第一篇：人工智能學(xué)習(xí)資料

我經(jīng)常在 TopLanguage 討論組上推薦一些書籍，也經(jīng)常問里面的牛人們搜羅一些有關(guān)的資料，人工智能、機(jī)器學(xué)習(xí)、自然語言處理、知識(shí)發(fā)現(xiàn)（特別地，數(shù)據(jù)挖掘）、信息檢索 這些無疑是 CS 領(lǐng)域最好玩的分支了（也是互相緊密聯(lián)系的），這里將最近有關(guān)機(jī)器學(xué)習(xí)和人工智能相關(guān)的一些學(xué)習(xí)資源歸一個(gè)類：

首先是兩個(gè)非常棒的 Wikipedia 條目，我也算是 wikipedia 的重度用戶了，學(xué)習(xí)一門東西的時(shí)候常常發(fā)現(xiàn)是始于 wikipedia 中間經(jīng)過若干次 google，然后止于某一本或幾本著作。

第一個(gè)是“人工智能的歷史”（History of Artificial Intelligence），我在討論組上寫道：

而今天看到的這篇文章是我在 wikipedia 瀏覽至今覺得最好的。文章名為《人工智能的歷史》，順著 AI 發(fā)展時(shí)間線娓娓道來，中間穿插無數(shù)牛人故事，且一波三折大氣磅礴，可謂“事實(shí)比想象更令人驚訝”。人工智能始于哲學(xué)思辨，中間經(jīng)歷了一個(gè)沒有心理學(xué)（尤其是認(rèn)知神經(jīng)科學(xué)的）的幫助的階段，僅通過牛人對(duì)人類思維的外在表現(xiàn)的歸納、內(nèi)省，以及數(shù)學(xué)工具進(jìn)行探索，其間最令人激動(dòng)的是 Herbert Simon（決策理論之父，諾獎(jiǎng)，跨領(lǐng)域牛人）寫的一個(gè)自動(dòng)證明機(jī)，證明了羅素的數(shù)學(xué)原理中的二十幾個(gè)定理，其中有一個(gè)定理比原書中的還要優(yōu)雅，Simon 的程序用的是啟發(fā)式搜索，因?yàn)楣硐到y(tǒng)中的證明可以簡(jiǎn)化為從條件到結(jié)論的樹狀搜索（但由于組合爆炸，所以必須使用啟發(fā)式剪枝）。后來 Simon 又寫了 GPS（General Problem Solver），據(jù)說能解決一些能良好形式化的問題，如漢諾塔。但說到底 Simon 的研究畢竟只觸及了人類思維的一個(gè)很小很小的方面 —— Formal Logic，甚至更狹義一點(diǎn) Deductive Reasoning（即不包含 Inductive Reasoning , Transductive Reasoning(俗稱 analogic thinking）。還有諸多比如 Common Sense、Vision、尤其是最為復(fù)雜的 Language、Consciousness 都還謎團(tuán)未解。還有一個(gè)比較有趣的就是有人認(rèn)為 AI 問題必須要以一個(gè)物理的 Body 為支撐，一個(gè)能夠感受這個(gè)世界的物理規(guī)則的身體本身就是一個(gè)強(qiáng)大的信息來源，基于這個(gè)信息來源，人類能夠自身與時(shí)俱進(jìn)地總結(jié)所謂的 Common-Sense Knowledge（這個(gè)就是所謂的 EmboddiedMind 理論。），否則像一些老兄直接手動(dòng)構(gòu)建 Common-Sense Knowledge Base，就很傻很天真了，須知人根據(jù)感知系統(tǒng)從自然界獲取知識(shí)是一個(gè)動(dòng)態(tài)的自動(dòng)更新的系統(tǒng)，而手動(dòng)構(gòu)建常識(shí)庫則無異于古老的 Expert System 的做法。當(dāng)然，以上只總結(jié)了很小一部分我個(gè)人覺得比較有趣或新穎的，每個(gè)人看到的有趣的地方不一樣，比如里面相當(dāng)詳細(xì)地介紹了神經(jīng)網(wǎng)絡(luò)理論的興衰。所以我強(qiáng)烈建議你看自己一遍，別忘了里面鏈接到其他地方的鏈接。

順便一說，徐宥同學(xué)打算找時(shí)間把這個(gè)條目翻譯出來，這是一個(gè)相當(dāng)長的條目，看不動(dòng) E 文的等著看翻譯吧:)

第二個(gè)則是“人工智能”（Artificial Intelligence）。當(dāng)然，還有機(jī)器學(xué)習(xí)等等。從這些條目出發(fā)能夠找到許多非常有用和靠譜的深入?yún)⒖假Y料。

然后是一些書籍

書籍：

1.《Programming Collective Intelligence》，近年出的入門好書，培養(yǎng)興趣是最重要的一環(huán)，一上來看大部頭很容易被嚇走的:P

2.Peter Norvig 的《AI, Modern Approach 2nd》（無爭(zhēng)議的領(lǐng)域經(jīng)典）。

3.《The Elements of Statistical Learning》，數(shù)學(xué)性比較強(qiáng)，可以做參考了。

4.《Foundations of Statistical Natural Language Processing》，自然語言處理領(lǐng)域公認(rèn)經(jīng)典。

5.《Data Mining, Concepts and Techniques》，華裔科學(xué)家寫的書，相當(dāng)深入淺出。

6.《Managing Gigabytes》，信息檢索好書。

7.《Information Theory：Inference and Learning Algorithms》，參考書吧，比較深。

相關(guān)數(shù)學(xué)基礎(chǔ)（參考書，不適合拿來通讀）：

1.線性代數(shù)：這個(gè)參考書就不列了，很多。

2.矩陣數(shù)學(xué)：《矩陣分析》，Roger Horn。矩陣分析領(lǐng)域無爭(zhēng)議的經(jīng)典。

3.概率論與統(tǒng)計(jì)：《概率論及其應(yīng)用》，威廉·費(fèi)勒。也是極牛的書，可數(shù)學(xué)味道太重，不適合做機(jī)器學(xué)習(xí)的。于是討論組里的 Du Lei 同學(xué)推薦了《All Of Statistics》并說到

機(jī)器學(xué)習(xí)這個(gè)方向，統(tǒng)計(jì)學(xué)也一樣非常重要。推薦All of statistics，這是CMU的一本很簡(jiǎn)潔的教科書，注重概念，簡(jiǎn)化計(jì)算，簡(jiǎn)化與Machine Learning無關(guān)的概念和統(tǒng)計(jì)內(nèi)容，可以說是很好的快速入門材料。

4.最優(yōu)化方法：《Nonlinear Programming, 2nd》非線性規(guī)劃的參考書。《Convex Optimization》凸優(yōu)化的參考書。此外還有一些書可以參考 wikipedia 上的最優(yōu)化方法條目。要深入理解機(jī)器學(xué)習(xí)方法的技術(shù)細(xì)節(jié)很多時(shí)候（如SVM）需要最優(yōu)化方法作為鋪墊。

王寧同學(xué)推薦了好幾本書：

《Machine Learning, Tom Michell》, 1997.老書，牛人。現(xiàn)在看來內(nèi)容并不算深，很多章節(jié)有點(diǎn)到為止的感覺，但是很適合新手（當(dāng)然，不能“新”到連算法和概率都不知道）入門。比如決策樹部分就很精彩，并且這幾年沒有特別大的進(jìn)展，所以并不過時(shí)。另外，這本書算是對(duì)97年前數(shù)十年機(jī)器學(xué)習(xí)工作的大綜述，參考文獻(xiàn)列表極有價(jià)值。國內(nèi)有翻譯和影印版，不知道絕版否。

《Modern Information Retrieval, Ricardo Baeza-Yates et al》.1999

老書，牛人。貌似第一本完整講述IR的書?？上R這些年進(jìn)展迅猛，這本書略有些過時(shí)了。翻翻做參考還是不錯(cuò)的。另外，Ricardo同學(xué)現(xiàn)在是Yahoo Research for Europe and Latin Ameria的頭頭。

