2022年最新人工智能技术导论考试复习重点总结.docx

《2022年最新人工智能技术导论考试复习重点总结.docx》由会员分享，可在线阅读，更多相关《2022年最新人工智能技术导论考试复习重点总结.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精品文档第一章人工智能： 主要讨论如何用人工的方法和技术,使用各种自动化机器或智能机器 主要指运算机 仿照、延长和扩展人的智能,实现某些机器思维或脑力劳动自动化；为什么要讨论人工智能：1一般运算机灵能低下,不能满意社会需求； 2 讨论人工智能也是当前信息化社会的迫切需求；3智能化是自动化进展的必定趋势；4讨论人工智能, 对人类自身智能的秘密也供应有益帮忙；远期目标 是要制造智能机器； 详细讲就是使运算机具有看、听、说、写等感知和交互才能,具有联想、学习、推理、懂得、学习等高级思维才能,仍要有分析问题解决问题和创造制造的才能；近期目标： 是实现机器智能；即先部分地或某种程度地实现机器智能,从而使

2、现有的运算机更敏捷好用和更聪慧有用；人工智能的讨论内容 1搜寻与求解 2学习与发觉 3学问与推理 4 创造与制造 5感知与沟通 6记忆与联想 7系统与建造 8应用与工程讨论途径与方法： 1心理模拟,符号推演 法就是以人脑的心理模型为依据,将问题或学问表示成某种规律网络,采用符号推演的方法,实现搜寻、推理、学习等功能,从宏观上来模拟人脑的思维,实现人工智能；2生理模拟,神经运算 就是用人工神经元组成的人工神经网络来作为信息和学问的载体,用称为神经运算的方法实现学习、记忆、联想、识别和推理等功能,从而来模拟人脑的智能行为,使运算机表现出某种智能；3行为模拟,掌握进化是一种基于感知行为模型的讨论途径

3、和方法,它是在模拟人在掌握过程中的智能活动和行为特性,如自适应,自寻优、自学习、自组织等,来讨论和实现人工智能；4群体模拟, 仿生运算 模拟生物群落的群体智能行为,从而实现人工智能； 5博采广鉴,自然运算就是仿照或借鉴自然界的某种机理而设计运算模型,这类运算模型通常是一类具有自适应、自组织、自学习、自寻优才能的算法；6原理分析,数学建模 就是通过对智能本质和原理的分析,直接采纳某种数学方法来建立智能行为模型；人工智能的基本技术1表示 a 符号智能的表示是学问表示b 运算智能的表示一般是对象表示2运算 a 符号智能的运算是基于学问表示的推理或符号操作b 运算智能的运算是基于对象表示的操作或运算3

4、搜寻 a 符号智能在问题空间内搜寻进行问题求解b 运算智能在解空间搜寻进行求解第三章1 广度优先搜寻的特点 广度优先中OPEN 表是一个队列, CLOSED 表是一个次序表,表中各节点按次序编号,正被考察的节点在表中编号最大,广度优先策略是完备的广度优先搜寻策略与问题无关,具有通用性； 缺点搜寻效率低；2. 深度优先搜寻的特点OPEN 表为一个堆栈； 一般不能保证找到最优解；当深度限制不合理时,可能找不到解,可以将算法改为可变深度限制,即有界深度优先搜寻；最坏情形时,搜寻空间等同于穷举；3. 加权状态图与代价树边上附有数值的状态图称为加权状态图或赋权状态图,这种数值称为权值；加权状态图的 搜寻

