弧线连接的节点对;三是过程部分,说明访问过程,这些过程能用来建立和修正描述以及回答相关问题;四是语义部分,确定与描述相关的意义的方法即确定有关节点的排列及其占有物和对应弧线。

方法的评价: 
(1)状态空间法需要扩展过多的节点,容易出现“组合爆炸”,因而只适用于比较简单的问题。 
(2)问题规约法比状态空间法更有效地表示问题。状态空间法是问题规约法的特例。 
(3)谓词逻辑是一种形式语言,能够把数学中的逻辑论证符号化。谓词逻辑法常与其他表示方法混合使用,灵活方便,可以表示比较复杂的问题。 
(4)语义网络可用于表示多元关系,扩展后可以表示更复杂的问题。

必定可以得到最优解的搜索算法:广度优先搜索,智能程度比较高的算法:启发式搜索   

一阶谓词:仅个体变元被量化的谓词; 二阶谓词:经常被认为包含在域的子集上,或在来自这个域到自身的函数上的量化,而不只是在这个域的个别成员之上。

或图通常被称为状态图。

不确定性类型按照性质分类:随机性,模糊性,不完全性,不一致性

在删除策略归结的过程中删除以下子句:含有纯文字的子句,含有永真式的子句,子句集被被别的子句类含的子句。

对于可信度:CF(~A)=  -CF(A),两者的并取最大值,两者的交取最小值。

(以下置换与合一摘自:https://blog.csdn.net/modeala_/article/details/17712275)

置换(substitution)

    定义: 置换是一个形如{t1/v1,…, tn/vn}的有限集,其中每个vi是变量,ti是不同于vi的项(常量、变量或函数)(vi≠ti). 当i≠j时,vi≠vj.

    无元素组成的置换称为空置换, 记为ε;

    例子:

  {a/x, w/y, f(s)/z}, {g(x)/x}是置换;

  {x/x}, {y/f(x)}不是置换;

     概念的理解:

    置换:被置换元素必是变量,置换元素是项;

             置换元素必不同于被置换元素;

             在一次置换中,针对同一元素的置换只能出现一次(单次置换的同时性);

             无元素组成的置换,成为空置换;

合一(unification)

合一定义:E1θ=...=Enθ, 则称置换θ为{E1,...,En}的合一子(unifier). 如果对{E1,...,En}存在这样的合一子, 则称集合{E1,...,En}可合一.

    例1:

  E={P(a,y), P(x, f(b))},   θ={a/x, f(b)/y}.

  E={P(a,b), P(x, f(b))},   不可合一

    合一子不一定唯一

      E={P(a,y), P(x, f(b))}

      θ1={a/x, f(b)/y}      (唯一)

      E={P(x,y), P(x,f(b))}

      θ1={a/x, f(b)/y}      (不唯一)

      θ2={b/x, f(b)/y}

最一般合一子(most general unifier,mgu)

定义:如果对E的每个合一子θ, 都存在一个置换λ, 使得θ=γ°λ, 则称合一子γ是集合{E1,…,En}的最一般合一子.

例子:

  E={P(x,y), P(x,f(b))}, θ1={a/x, f(b)/y}, θ2={b/x, f(b)/y}

  最一般合一子 γ={f(b)/y}

  θ1= γ° {a/x}, θ2= γ° {b/x}

合一算法

W的合一算法:

1.  K=0, Wk=W, γk=ε.

2.  如果Wk是单一的, 停机, γk是W的mgu.

否则,求出Wk的差别集Dk.

3.  如果在Dk中存在元素vk与tk, 使vk是一个未出

现在tk中的变量, 转4;

否则,停机, W是不可合一的.

4.  令γk+1=γk°{tk/vk}, Wk+1=Wk 

°γk+1.

5.  K=K+1. 转2.

When you return with glory, you will be bathed in the golden rain.