《Pattern Classification(2ed)》, Richard O.Duda, Peter E.Hart, David G.Stork

大約也是01年左右的大塊頭，有影印版，彩色。沒讀完，但如果想深入學(xué)習(xí)ML和IR，前三章（介紹，貝葉斯學(xué)習(xí)，線性分類器）必修。

還有些經(jīng)典與我只有一面之緣，沒有資格評(píng)價(jià)。另外還有兩本小冊(cè)子，論文集性質(zhì)的，倒是講到了了不少前沿和細(xì)節(jié)，諸如索引如何壓縮之類?？上嗣?，又被我壓在箱底，下次搬家前怕是難見天日了。

（呵呵，想起來一本：《Mining the Web-Discovering Knowledge from Hypertext Data》）

說一本名氣很大的書：《Data Mining: Practical Machine Learning Tools and Techniques》。Weka 的作者寫的?？上?nèi)容一般。理論部分太單薄，而實(shí)踐部分也很脫離實(shí)際。DM的入門書已經(jīng)不少，這一本應(yīng)該可以不看了。如果要學(xué)習(xí)了解 Weka，看文檔就好。第二版已經(jīng)出了，沒讀過，不清楚。

信息檢索方面，Du Lei 同學(xué)再次推薦：

信息檢索方面的書現(xiàn)在建議看Stanford的那本《Introduction to Information Retrieval》，這書剛剛正式出版，內(nèi)容當(dāng)然up to date。另外信息檢索第一大牛Croft老爺也正在寫教科書，應(yīng)該很快就要面世了。據(jù)說是非常pratical的一本書。

對(duì)信息檢索有興趣的同學(xué)，強(qiáng)烈推薦翟成祥博士在北大的暑期學(xué)校課程，這里有全slides和閱讀材料：

maximzhao 同學(xué)推薦了一本機(jī)器學(xué)習(xí)：

加一本書：Bishop, 《Pattern Recognition and Machine Learning》.沒有影印的，但是網(wǎng)上能下到。經(jīng)典中的經(jīng)典。Pattern Classification 和這本書是兩本必讀之書?！禤attern Recognition and Machine Learning》是很新（07年），深入淺出，手不釋卷。

最后，關(guān)于人工智能方面（特別地，決策與判斷），再推薦兩本有意思的書，一本是《Simple Heuristics that Makes Us Smart》

另一本是《Bounded Rationality: The Adaptive Toolbox》

不同于計(jì)算機(jī)學(xué)界所采用的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法，這兩本書更多地著眼于人類實(shí)際上所采用的認(rèn)知方式，以下是我在討論組上寫的簡(jiǎn)介：

這兩本都是德國ABC研究小組（一個(gè)由計(jì)算機(jī)科學(xué)家、認(rèn)知科學(xué)家、神經(jīng)科學(xué)家、經(jīng)濟(jì)學(xué)家、數(shù)學(xué)家、統(tǒng)計(jì)學(xué)家等組成的跨學(xué)科研究團(tuán)體）集體寫的，都是引起領(lǐng)域內(nèi)廣泛關(guān)注的書，尤其是前一本，後一本則是對(duì) Herbert Simon（決策科學(xué)之父，諾獎(jiǎng)獲得者）提出的人類理性模型的擴(kuò)充研究），可以說是把什么是真正的人類智能這個(gè)問題提上了臺(tái)面。核心思想是，我們的大腦根本不能做大量的統(tǒng)計(jì)計(jì)算，使用fancy的數(shù)學(xué)手法去解釋和預(yù)測(cè)這個(gè)世界，而是通過簡(jiǎn)單而魯棒的啟發(fā)法來面對(duì)不確定的世界（比如第一本書中提到的兩個(gè)后來非常著名的啟發(fā)法：再認(rèn)啟發(fā)法（cognition heuristics）和選擇最佳（Take the Best）。當(dāng)然，這兩本書并沒有排斥統(tǒng)計(jì)方法就是了，數(shù)據(jù)量大的時(shí)候統(tǒng)計(jì)優(yōu)勢(shì)就出來了，而數(shù)據(jù)量小的時(shí)候統(tǒng)計(jì)方法就變得非常糟糕；人類簡(jiǎn)單的啟發(fā)法則充分利用生態(tài)環(huán)境中的規(guī)律性（regularities），都做到計(jì)算復(fù)雜性小且魯棒。

關(guān)于第二本書的簡(jiǎn)介：

1.誰是 Herbert Simon

2.什么是 Bounded Rationality

3.這本書講啥的：

我一直覺得人類的決策與判斷是一個(gè)非常迷人的問題。這本書簡(jiǎn)單地說可以看作是《決策與判斷》的更全面更理論的版本。系統(tǒng)且理論化地介紹人類決策與判斷過程中的各種啟發(fā)式方法（heuristics）及其利弊（為什么他們是最優(yōu)化方法在信息不足情況下的快捷且魯棒的逼近，以及為什么在一些情況下會(huì)帶來糟糕的后果等，比如學(xué)過機(jī)器學(xué)習(xí)的都知道樸素貝葉斯方法在許多情況下往往并不比貝葉斯網(wǎng)絡(luò)效果差，而且還速度快；比如多項(xiàng)式插值的維數(shù)越高越容易o(hù)verfit，而基于低階多項(xiàng)式的分段樣條插值卻被證明是一個(gè)非常魯棒的方案）。

在此提一個(gè)書中提到的例子，非常有意思：兩個(gè)團(tuán)隊(duì)被派去設(shè)計(jì)一個(gè)能夠在場(chǎng)上接住拋過來的棒球的機(jī)器人。第一組做了詳細(xì)的數(shù)學(xué)分析，建立了一個(gè)相當(dāng)復(fù)雜的拋物線近似模型（因?yàn)檫€要考慮空氣阻力之類的原因，所以并非嚴(yán)格拋物線），用于計(jì)算球的落點(diǎn)，以便正確地接到球。顯然這個(gè)方案耗資巨大，而且實(shí)際運(yùn)算也需要時(shí)間，大家都知道生物的神經(jīng)網(wǎng)絡(luò)中生物電流傳輸只有百米每秒之內(nèi)，所以 computational complexity 對(duì)于生物來說是個(gè)寶貴資源，所以這個(gè)方案雖然可行，但不夠好。第二組則采訪了真正的運(yùn)動(dòng)員，聽取他們總結(jié)自己到底是如何接球的感受，然后他們做了這樣一個(gè)機(jī)器人：這個(gè)機(jī)器人在球拋出的一開始一半路程啥也不做，等到比較近了才開始跑動(dòng)，并在跑動(dòng)中一直保持眼睛于球之間的視角不變，后者就保證了機(jī)器人的跑動(dòng)路線一定會(huì)和球的軌跡有交點(diǎn)；整個(gè)過程中這個(gè)機(jī)器人只做非常粗糙的軌跡估算。體會(huì)一下你接球的時(shí)候是不是眼睛一直都盯著球，然后根據(jù)視線角度來調(diào)整跑動(dòng)方向？實(shí)際上人類就是這么干的，這就是 heuristics 的力量。

相對(duì)于偏向于心理學(xué)以及科普的《決策與判斷》來說，這本書的理論性更強(qiáng)，引用文獻(xiàn)也很多而經(jīng)典，而且與人工智能和機(jī)器學(xué)習(xí)都有交叉，里面也有不少數(shù)學(xué)內(nèi)容，全書由十幾個(gè)章節(jié)構(gòu)成，每個(gè)章節(jié)都是由不同的作者寫的，類似于 paper 一樣的，很嚴(yán)謹(jǐn)，也沒啥廢話，跟 《Psychology of Problem Solving》類似。比較適合 geeks 閱讀哈。

另外，對(duì)理論的技術(shù)細(xì)節(jié)看不下去的也建議看看《決策與判斷》這類書（以及像《別做正常的傻瓜》這樣的傻瓜科普讀本），對(duì)自己在生活中做決策有莫大的好處。人類決策與判斷中使用了很多的 heuristics，很不幸的是，其中許多都是在適應(yīng)幾十萬年前的社會(huì)環(huán)境中建立起來的，并不適合于現(xiàn)代社會(huì)，所以了解這些思維中的缺點(diǎn)、盲點(diǎn)，對(duì)自己成為一個(gè)良好的決策者有很大的好處，而且這本身也是一個(gè)非常有趣的領(lǐng)域。