5、：加权状态图的搜寻与权值有关,并且要用权值来导 航；详细来讲,加权状态图的搜寻算法,要在一般状态图 搜寻算法基础上再增加权值的运算与传播过程,并且要由 权值来确定节点的扩展次序；4；综述图搜寻的方式和策略； 用运算机来实现图的搜寻有两种最基本 的方式：树式搜寻和线式搜寻； 树式搜寻 就是在搜寻过程中记录所经过的全部节点和边； 线式搜寻 就是在搜寻过程中只记录那些当前认为是处在所找路径上的节点和边；线式搜寻的基本方式又可分为不回溯和可回溯的 的两种； 图搜寻的策略 可分为：盲目搜寻和启示式搜寻；盲目搜寻就是无向导的搜寻；树式盲目搜寻就是穷举式搜 索；而线式盲目搜寻, 对于不回溯的就是随机碰撞式搜

6、寻,对于回溯的就也是穷举式搜寻；启示式搜寻 就是利用“启示性信息”引导的搜寻；启示式搜寻又可分为很多不同的策略,如全局择优、局部择优、正确图搜寻等；第四章三种遗传操作 : 1挑选 -复制 从种群中挑选适应度高的染色体进行复制,以生成下一代种群；2交叉 就是互换两个染色体某些位上的基因；3变异就是转变染色体某个 些 位上的基因；遗传算法 就是对种群中的染色体反复做三种遗传操作,使其朝着适应度增高的方向不断更新换代,直至显现了适应度满意目标条件的染色体为止；遗传算法的主要特点1遗传算法一般是直接在解空间搜寻,而不像图搜寻那样一般是在问题空间搜寻, 最终才找到解； 2遗传算法的搜寻随机地始于搜寻空间

7、的一个点集, 所以遗传算法是一种随机搜寻算法；3遗传算法总是在寻 找优解 , 所以遗传算法又是一种优化搜寻算法；4遗传算法的搜寻过程是从空间的一个点集种群 到另一个点集 种群 的搜寻； 5遗传算法的适应性强 , 除需知适应度函数外 , 几乎不需要其他的先验学问； 6遗传算法长于全局搜寻, 它不受搜寻空间的限制性假设的约束,不要求连续性 , 能以很大的概率从离散的、 多极值的、 含有噪声的高维问题中找到全局最优解；第六章产生式系统的基本结构产生式规章库：作用在全局数据库上的一些规章的集合；精品文档每条规章都有肯定的条件,如全局数据库中内容满意这些条件可调用这条规章；一般可形成一个称为推理网络的结

8、构图；对应过程性学问；推理机： 负责产生式规章的前提条件测试或匹配,规章的调度和选取,规章体的说明和执行；即推理机实施推理, 并对推理进行掌握,它也是规章的说明程序；对应掌握性学问；全局数据库： 人工智能系统的数据结构中心；是一个动态数据结构, 用来存放初始事实数据、 中间结果和最终结果；对应表达性学问；掌握策略与常用算法 :a 正向推理 从初始事实数据动身, 正向使用规章进行推理, 朝目标方向前进； 又称为前向推理、正向链、数据驱动的推理；b 反向推理 从目标动身,反向使用规章进行推理,朝初始事实或数据方向前进；又称反向推理、反向链、目标驱动的推理；问题求解、图搜寻和产生式系统的关系是：问题

9、求解是目的,图搜寻是方法,产生式系统是形式；第八章确定性理论E=E1 E2CFE=minCFE1 ,CFE2 E=E1 E2CFE=maxCFE1 ,CFE2 主观贝叶斯方法1) 证据确定存在的情形2) 证据确定不存在的情形3) 证据不确定的情形4) 多证据的总概率合成第一步： OH=PH/1-PH其次步： OH|E=LS*OH或 OH|非 E=LN*OH第三步 OH|E1E2=OH|E1/OH * OH|E2/OH * OH第四步 PH|E1E2=OH|E1E2/OH|E1E2+11. 不确定性及其类型学问和信息中含有的不愿定、不行靠、不精确、不精确、不严格、不严密、不完全甚至不一样的成分；