人工智能学习大纲

一、基础部分

1、机器学习入门

2、机器学习入门 

  • 线性回归简介;

  • 回归中的损失函数;

  • 损失函数的概率解释;

  • 过拟合;

  • Scikit-Learn中带正则的线性回归模型;

  • 正则的概率解释;

  • 线性回归模型解析求解;

  • 线性回归模型梯度下降法求解;

  • 线性回归模型坐标轴下降求解;

  • 回归模型性能评价指标;

  • 交叉验证与模型评估;

  • 线性回归案例分析: Boston房价预测;

  • 特征工程:共享单车骑行量预测;

  • Logistic回归简介;

  • Logistic损失函数;

  • 正则项;

  • 牛顿法;

  • Logistic回归的优化求解;

  • 多类分类任务;

  • 类别样本不均衡数据;

  • 分类模型评价指标;

  • Scikit-Learn中的Logistic回归;

  • Logistic回归案例分析:Otto商品分类;

  • 特征工程:糖尿病发病预测;

  • 深度学习历史与介绍;

  • 深度学习解决的问题;

  • 感知器介绍;

  • 神经网络的拟合能力;

  • 全连接神经网络介绍;

  • 前向传播;

  • 反向传播;

3、 深度学习基础算法

  • 数据预处理;

  • 神经网络简介;

  • 激活函数;

  • Batchnorm;

  • Dropout;

  • 网络连接方式;

4、视觉处理与分析

  • Ground truth;

  • 损失函数;

  • 学习率;

  • 优化算法;

  • 过拟合与欠拟合;

  • 正则化;

  • 参数的初始化;

  • 图像滤波及去噪;

  • 图像边缘检测;

  • 直方图与图像分割;

  • 图像特征描述;

  • 再论图像分割;

  • 综合示例;

  • 直线检测;

  • HARRIS角点检测;

  • SIFT特征提取;

  • ORB特征检测;

  • 特征检测综合示例;

  • 背景建模;

  • 光流估计;

  • 综合示例;

  • 视觉编程工具;

二、高级算法

1、机器学习基础算法(推荐算法方向)

  • SVM简介;

  • 带松弛变量的SVM模型: CSVM;

  • 对偶问题;

  • 核方法;

  • 支持向量回归:SVR;

  • Scikit-Learn中的SVM;

  • SVM案例分析:Otto商品分类;

  • 决策树;

  • Scikit-Learn中的决策树模型;

  • 决策树案例分析:Otto商品分类;

  • Bagging和随机森林;

  • Scikit-Learn中的随机森林模型;

  • 随机森林案例分析:Otto商品分类;

  • Adaboost;

  • GBM;

  • Scikit-Learn中的GBM;

  • XGBoost原理;

  • XGBoost工具包使用指南;

  • XGBoost的Scikit-Learn接口;

  • XGBoost案例分析:Otto商品分类;

  • LightGBM原理;

  • LightGBM使用指南;

  • LightGBM案例分析:Otto商品分析;

  • PCA降维原理;

  • Scikit-Learn中的PCA;

  • t-SNE;

  • Scikit-Learn中的 t-SNE;

  • 降维案例分析:Otto商品数据降维分析;

  • 聚类简介;

  • KMean聚类算法;

  • Scikit-Learn中的 KMean聚类;

  • 聚类案例分析:Event聚类;

  • 推荐系统简介;

  • 基于内容的推荐;

  • 基于用户的协同过滤;

  • 基于物品的协同过滤;

  • 基于矩阵分解的协同过滤;

  • 协同过滤推荐案例分析:MovieLens电影推荐;

  • CTR预估简介;

  • FTRL模型;

  • FM与FFM;

  • GBDT;

  • Wide and Deep Learning模型;

  • CTR案例分析:Criteo CTR预估;

 2、位姿估计与三维重构(计算机视觉方向)

3、计算机视觉与神经网络 (计算机视觉方向)

  • 坐标系与相机模型;

  • 相对位姿测量算法;

  • 相机标定;

  • 极线几何;

  • 立体视觉与三维重构;

  • 特征匹配;

  • 卷积和池化;

  • 卷积的反向传播;

  • Tensorflow基础;

  • 卷积神经网络的tensorflow实现;

  • 经典卷积神经网络案例

  • Vgg/inception网络代码讲解;

  • 基于slim的神经网模型训练;

  • 分类定位;

  • 检测;

  • 检测模型的训练与使用;

  • 分割;

  • 人脸;

  • 其他;

  • 特征使用-相似图;

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。

本文链接:https://www.chinaai.com/baike/3408.html

评论