（完）

第二篇：人工智能學(xué)習(xí)

人工智能學(xué)習(xí)-知識(shí)要點(diǎn)總結(jié) [Nirvana 發(fā)表于 2005-1-2 13:32:24]

人工智能是在計(jì)算機(jī)科學(xué)、控制論、信息論、神經(jīng)心理學(xué)、哲學(xué)、語言學(xué)等多種學(xué)科研究的基礎(chǔ)上發(fā)展起來的，是一門綜合性邊緣學(xué)科，延伸人腦的功能，實(shí)現(xiàn)了腦力勞動(dòng)的自動(dòng)化。

1、認(rèn)知科學(xué)認(rèn)為智能的核心是思維，知識(shí)闕值理論認(rèn)為智能行為取決于知識(shí)的數(shù)量及其一般化程度，智能就是在巨大搜索空間中迅速找到一個(gè)滿意解的能力；進(jìn)化理論的核心是用控制取代表示，取消概念、模型及顯示表示知識(shí)，否定抽象對(duì)于智能及智能模擬的必要性，強(qiáng)調(diào)分結(jié)構(gòu)對(duì)于智能進(jìn)化的可能性與必要性。綜合上述觀點(diǎn)，認(rèn)為智能是知識(shí)與智力的總和，具有如下特征：

（1）記憶與思維能力，（2）學(xué)習(xí)能力及自適應(yīng)能力，（3）行為能力。

人工智能是人造智能，是一門研究如何構(gòu)造智能機(jī)器（智能計(jì)算機(jī)）或智能系統(tǒng)，使它能模擬、延伸、擴(kuò)展人類智能的學(xué)科。通過圖靈測(cè)試可以判斷一個(gè)系統(tǒng)是否具有智能和智能的水平。

人工智能研究內(nèi)容：

（1）機(jī)器感知（2）機(jī)器思維（3）機(jī)器學(xué)習(xí)（4）機(jī)器行為（5）智能系統(tǒng)構(gòu)造技術(shù)

人工智能研究途徑：

（1）符號(hào)處理（2）網(wǎng)絡(luò)連接機(jī)制（3）系統(tǒng)集成2、知識(shí)是智能的基礎(chǔ)，對(duì)人工智能的研究必須以知識(shí)為中心來進(jìn)行，由于對(duì)知識(shí)的表示、利用、獲取等的研究取得較大進(jìn)展，特別是不確定性知識(shí)表示與推理取得的突破，建立了主觀Bayes理論、確定性理論、證據(jù)理論、可能性理論，對(duì)人工智能其他領(lǐng)域（如模式識(shí)別，自然語言理解等）的發(fā)展提供了支持。數(shù)據(jù)是信息的載體和表示，信息是數(shù)據(jù)在特定場(chǎng)合的具體含義，信息是數(shù)據(jù)的語義；把有關(guān)信息關(guān)聯(lián)在一起所形成的信息結(jié)構(gòu)叫知識(shí)。具有：相對(duì)正確性，不確定性，可表示性，可利用性等特征；按作用范圍分為常識(shí)性知識(shí)，領(lǐng)域性知識(shí)；按作用及表示分為事實(shí)性知識(shí)，過程性知識(shí)，控制性知識(shí)。按確定性分為確定性知識(shí)，不確定性知識(shí)；按結(jié)構(gòu)及表現(xiàn)形式分為邏輯性知識(shí)，形象性知識(shí)；從抽象的，整體的觀點(diǎn)來劃分可分為零級(jí)知識(shí)，一級(jí)知識(shí)，二級(jí)知識(shí)。知識(shí)表示方法總體上分為符號(hào)表示法，連接機(jī)制表示法；目前用得較多的知識(shí)表示方法主要有：一階謂詞邏輯表示，產(chǎn)生式，框架，語義網(wǎng)絡(luò)，腳本，過程，Petrio網(wǎng)，面向?qū)ο蟊硎痉?。選擇知識(shí)表示法時(shí)，要注意以下幾個(gè)方面：

（1）充分表示領(lǐng)域知識(shí)（2）有利于對(duì)知識(shí)的利用（3）便于對(duì)知識(shí)的組織、維護(hù)與管理（4）便于理解和實(shí)現(xiàn)

3、產(chǎn)生式系統(tǒng)構(gòu)成：規(guī)則庫，控制系統(tǒng)，綜合數(shù)據(jù)庫。綜合數(shù)據(jù)庫中已知事實(shí)表示：（特性 對(duì)象 值可信度因子）控制系統(tǒng)的求解過程是一個(gè)不斷地從規(guī)則庫中選取可用規(guī)則與綜合數(shù)據(jù)庫中已知事實(shí)進(jìn)行匹配的過程。產(chǎn)生式系統(tǒng)分類：按推理方向分為前向、后向和雙向產(chǎn)生式系統(tǒng)；按表示知識(shí)的確定性可分為確定性及不確定性產(chǎn)生式系統(tǒng)；按數(shù)據(jù)庫性質(zhì)及結(jié)構(gòu)特征進(jìn)行分類為可交換的產(chǎn)生式系統(tǒng)，可分解的產(chǎn)生式系統(tǒng)，可恢復(fù)的產(chǎn)生式系統(tǒng)?？蚣苁且环N描述所論對(duì)象屬性的數(shù)據(jù)結(jié)構(gòu)，由槽結(jié)構(gòu)組成，槽分為若干側(cè)面。問題求解主要通過匹配和填槽實(shí)現(xiàn)的；產(chǎn)生式表示法主要用于描述事物間的因果關(guān)系，框架表示法主要用于描述事物內(nèi)部結(jié)構(gòu)及事物間的類屬關(guān)系。語義網(wǎng)絡(luò)是通過概念及其語義關(guān)系來表達(dá)知識(shí)的一種網(wǎng)絡(luò)圖。一個(gè)過程規(guī)則包括激發(fā)條件，演繹操作，狀態(tài)轉(zhuǎn)換及返回四個(gè)部分。

4、推理就是按某種策略由已知判斷推出另一判斷的思維過程。按從新判斷推出的途徑來劃分，推理可分為演繹推理、歸納推理和默認(rèn)推理；按所用知識(shí)確定性分為確定性推理，不確定性推理；按推出的結(jié)論是否單調(diào)地增加來劃分為單調(diào)推理，非單調(diào)推理；按是否運(yùn)用與問題有關(guān)的啟發(fā)性知識(shí)分為啟發(fā)式推理，非啟發(fā)式推理；按基于方法的分為基于知識(shí)的推理，統(tǒng)計(jì)推理，直覺推理。推理的控制策略：推理方向，搜索策略，沖突消解策略，求解策略和限制策略。推理方向可確定推理的驅(qū)動(dòng)方式：正向推理，逆向推理，混合推理及雙向推理。

從一組已知為真的事實(shí)出發(fā)，直接運(yùn)用經(jīng)典邏輯的推理規(guī)則推出結(jié)論的過程稱為自然演繹推理，基本推理規(guī)則是P規(guī)則，T規(guī)則，假言推理，拒絕式推理等：

P規(guī)則：任何步驟可引入前提A

T規(guī)則：前面步驟有一個(gè)或多個(gè)公式永真蘊(yùn)涵公式S，可引入S

假言推理：P，P—>Q=> Q

拒絕式推理：P—>Q, 非Q=>非P

歸結(jié)演繹推理中，空字句是不滿足的，因此歸結(jié)的目標(biāo)是通過歸結(jié)使字句集中包含空字句，從而證明原命題的不可滿足性。歸結(jié)式是親本字句的邏輯結(jié)論。

不確定性推理是從不確定性的初始證據(jù)出發(fā)，通過運(yùn)用不確定性的知識(shí)，最終推出具有一定程度的不確定性但卻是合理或者近乎合理的理論的思維過程。