10、按性质分类： 狭义 不确定性；不准确性 模糊性 ；不完全性；不一样性狭义 不确定性 uncertainty 就是一个命题 亦即所表示的大事的真实性不能完全肯定,而只能对其为真的可能性给出某种估量；不准确性 模糊性 就是一个命题中所显现的某些言词其涵义不够准确,从概念角度讲, 就是其代表的概念的内涵没有硬性的标准或条件,其外延没有硬性的边界；2. 不确定性推理的一般模式不确定性推理符号推演信度运算3. 不确定性推理与通常的确定性推理的差别：(1) 不确定性推理中规章的前件能否与证据事实匹配胜利, 不但要求两者的符号模式能够匹配合一,而且要求证据事实所含的信度必需达“标”,即必需达到肯定的限度；这

11、个限度一般称为“阈值”；(2) 不确定性推理中一个规章的触发,不仅要求其前提能匹配胜利,而且前提条件的总信度仍必需至少达到阈值；(3) 不确定性推理中所推得的结论是否有效,也取决于其信度是否达到阈值；(4) 不确定性推理仍要求有一套关于信度的运算方法,包括 “与”关系的信度运算、“或”关系的信度运算、“非” 关系的信度运算和推理结果信度的运算等等；第九章学习： 学习是系统积存体会以改善其自身性能的过程；学习与体会有关；学习可以改善系统性能；学习是一个有反馈的信息处理与掌握过程；人机界面精品文档精品文档推理机说明模块机器学习的原理：或者说是为了获得函数的一种学习；典学问库动态数据库型的函数学习有

12、神经网络学习；D 类别学习： 即学习的目标和结果为对象类,学问库治理系统自学习模块1基于学习策略的分类:A模拟人脑的机器学习:a 符号学习：模拟人脑的宏观心理级学习过程,以认知心理学原理为基础,以符号数据为输入,以符号运算为方法,用推理过程在图或状态空间中搜寻, 学习的目标为概念或规章等；符号学习的典型方法有： 记忆学习、 示例学习、 演绎学习、类比学习、说明学习等； b 神经网络学习 或连接学习 ：模拟人脑的微观生理级学习过程,以脑和神经科学原理为基础,以人工神经网络为函数结构模型,以数值数据为输入, 以数值运算为方法,用迭代过程在系数向量空间中搜寻,学习的目标为函数；典型的连接学习有权值修

13、正学习、拓扑结构学习； B 直接采纳数学方法的机器学习:主要有统计机器学习 贝叶斯学习、贝叶斯网络学习、几何分类学习、支持向量机 SVM ；23基于学习方法的分类 :A 归纳学习 a 符号归纳学习：典型的符号归纳学习有示例学习,决策树学习；b 函数归纳学习 发觉学习 ：典型的函数归纳学习有神经网络学习、示例学习,发觉学习,统计学习；B 演绎学习 C 类比学习 ：典型的类比学习有案例 范例学习； D 分析学习 ：典型的分析学习有案例 范例学习、说明学习；3) 基于学习方式的分类A 有导师学习 监督学习 ： 输入数据中有导师信号,以概率函数、代数函数或人工神经网络为基函数模型,采纳迭代运算方法,学

14、习结果为函数；B 无导师学习 非监督学习 ：输入数据中无导师信号, 采纳聚类方法,学习结果为类别；典型的无导师学习有发觉学习、聚类、竞争学习等；C 强化学习 增强学习 ：以环境反馈 奖/惩信号 作为输入,以统计和动态规划技术为指导的一种学习方法；4) 基于数据形式的分类A 结构化学习： 以结构化数据为输入,以数值运算或符号推演为方法；典型的结构化学习有神经网络学习、统计学习、决策树学习、规章学习；B 非结构化学习： 以非结构化数据为输入,典型的非结构化学习有类比学习、案例学习、说明学习、文本挖掘、图像挖掘、 Web 挖掘等；5) 基于学习目标的分类A 概念学习： 即学习的目标和结果为概念,或者