不確定推理的基本問題：推理方向，推理方法，控制策略，不確定性的表示和度量，不確定性匹配，不確定性傳遞算法，不確定性的合成。

知識(shí)的不確定性稱為知識(shí)的靜態(tài)強(qiáng)度；證據(jù)的不確定性稱為動(dòng)態(tài)強(qiáng)度

5、組合證據(jù)的不確定性算法：

最大最小方法

概率方法

有界方法

不確定性傳遞算法：

結(jié)論不確定性的合成：

6、主觀Bayes方法：

（1）知識(shí)不確定性表示（產(chǎn)生式規(guī)則）：

（2）證據(jù)不確定性表示：

（3）組合證據(jù)不確定性的算法：

（4）不確定性傳遞算法：

（5）結(jié)論不確定性的合成算法：

7、可信度方法：（C-F模型是基于可信度表示的不確定性推理的基本方法）

在可信度推理方法中的Ｃ-F模型里，可信度CF(H,E)的含義是：CF(H,E)>0表示Ｅ的出現(xiàn)增加了Ｈ的可信度；CF(H,E)=0表示Ｅ的出現(xiàn)與Ｈ可信度無關(guān)；CF(H,E)<0表示Ｅ的出現(xiàn)降低了Ｈ的可信度。

（1）知識(shí)不確定性表示：

（2）證據(jù)不確定性表示：

（3）組合證據(jù)不確定性算法：

（4）不確定性傳遞算法：

（5）結(jié)論不確定性合成算法（推理網(wǎng)絡(luò)）：

8、證據(jù)理論是用集合表示命題的，D是變量x所有可能取值的集合，且D中的元素是互斥的，在任一時(shí)刻x都取且只能取D中某一元素為值，則稱D為x的樣本空間。

信任函數(shù)與似然函數(shù)的關(guān)系：Pl(A)>=Bel(A), Bel(A)表示對(duì)A為真的信任程度，Pl(A)表示對(duì)A為非假的信任程度。Pl(A)-Bel(A)表示對(duì)Ａ不知道的程度，即既非對(duì)Ａ信任又不信任的那部分。

知識(shí)的不確定表示：IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn}ＣＦ是可信度因子

含有模糊概念、模糊數(shù)據(jù)或帶有確信程度的語句稱為模糊命題。一般表示形式為：

x is A(CF)x是論域上的變量，Ａ是模糊數(shù)，ＣＦ是該模糊命題的確信程度或

相應(yīng)事件發(fā)生的可能性程度。

10、人工智能解決的問題：結(jié)構(gòu)不良，非結(jié)構(gòu)化；盲目搜索按預(yù)定的控制策略進(jìn)行搜索，在搜索過程中獲得的中間信息不用來改進(jìn)控制策略；啟發(fā)式搜索加入了與問題有關(guān)的啟發(fā)性信息，用以指導(dǎo)搜索朝著最有希望的方向前進(jìn)，加速問題的求解過程并找到最優(yōu)解。

狀態(tài)空間表示法：（Ｓ，Ｆ，Ｇ）

11、專家系統(tǒng)就是一種在相關(guān)領(lǐng)域中具有專家水平解題能力的智能程序系統(tǒng)，它能運(yùn)用領(lǐng)域?qū)＜叶嗄攴e累的經(jīng)驗(yàn)與專門知識(shí)，模擬人類專家的思維過程，求解需要專家才能解決的困難問題。

特征：專家知識(shí)，有效推理，獲取知識(shí)能力，靈活性，透明性，交互性，復(fù)雜性

專家系統(tǒng)與常規(guī)計(jì)算機(jī)程序比較：＊

(1)常規(guī)程序＝數(shù)據(jù)結(jié)構(gòu)＋算法，專家系統(tǒng)＝知識(shí)＋推理

(2)常規(guī)程序分為數(shù)據(jù)級(jí)＋程序級(jí)，專家系統(tǒng)數(shù)據(jù)級(jí)＋知識(shí)庫級(jí)＋控制級(jí)

(3)常規(guī)程序面向數(shù)值計(jì)算和數(shù)據(jù)處理，專家系統(tǒng)本質(zhì)上是面向符號(hào)處理的(4)常規(guī)程序處理的數(shù)據(jù)多是精確的，專家系統(tǒng)處理不精確，模糊知識(shí)

(5)解釋功能

(6)都是程序系統(tǒng)

12、機(jī)器學(xué)習(xí)是要使計(jì)算機(jī)能模擬人的學(xué)習(xí)行為，自動(dòng)地通過學(xué)習(xí)獲取知識(shí)和技能，不斷改善性能，實(shí)現(xiàn)自我完善：

三個(gè)方面的研究內(nèi)容：（１）學(xué)習(xí)機(jī)理研究（２）學(xué)習(xí)方法研究（３）面向任務(wù)研究

學(xué)習(xí)系統(tǒng)是指能夠在一定程度上實(shí)現(xiàn)機(jī)器學(xué)習(xí)的系統(tǒng)，能夠從某個(gè)過程或環(huán)境的未知特征中學(xué)到有關(guān)信息，并且能把學(xué)到的信息用于未來的估計(jì)、分類、決策或控制，以便改進(jìn)系統(tǒng)的性能。在結(jié)構(gòu)上主要包括：學(xué)習(xí)環(huán)境，學(xué)習(xí)機(jī)構(gòu)，執(zhí)行與評(píng)估機(jī)構(gòu)和知識(shí)庫四個(gè)部分；各種符號(hào)學(xué)習(xí)方法中推理能力最強(qiáng)的學(xué)習(xí)方法是機(jī)械式學(xué)習(xí)，推理能力最弱的方法是觀察和發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)獲得的知識(shí)被存儲(chǔ)在神經(jīng)元之間的連接中。

學(xué)習(xí)系統(tǒng)具有的條件能力：

(1)具有適當(dāng)?shù)膶W(xué)習(xí)環(huán)境

(2)具有一定學(xué)習(xí)能力

(3)能應(yīng)用學(xué)到的知識(shí)求解問題

(4)能提高系統(tǒng)的性能

第三篇：《人工智能》學(xué)習(xí)報(bào)告

深圳大學(xué)碩士研究生課程作業(yè)—人工智能

《人工智能》學(xué)習(xí)報(bào)告

深圳大學(xué)機(jī)電與控制工程學(xué)院彭建柳

學(xué)號(hào)：0943010210

1.引言

人工智能(Artificial Intelligence，AI)，曾經(jīng)有一部電影，著名導(dǎo)演斯蒂文?斯皮爾伯格的科幻片《人工智能》(A.I.)對(duì)許多人的頭腦又一次產(chǎn)生了震動(dòng)，引起了一些人士了解并探索人工智能領(lǐng)域的興趣。人工智能對(duì)于普通人來說是那樣的可望而不可及，然而它卻吸引了無數(shù)研究人員為之奉獻(xiàn)才智，從美國的麻省理工學(xué)院(MIT)、卡內(nèi)基-梅隆大學(xué)(CMU)到IBM公司，再到日本的本田公司、SONY公司以及國內(nèi)的清華大學(xué)、中科院等科研院所，全世界的實(shí)驗(yàn)室都在進(jìn)行著AI技術(shù)的實(shí)驗(yàn)。

一直以來，關(guān)于人工智能的理論，我一直認(rèn)為是科學(xué)的前沿，理解起來較為飄渺。但是，從本學(xué)期《人工智能》課程的學(xué)習(xí)中，本人較系統(tǒng)的接觸到了關(guān)于人工智能的理論，從有限的課程中，通過老師的詳細(xì)介紹和查閱人工智能方面的書籍，學(xué)習(xí)了關(guān)于人工智能幾個(gè)主要方面的知識(shí)，如模糊控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等。下面是本人關(guān)于人工智能理論的一些基本認(rèn)識(shí)。

2.人工智能的形成與發(fā)展

說到人工智能，首先先認(rèn)識(shí)下自動(dòng)控制理論，自動(dòng)控制理論從形成到發(fā)展至今，已經(jīng)經(jīng)歷了六十多年的歷程，其主要分為三個(gè)階段：

務(wù)和現(xiàn)實(shí)模型的描述、符號(hào)和環(huán)境的識(shí)別以及知識(shí)庫和推理機(jī)的開發(fā)上，即智能控制的關(guān)鍵問題不是設(shè)計(jì)常規(guī)控制器，而是研制智能機(jī)器的模型。此外，智能控制的核心在高層控制，即組織控制。高層控制是對(duì)實(shí)際環(huán)境或過程進(jìn)行組織、決策和規(guī)劃，以實(shí)現(xiàn)問題求解。為了完成這些任務(wù)，需要采用符號(hào)信息處理、啟發(fā)式程序設(shè)計(jì)、知識(shí)表示、自動(dòng)推理和決策等有關(guān)技術(shù)。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的“智能”。

隨著人工智能和計(jì)算機(jī)技術(shù)的發(fā)展，已經(jīng)有可能把自動(dòng)控制和人工智能以及系統(tǒng)科學(xué)中一些有關(guān)學(xué)科分支(如系統(tǒng)工程、系統(tǒng)學(xué)、運(yùn)籌學(xué)、信息論)結(jié)合起來，建立一種適用于復(fù)雜系統(tǒng)的控制理論和技術(shù)。智能控制正是在這種條件下產(chǎn)生的。它是自動(dòng)控制技術(shù)的最新發(fā)展階段，也是用計(jì)算機(jī)模擬人類智能進(jìn)行控制的研究領(lǐng)域。1965年，傅京孫首先提出把人工智能的啟發(fā)式推理規(guī)則用于學(xué)習(xí)控制系統(tǒng)。1985年，在美國首次召開了智能控制學(xué)術(shù)討論會(huì)。1987年又在美國召開了智能控制的首屆國際學(xué)術(shù)會(huì)議，標(biāo)志著智能控制作為一個(gè)新的學(xué)科分支得到承認(rèn)。智能控制具有交叉學(xué)科和定量與定性相結(jié)合的分析方法和特點(diǎn)。

3.模糊控制

在傳統(tǒng)的控制領(lǐng)域里，控制系統(tǒng)動(dòng)態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關(guān)鍵，系統(tǒng)動(dòng)態(tài)的信息越詳細(xì)，則越能達(dá)到精確控制的目的。然而，對(duì)于復(fù)雜的系統(tǒng)，由于變量太多，往往難以正確的描述系統(tǒng)的動(dòng)態(tài)，于是工程師便利用各種方法來簡(jiǎn)化系統(tǒng)動(dòng)態(tài)，以達(dá)成控制的目的，但卻不盡理想。換言之，傳統(tǒng)的控制理論對(duì)于明確系統(tǒng)有強(qiáng)而有力的控制能力，但對(duì)于過于復(fù)雜或難以精確描述的系統(tǒng)，則顯得無能為力了。因此便嘗試著以模糊數(shù)學(xué)來處理這些控制問題。通過課堂中，導(dǎo)師生動(dòng)的講解，以及引用到生活當(dāng)中鮮活的例子，如冰箱溫度的模糊控制，智能汽車的行駛路線控制等等，充分的認(rèn)識(shí)到，模糊控制在當(dāng)今社會(huì)的應(yīng)用已經(jīng)很廣泛，只是理論知識(shí)的缺乏而感覺不到它們的存在。

一般控制架構(gòu)包括：定義變量、模糊化、知識(shí)庫、邏輯判斷及反模糊化，詳細(xì)如下：

(1)定義變量：也就是決定程序被觀察的狀況及考慮控制的動(dòng)作，例如在一般控制問題上，輸入變量有輸出誤差E與輸出誤差之變化率CE，而控制變量

則為下一個(gè)狀態(tài)之輸入U(xiǎn)。其中E、CE、U統(tǒng)稱為模糊變量。

(2)模糊化（fuzzify）：將輸入值以適當(dāng)?shù)谋壤D(zhuǎn)換到論域的數(shù)值，利用口語化變量來描述測(cè)量物理量的過程，依適合的語言值（linguisitc value）求該值相對(duì)之隸屬度，此口語化變量我們稱之為模糊子集合（fuzzy subsets）。

(3)知識(shí)庫：包括數(shù)據(jù)庫（data base）與規(guī)則庫（rule base）兩部分，其中數(shù)據(jù)庫是提供處理模糊數(shù)據(jù)之相關(guān)定義；而規(guī)則庫則藉由一群語言控制規(guī)則描述控制目標(biāo)和策略。

(4)邏輯判斷：模仿人類下判斷時(shí)的模糊概念，運(yùn)用模糊邏輯和模糊推論法進(jìn)行推論，而得到模糊控制訊號(hào)。此部分是模糊控制器的精髓所在。

(5)解模糊化（defuzzify）：將推論所得到的模糊值轉(zhuǎn)換為明確的控制訊號(hào)，做為系統(tǒng)的輸入值。

模糊控制很重要的一點(diǎn)就是模糊規(guī)則的制定，其規(guī)則制定的來源主要由專家的經(jīng)驗(yàn)和知識(shí)、操作員的操作模式、自學(xué)習(xí)提供。模糊規(guī)則的形式則分為狀態(tài)評(píng)估和目標(biāo)評(píng)估兩種。但都是以模糊控制為基礎(chǔ)，達(dá)到自動(dòng)控制的目的。

4.專家系統(tǒng)

專家系統(tǒng)(expert system)是人工智能應(yīng)用研究最活躍和最廣泛的課題之

一。運(yùn)用特定領(lǐng)域的專門知識(shí)，通過推理來模擬通常由人類專家才能解決的各種復(fù)雜的、具體的問題，達(dá)到與專家具有同等解決問題能力的計(jì)算機(jī)智能程序系統(tǒng)。它能對(duì)決策的過程作出解釋，并有學(xué)習(xí)功能，即能自動(dòng)增長解決問題所需的知識(shí)。

專家系統(tǒng)的發(fā)展已經(jīng)歷了3個(gè)階段，正向第四代過渡和發(fā)展。第一代專家系統(tǒng)（dendral、macsyma等）以高度專業(yè)化、求解專門問題的能力強(qiáng)為特點(diǎn)。但在體系結(jié)構(gòu)的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統(tǒng)（mycin、casnet、prospector、hearsay等）屬單學(xué)科專業(yè)型、應(yīng)用型系統(tǒng)，其體系結(jié)構(gòu)較完整，移植性方面也有所改善，而且在系統(tǒng)的人機(jī)接口、解釋機(jī)制、知識(shí)獲取技術(shù)、不確定推理技術(shù)、增強(qiáng)專家系統(tǒng)的知識(shí)表示和推理方法的啟發(fā)性、通用性等方面都有所改進(jìn)。第三代專家系統(tǒng)屬多學(xué)科綜合型系統(tǒng)，采用多種人工智能語言，綜合采用各種知識(shí)表示方法和多種推理機(jī)制及控制策略，并開始運(yùn)用各種知識(shí)工程語言、骨架系統(tǒng)及專家系統(tǒng)開發(fā)工具和

環(huán)境來研制大型綜合專家系統(tǒng)。在總結(jié)前三代專家系統(tǒng)的設(shè)計(jì)方法和實(shí)現(xiàn)技術(shù)的基礎(chǔ)上，已開始采用大型多專家協(xié)作系統(tǒng)、多種知識(shí)表示、綜合知識(shí)庫、自組織解題機(jī)制、多學(xué)科協(xié)同解題與并行推理、專家系統(tǒng)工具與環(huán)境、人工神經(jīng)網(wǎng)絡(luò)知識(shí)獲取及學(xué)習(xí)機(jī)制等最新人工智能技術(shù)來實(shí)現(xiàn)具有多知識(shí)庫、多主體的第四代專家系統(tǒng)。

對(duì)專家系統(tǒng)可以按不同的方法分類。通常，可以按應(yīng)用領(lǐng)域、知識(shí)表示方法、控制策略、任務(wù)類型等分類。如按任務(wù)類型來劃分，常見的有解釋型、預(yù)測(cè)型、診斷型、調(diào)試型、維護(hù)型、規(guī)劃型、設(shè)計(jì)型、監(jiān)督型、控制型、教育型等。

簡(jiǎn)而言之，專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計(jì)算機(jī)程序系統(tǒng)。

5.神經(jīng)網(wǎng)絡(luò)