15、说是为了获得概念的一种学习；典型的概念学习有示例学习；B 规章学习： 即学习的目标和结果为规章,或者说是为了获得规章的一种学习；典型的规章学习有决策树学习； C 函数学习： 即学习的目标和结果为规章,或者说是为了获得类别的一种学习；典型的类别学习有聚 类分析； E 贝叶斯网络学习： 即学习的目标和结果是贝叶斯网络,或者说是为了获得贝叶斯网络的一种学习；其又 可分为结构学习和参数学习；符号学习： 1记忆学习： 又称死记硬背学习或机械学习, 这种学习方法不要求系统具有对复杂问题求解的才能,也 就是没有推理才能,系统的学习方法就是直接记录与问题 有关的信息, 然后检索并利用这些储备的信息来解决问题；

16、2示例学习 也称实例学习 , 它是一种归纳学习； 示例学习是从如干实例中归纳出一般概念或规章的学习方法；3决策树学习 ：归纳学习,用构造形数据结构的方法,从一批事实数据集中归纳出如干条分类、决策规章4演绎学习： 基于演绎推理的一种学习；演绎推理是一种保真变换,即如前提真就推出的结论也真5 类比学习： 基于类比推理的学习方法,就是查找和利用事物间的可类比的关系,而从已有的学问推导出未知的学问第十二章专家的特点： 拥有丰富的专业学问和实践体会；具有特殊的思维方式 专家系统的要素： 应用于某特地领域；拥有 专 家 级 学问；模拟专家思维；达到专家级水平；专家系统特点：善于解决不确定性的、非结构化的、

17、没有算法解或有算法解但在机器上无法实施的困难问题；靠知 识和推理来解决问题,专家系统是基于学问的智能问题求 解系统；强调学问与推理的分别,系统具有敏捷性和可扩 充性；具有说明功能,回答用户提出的问题和处理问题的 过程作出说明推理机： 实现推理的程序；使用学问库中的学问进行推理而解决问题的,是专家的思维机制；人机界面： 用户通过界面对系统实现推理的程序；使用学问库中的学问进行推理而解决问题的,是专家的思维机制；提出或回答疑题,向系统供应原始数据和事实；系统通过界面对用户提出回 答结果； 动态数据库： 全局数据库,存放初始证据事实、推理结果和掌握信息； 说明模块： 推理过程中,回答 why 之类的

18、问题；推理终止后,回答 how 之类问题； 学问库： 某种表示形式储备于运算机中的学问的集合；包括专家知识、领域学问和元学问； 学问库治理系统： 治理学问库的精品文档建立删除重组学问的猎取、学问的检查2实际结构：精品文档1总控实际问题错综复杂,可能需要多次推理,所以学问库是多层的或多块的；2处处理理模模块块1n专专实际问题往往不仅需要推理,而模模家家且仍需要做一些处理,所以增加块块处理模块；1m层次n层次2 层次1掌握机构监督程序调度程序学问源n学问源2 学问源1黑板： 分层的全局工作区,用来储备初始 数据、中间结果和最 终结果； 学问源： 就是学问模块；一个知 识 源 可 视 为 一 个 规

19、黑板学问源就,包括先决条件和学问源题； 掌握结构： 求解问题的推理机构,挑选合适的学问源；专家系统的一般步骤有哪些？专家系统的开发与一般的软件系统开发相比较,有哪些共同点和特点？ 专家系统与一般的软件系统开发无异,其开发过程同样要遵循软件工程的步骤和原就,即也要进行系统分析、系统设计等几个阶段的工作；但由于它是专家系统,而不是一般的软件系统,所以,又有其特殊的地方,主要包括 以下几个步骤：系统总体分析与设计；学问猎取；学问表 示与学问描述语言设计；学问库设计、学问库治理系统设 计；推理机与说明模块设计；总控与界面设计编程与调试-测试与评判运行与保护3可以看出它有如下特点：学问猎取和学问表示设计是一切工作的起点；学问表示与学问 描述语言确定后,其他设计可同时进行；