由于神經(jīng)網(wǎng)絡(luò)是多學(xué)科交叉的產(chǎn)物，各個(gè)相關(guān)的學(xué)科領(lǐng)域?qū)ι窠?jīng)網(wǎng)絡(luò)都有各自的看法，因此，關(guān)于神經(jīng)網(wǎng)絡(luò)的定義，在科學(xué)界存在許多不同的見解。目前使用得最廣泛的是T.Koholen的定義，即“神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng)?！?/p>

人工神經(jīng)網(wǎng)絡(luò)是模擬人思維的第二種方式。這是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，其特色在于信息的分布式存儲(chǔ)和并行協(xié)同處理。雖然單個(gè)神經(jīng)元的結(jié)構(gòu)極其簡(jiǎn)單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為卻是極其豐富多彩的。

6.小結(jié)

關(guān)于人工智能的學(xué)習(xí)，我現(xiàn)在所學(xué)習(xí)到的僅僅是皮毛。但對(duì)于一個(gè)剛剛接觸人工智能學(xué)習(xí)的學(xué)生，了解如模糊控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等人工智能的知識(shí)入門尤為重要，為將來進(jìn)一步學(xué)習(xí)人工智能的理論打下基礎(chǔ)，并將理論應(yīng)用于生活和工作當(dāng)中，這才是學(xué)習(xí)的最終目的。

參考文獻(xiàn)：

《人工智能控制》作者：蔡自興，出 版 社：化學(xué)工業(yè)出版社，2005-7-1

第四篇：人工智能學(xué)習(xí)論文

20107932唐雪琴

人工智能研究最新進(jìn)展綜述

一、研究領(lǐng)域

在大多數(shù)數(shù)學(xué)科中存在著幾個(gè)不同的研究領(lǐng)域，每個(gè)領(lǐng)域都有著特有的感興趣的研究課題、研究技術(shù)和術(shù)語。在人工智能中，這樣的領(lǐng)域包括自然語言處理、自動(dòng)定理證明、自動(dòng)程序設(shè)計(jì)、智能檢索、智能調(diào)度、機(jī)器學(xué)習(xí)、專家系統(tǒng)、機(jī)器人學(xué)、智能控制、模式識(shí)別、視覺系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、agent、計(jì)算智能、問題求解、人工生命、人工智能方法、程序設(shè)計(jì)語言等。

在過去50多年里，已經(jīng)建立了一些具有人工智能的計(jì)算機(jī)系統(tǒng)；例如，能夠求解微分方程的，下棋的，設(shè)計(jì)分析集成電路的，合成人類自然語言的，檢索情報(bào)的，診斷疾病以及控制控制太空飛行器、地面移動(dòng)機(jī)器人和水下機(jī)器人的具有不同程度人工智能的計(jì)算機(jī)系統(tǒng)。人工智能是一種外向型的學(xué)科，它不但要求研究它的人懂得人工智能的知識(shí)，而且要求有比較扎實(shí)的數(shù)學(xué)基礎(chǔ)，哲學(xué)和生物學(xué)基礎(chǔ)，只有這樣才可能讓一臺(tái)什么也不知道的機(jī)器模擬人的思維。因?yàn)槿斯ぶ悄艿难芯款I(lǐng)域十分廣闊，它總的來說是面向應(yīng)用的，也就說什么地方有人在工作，它就可以用在什么地方，因?yàn)槿斯ぶ悄艿淖罡灸康倪€是要模擬人類的思維。參照人在各種活動(dòng)中的功能，我們可以得到人工智能的領(lǐng)域也不過就是代替人的活動(dòng)而已。哪個(gè)領(lǐng)域有人進(jìn)行的智力活動(dòng)，哪個(gè)領(lǐng)域就是人工智能研究的領(lǐng)域。人工智能就是為了應(yīng)用機(jī)器的長處來幫助人類進(jìn)行智力活動(dòng)。人工智能研究的目的就是要模擬人類神經(jīng)系統(tǒng)的功能。

二、各領(lǐng)域國內(nèi)外研究現(xiàn)狀（進(jìn)展成果）近年來，人工智能的研究和應(yīng)用出現(xiàn)了許多新的領(lǐng)域，它們是傳統(tǒng)人工智能的延伸和擴(kuò)展。在新世紀(jì)開始的時(shí)候，這些新研究已引起人們的更密切關(guān)注。這些新領(lǐng)域有分布式人工智能與艾真體（agent）、計(jì)算智能與進(jìn)化計(jì)算、數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)，以及人工生命等。下面逐一加以概略介紹。

1、分布式人工智能與艾真體

分布式人工智能（Distributed AI，DAI）是分布式計(jì)算與人工智能結(jié)合的結(jié)果。DAI系統(tǒng)以魯棒性作為控制系統(tǒng)質(zhì)量的標(biāo)準(zhǔn)，并具有互操作性，即不同的異構(gòu)系統(tǒng)在快速變化的環(huán)境中具有交換信息和協(xié)同工作的能力。

分布式人工智能的研究目標(biāo)是要?jiǎng)?chuàng)建一種能夠描述自然系統(tǒng)和社會(huì)系統(tǒng)的精確概念模型。DAI中的智能并非獨(dú)立存在的概念，只能在團(tuán)體協(xié)作中實(shí)現(xiàn)，因而其主要研究問題是各艾真體間的合作與對(duì)話，包括分布式問題求解和多艾真體系統(tǒng)（Multiagent System，MAS）兩領(lǐng)域。其中，分布式問題求解把一個(gè)具體的求解問題劃分為多個(gè)相互合作和知識(shí)共享的模塊或結(jié)點(diǎn)。多艾真體系統(tǒng)則研究各艾真體間智能行為的協(xié)調(diào)，包括規(guī)劃、知識(shí)、技術(shù)和動(dòng)作的協(xié)調(diào)。這兩個(gè)研究領(lǐng)域都要研究知識(shí)、資源和控制的劃分問題，但分布式問題求解往往含有一個(gè)全局的概念模型、問題和成功標(biāo)準(zhǔn)，而MAS則含有多個(gè)局部的概念模型、問題和成功標(biāo)準(zhǔn)。

MAS更能體現(xiàn)人類的社會(huì)智能，具有更大的靈活性和適應(yīng)性，更適合開放和動(dòng)

態(tài)的世界環(huán)境，因而倍受重視，已成為人工智能以至計(jì)算機(jī)科學(xué)和控制科學(xué)與工程的研究熱點(diǎn)。當(dāng)前，艾真體和MAS的研究包括理論、體系結(jié)構(gòu)、語言、合作與協(xié)調(diào)、通訊和交互技術(shù)、MAS學(xué)習(xí)和應(yīng)用等。MAS已在自動(dòng)駕駛、機(jī)器人導(dǎo)航、機(jī)場(chǎng)管理、電力管理和信息檢索等方面獲得應(yīng)用。

2、計(jì)算智能與進(jìn)化計(jì)算

計(jì)算智能（Computing Intelligence）涉及神經(jīng)計(jì)算、模糊計(jì)算、進(jìn)化計(jì)算等研究領(lǐng)域。其中，神經(jīng)計(jì)算和模糊計(jì)算已有較長的研究歷史，而進(jìn)化計(jì)算則是較新的研究領(lǐng)域。在此僅對(duì)進(jìn)化計(jì)算加以說明。

進(jìn)化計(jì)算（Evolutionary Computation）是指一類以達(dá)爾文進(jìn)化論為依據(jù)來設(shè)計(jì)、控制和優(yōu)化人工系統(tǒng)的技術(shù)和方法的總稱，它包括遺傳算法（Genetic Algorithms）、進(jìn)化策略（Evolutionary Strategies）和進(jìn)化規(guī)劃（Evolutionary Programming）。它們遵循相同的指導(dǎo)思想，但彼此存在一定差別。同時(shí)，進(jìn)化計(jì)算的研究關(guān)注學(xué)科的交叉和廣泛的應(yīng)用背景，因而引入了許多新的方法和特征，彼此間難于分類，這些都統(tǒng)稱為進(jìn)化計(jì)算方法。目前，進(jìn)化計(jì)算被廣泛運(yùn)用于許多復(fù)雜系統(tǒng)的自適應(yīng)控制和復(fù)雜優(yōu)化問題等研究領(lǐng)域，如并行計(jì)算、機(jī)器學(xué)習(xí)、電路設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)、基于艾真體的仿真、元胞自動(dòng)機(jī)等。

達(dá)爾文進(jìn)化論是一種魯棒的搜索和優(yōu)化機(jī)制，對(duì)計(jì)算機(jī)科學(xué)，特別是對(duì)人工智能的發(fā)展產(chǎn)生了很大的影響。大多數(shù)生物體通過自然選擇和有性生殖進(jìn)行進(jìn)化。自然選擇決定了群體中哪些個(gè)體能夠生存和繁殖，有性生殖保證了后代基因中的混合和重組。自然選擇的原則是適者生存，即物競(jìng)天擇，優(yōu)勝劣汰。

直到幾年前，遺傳算法、進(jìn)化規(guī)劃、進(jìn)化策略三個(gè)領(lǐng)域的研究才開始交流，并發(fā)現(xiàn)它們的共同理論基礎(chǔ)是生物進(jìn)化論。因此，把這三種方法統(tǒng)稱為進(jìn)化計(jì)算，而把相應(yīng)的算法稱為進(jìn)化算法。

3、數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)

知識(shí)獲取是知識(shí)信息處理的關(guān)鍵問題之一。20世紀(jì)80年代人們?cè)谥R(shí)發(fā)現(xiàn)方面取得了一定的進(jìn)展。利用樣本，通過歸納學(xué)習(xí)，或者與神經(jīng)計(jì)算結(jié)合起來進(jìn)行知識(shí)獲取已有一些試驗(yàn)系統(tǒng)。數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)是90年代初期新崛起的一個(gè)活躍的研究領(lǐng)域。在數(shù)據(jù)庫基礎(chǔ)上實(shí)現(xiàn)的知識(shí)發(fā)現(xiàn)系統(tǒng)，通過綜合運(yùn)用統(tǒng)計(jì)學(xué)、粗糙集、模糊數(shù)學(xué)、機(jī)器學(xué)習(xí)和專家系統(tǒng)等多種學(xué)習(xí)手段和方法，從大量的數(shù)據(jù)中提煉出抽象的知識(shí)，從而揭示出蘊(yùn)涵在這些數(shù)據(jù)背后的客觀世界的內(nèi)在聯(lián)系和本質(zhì)規(guī)律，實(shí)現(xiàn)知識(shí)的自動(dòng)獲取。這是一個(gè)富有挑戰(zhàn)性、并具有廣闊應(yīng)用前景的研究課題。

從數(shù)據(jù)庫獲取知識(shí)，即從數(shù)據(jù)中挖掘并發(fā)現(xiàn)知識(shí)，首先要解決被發(fā)現(xiàn)知識(shí)的表達(dá)問題。最好的表達(dá)方式是自然語言，因?yàn)樗侨祟惖乃季S和交流語言。知識(shí)表示的最根本問題就是如何形成用自然語言表達(dá)的概念。

機(jī)器知識(shí)發(fā)現(xiàn)始于1974年，并在此后十年中獲得一些進(jìn)展。這些進(jìn)展往往與專家系統(tǒng)的知識(shí)獲取研究有關(guān)。到20世紀(jì)80年代末，數(shù)據(jù)挖掘取得突破。越來越多的研究者加入到知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘的研究行列。現(xiàn)在，知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘已成為人工智能研究的又一熱點(diǎn)。

比較成功的知識(shí)發(fā)現(xiàn)系統(tǒng)有用于超級(jí)市場(chǎng)商品數(shù)據(jù)分析、解釋和報(bào)告的CoverStory系統(tǒng)，用于概念性數(shù)據(jù)分析和查尋感興趣關(guān)系的集成化系統(tǒng)EXPLORA，交互式大型數(shù)據(jù)庫分析工具KDW，用于自動(dòng)分析大規(guī)模天空觀測(cè)數(shù)據(jù)的SKICAT系統(tǒng)，以及通用的數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)系統(tǒng)KDD等。

4、人工生命

人工生命（Artificial Life，ALife）的概念是由美國圣菲研究所非線性研究組的蘭頓（Langton）于1987年提出的，旨在用計(jì)算機(jī)和精密機(jī)械等人工媒介生成或構(gòu)造出能夠表現(xiàn)自然生命系統(tǒng)行為特征的仿真系統(tǒng)或模型系統(tǒng)。自然生命系統(tǒng)行為具有自組織、自復(fù)制、自修復(fù)等特征以及形成這些特征的混沌動(dòng)力學(xué)、進(jìn)化和環(huán)境適應(yīng)。

人工生命所研究的人造系統(tǒng)能夠演示具有自然生命系統(tǒng)特征的行為，在“生命之所能”（life as it could be）的廣闊范圍內(nèi)深入研究“生命之所知”（life as we know it）的實(shí)質(zhì)。只有從“生命之所能”的廣泛內(nèi)容來考察生命，才能真正理解生物的本質(zhì)。人工生命與生命的形式化基礎(chǔ)有關(guān)。生物學(xué)從問題的頂層開始，把器官、組織、細(xì)胞、細(xì)胞膜，直到分子，以探索生命的奧秘和機(jī)理。人工生命則從問題的底層開始，把器官作為簡(jiǎn)單機(jī)構(gòu)的宏觀群體來考察，自底向上進(jìn)行綜合，把簡(jiǎn)單的由規(guī)則支配的對(duì)象構(gòu)成更大的集合，并在交互作用中研究非線性系統(tǒng)的類似生命的全局動(dòng)力學(xué)特性。

人工生命的理論和方法有別于傳統(tǒng)人工智能和神經(jīng)網(wǎng)絡(luò)的理論和方法。人工生命把生命現(xiàn)象所體現(xiàn)的自適應(yīng)機(jī)理通過計(jì)算機(jī)進(jìn)行仿真，對(duì)相關(guān)非線性對(duì)象進(jìn)行更真實(shí)的動(dòng)態(tài)描述和動(dòng)態(tài)特征研究。

人工生命學(xué)科的研究內(nèi)容包括生命現(xiàn)象的仿生系統(tǒng)、人工建模與仿真、進(jìn)化動(dòng)力學(xué)、人工生命的計(jì)算理論、進(jìn)化與學(xué)習(xí)綜合系統(tǒng)以及人工生命的應(yīng)用等。比較典型的人工生命研究有計(jì)算機(jī)病毒、計(jì)算機(jī)進(jìn)程、進(jìn)化機(jī)器人、自催化網(wǎng)絡(luò)、細(xì)胞自動(dòng)機(jī)、人工核苷酸和人工腦等。

三、學(xué)了人工智能課程的收獲

（1）了解人工智能的概念和人工智能的發(fā)展，了解國際人工智能的主要流派和路線，了解國內(nèi)人工智能研究的基本情況，熟悉人工智能的研究領(lǐng)域。

（2）較詳細(xì)地論述知識(shí)表示的各種主要方法。重點(diǎn)掌握了狀態(tài)空間法、問題歸約法和謂詞邏輯法，熟悉語義網(wǎng)絡(luò)法，了解知識(shí)表示的其他方法，如框架法、劇本法、過程法等。

（3）掌握了盲目搜索和啟發(fā)式搜索的基本原理和算法，特別是寬度優(yōu)先搜索、深度優(yōu)先搜索、等代價(jià)搜索、啟發(fā)式搜索、有序搜索、A*算法等。了解博弈樹搜索、遺傳算法和模擬退火算法的基本方法。

（4）掌握了消解原理、規(guī)則演繹系統(tǒng)和產(chǎn)生式系統(tǒng)的技術(shù)、了解不確定性推理、非單調(diào)推理的概念。

（5）概括性地了解了人工智能的主要應(yīng)用領(lǐng)域，如專家系統(tǒng)、機(jī)器學(xué)習(xí)、規(guī)劃系統(tǒng)、自然語言理解和智能控制等。

（6）基本了解人工智能程序設(shè)計(jì)的語言和工具。

四、對(duì)人工智能研究的展望

對(duì)現(xiàn)代社會(huì)的影響有多大？工業(yè)領(lǐng)域，尤其是制造業(yè)，已成功地使用了人工智能技術(shù)，包括智能設(shè)計(jì)、虛擬制造、在線分析、智能調(diào)度、仿真和規(guī)劃等。金融業(yè)，股票商利用智能系統(tǒng)輔助其分析，判斷和決策；應(yīng)用卡欺詐檢測(cè)系統(tǒng)業(yè)已得到普遍應(yīng)用。人工智能還滲透到人們的日常生活，CAD，CAM，CAI，CAP，CIMS等一系列智能產(chǎn)品給大家?guī)砹藰O大的方便，它還改變了傳統(tǒng)的通信方式，語音撥號(hào)，手寫短信的智能手機(jī)越來越人性化。

人工智能還影響了你們的文化和娛樂生活，引發(fā)人們更深層次的精神和哲學(xué)層面的思考，從施瓦辛格主演的《終結(jié)者》系列，到基努.里維斯主演的《黑客帝國》系列以及斯皮爾伯格導(dǎo)演的《人工智能》，都有意無意的提出了同樣的問題：我們應(yīng)該如何看待人工智能？如何看待具有智能的機(jī)器？會(huì)不會(huì)有一天機(jī)器的智能將超過人的智能？問題的答案也許千差萬別，我個(gè)人認(rèn)為上述擔(dān)心不太可能成為現(xiàn)實(shí)，因?yàn)槲覀兝斫馊斯ぶ悄懿⒉皇亲屗〈祟愔悄?，而是讓它模擬人類智能，從而更好地為人類服務(wù)。

當(dāng)前人工智能技術(shù)發(fā)展迅速，新思想，新理論，新技術(shù)不斷涌現(xiàn)，如模糊技術(shù)，模糊--神經(jīng)網(wǎng)絡(luò)，遺傳算法，進(jìn)化程序設(shè)計(jì)，混沌理論，人工生命，計(jì)算智能等。以Agent概念為基礎(chǔ)的分布式人工智能正在異軍突起，特別是對(duì)于軟件的開發(fā)，“面向Agent技術(shù)”將是繼“面向?qū)ο蠹夹g(shù)”后的又一突破。從萬維網(wǎng)到人工智能的研究正在如火如荼的開展。

五、對(duì)課程的建議

（1）能夠結(jié)合現(xiàn)在最新研究成果著重講解重點(diǎn)知識(shí)，以及講述在一些研究成果中人工智能那些知識(shí)被應(yīng)用。

（2）多推薦一些過于人工智能方面的電影，如：《終結(jié)者》系列、《黑客帝國》

系列、《人工智能》等，從而增加同學(xué)對(duì)這門課程學(xué)習(xí)的興趣。

（3）條件允許的話，可以安排一些實(shí)驗(yàn)課程，讓同學(xué)們自己制作一些簡(jiǎn)單的作品，增強(qiáng)同學(xué)對(duì)人工智能的興趣，加強(qiáng)同學(xué)之間的學(xué)習(xí)。

（4）課堂上多講解一些人工智能在各個(gè)領(lǐng)域方面的應(yīng)用，以及著重闡述一些

新的和正在研究的人工智能方法與技術(shù)，讓同學(xué)們可以了解近期發(fā)展起來的方法和技術(shù)，在講解時(shí)最好多舉例，再結(jié)合原理進(jìn)行講解，更助于同學(xué)們對(duì)人工智能的理解。

第五篇：《人工智能導(dǎo)論》學(xué)習(xí)心得體會(huì)

《人工智能導(dǎo)論》學(xué)習(xí)心得

大學(xué)第一次接觸《人工智能導(dǎo)論》這門課,通過老師的講解,我對(duì)人工智能有了一些簡(jiǎn)單的感性認(rèn)識(shí)，我覺得人工智能是一門具有挑戰(zhàn)性的科學(xué)，想要學(xué)好這門課程必須要懂得計(jì)算機(jī)知識(shí)以及基本的算法認(rèn)識(shí)。人工智能包括了十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，例如機(jī)器學(xué)習(xí)，計(jì)算機(jī)視覺等，總的來說，人工智能研究的主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。雖然在此門課程中對(duì)算法的實(shí)現(xiàn)不能獨(dú)立完成，但在一些簡(jiǎn)單的基本的算法上還是有一定的理解和認(rèn)識(shí)。我也在此次課程設(shè)計(jì)的過程中不斷的學(xué)習(xí)，反復(fù)的調(diào)式和思考問題，終于在我的堅(jiān)持下能夠很好地理解算法轉(zhuǎn)換為實(shí)際代碼的過程，也對(duì)算法有了更加清晰的思路。因此，我更加確信在自己的不斷努力下總是會(huì)有收獲的，只有堅(jiān)持下去，才有成功的希望。

人工智能在很多領(lǐng)域得到了發(fā)展川在我們的日常生活中發(fā)揮了重要的作用。如:機(jī)器翻譯,機(jī)器翻譯是利用計(jì)算機(jī)把一種自然語言轉(zhuǎn)換成其他語言的過程。用以完成這一過程的軟件系統(tǒng)叫做機(jī)器翻譯系統(tǒng),利用這個(gè)系統(tǒng)我們可以很方使的完成一些語言翻譯工作。目前,照內(nèi)的機(jī)器翻譯軟件有很多,富有代表性的當(dāng)屬金山，它可以迅速的咨詢英文單詞和句子翻譯,重要的是它還可以提供多種語言為用戶提供了極大的便利。

人工智能：像人一樣思考，理性的思考；像人一樣行動(dòng)，理性的行動(dòng)，如果你與一臺(tái)機(jī)器進(jìn)行對(duì)話，它能回答你的問題并且感受不到是機(jī)器在回答的話，就說這臺(tái)機(jī)器具有智能。當(dāng)然并不是通過測(cè)試就說明有智能，但現(xiàn)階段的研究主要還是弱人工智能：模仿人腦的基本功能，感知、記憶、學(xué)習(xí)和決策等，向著強(qiáng)人工智能以及超級(jí)人工智能發(fā)展的話還有很長的一段路要走，中間有著巨大的鴻溝。

人工智能經(jīng)歷3起2落，現(xiàn)在是機(jī)器學(xué)習(xí)階段，人工智能現(xiàn)在最熱門的領(lǐng)域：機(jī)器學(xué)習(xí)，自然語言處理，圖像，而在金融領(lǐng)域：智能投顧，高頻交易；互聯(lián)網(wǎng)領(lǐng)域：語音助手，機(jī)器翻譯，文本智能識(shí)別，聽歌識(shí)曲，刷臉解鎖（以色列的一項(xiàng)技術(shù)），拍照優(yōu)化，相冊(cè)分類，影像處理，AR特效，影像內(nèi)容審核及分類；智能規(guī)劃決策：博弈論（囚徒困境）；自動(dòng)駕駛領(lǐng)域：感知-認(rèn)知-決策-控制-執(zhí)行；公共安全領(lǐng)域；教育領(lǐng)域；泛信息處理（百度和谷歌可以關(guān)鍵字檢索速度很快，哈希算法）；醫(yī)療健康領(lǐng)域；工業(yè)制造領(lǐng)域；零售領(lǐng)域；廣告營銷領(lǐng)域；交通出行領(lǐng)域；智能客服領(lǐng)域

一些大公司在人工智能領(lǐng)域的投入和研究對(duì)于推動(dòng)人工智能的發(fā)展起到了很大的作用，最值得一提的就是谷歌。谷歌的免費(fèi)搜索表面上是為了方便人們的查詢，但這款搜索引擎推出的初衷就是為了幫助人工智能的深度學(xué)習(xí)，通過上億的用戶一次又一次地查詢，來鍛煉人工智能的學(xué)習(xí)能力，由于我的水平還很低，對(duì)于深度學(xué)習(xí)還不敢妄自揣測(cè)。但是，近年來谷歌公司在人工智能方面的突破一項(xiàng)接著一項(xiàng)，為人們熟知的便是智能汽車。不得不說，人工智能想要進(jìn)一步發(fā)展，必須依靠這些大公司的研究和不斷推廣，由經(jīng)濟(jì)促創(chuàng)新。