知識點是通過老師上課ppt整理，對于期末復(fù)習(xí)的基本考點都有涉及，以及計算題部分都有例題進行講解，希望能幫助大家更好的復(fù)習(xí)。

人工智能

一、緒論

1. 智能的主要流派：
   • 思維理論：智能的核心是思維
   • 知識閾值理論：智能取決于知識的數(shù)量及一般化程度
   • 進化理論：用控制取代知識的表示
2. 
3. 智能的特征：
   1. 感知能力
   2. 記憶與思維能力
      1. 邏輯思維（抽象思維）
         1. 依靠邏輯進行思維。
            思維過程是串行的。
            容易形式化。
            思維過程具有嚴(yán)密性、可靠性。
      2. 形象思維（直感思維）
         1. 依據(jù)直覺。
            思維過程是并行協(xié)同式的。
            形式化困難。
            在信息變形或缺少的情況下仍有可能得到比較滿意的結(jié)果
      3. 頓悟思維（靈感思維）
         1. 不定期的突發(fā)性。
            非線性的獨創(chuàng)性及模糊性。
            穿插于形象思維與邏輯思維之中
   3. 學(xué)習(xí)能力
   4. 行為能力

二、知識表示與知識圖譜

1. 知識的特性：

   1. 相對正確性
   2. 不確定性
   3. 可表示性與可利用性

2. 知識的分類：

   1. 按知識的范圍：
      1. 常識性知識
      2. 領(lǐng)域性知識
   2. 按知識的作用以表示劃分：
      1. 事實性知識
      2. 過程性知識
      3. 控制性知識
   3. 按知識的確定性：
      1. 確定性
      2. 不確定性
   4. 按人類的思維：
      1. 邏輯性知識
      2. 形象性知識
   5. 按知識的獲取方式：
      1. 顯性知識
      2. 隱性知識

3. 知識表示：就是把知識用計算機可接受的符號并以某種形式描述出來。

4. 狀態(tài)空間表示法（后續(xù)會有詳細展開）

5. 一階謂詞邏輯表示法（離散學(xué)過，就不再整理）

6. 產(chǎn)生式表示法

   1. 確定性規(guī)則知識的產(chǎn)生式表示
      
   2. 不確定性規(guī)則知識的產(chǎn)生式表示
      
   3. 確定性事實性知識的產(chǎn)生式表示
      
   4. 不確定性事實性知識的產(chǎn)生式表示
      

7. 產(chǎn)生式系統(tǒng)

   1. 規(guī)則庫RB(Rule Base)：用于描述相應(yīng)領(lǐng)域內(nèi)知識的產(chǎn)生式集合【也稱知識庫KB：用于存放與求解問題有關(guān)的所有規(guī)則的集合】

      1. 作用：是產(chǎn)生式系統(tǒng)問題求解的基礎(chǔ)
      2. 要求：知識的完整性、一致性、準(zhǔn)確性、靈活性和知識組織的合理性

   2. 綜合數(shù)據(jù)庫DB(Data Base)：一個用于存放問題求解過程中各種當(dāng)前信息的數(shù)據(jù)結(jié)構(gòu)。

   3. 推理機：由一組程序組成，負責(zé)整個產(chǎn)生式系統(tǒng)的運行，實現(xiàn)對問題的求解。

      1. 推理：將規(guī)則與事實進行匹配，所謂匹配就是將規(guī)則的前提與綜合數(shù)據(jù)庫中的已知事實進行比較

      2. 沖突消解：匹配成功的規(guī)則可能不止一條，發(fā)送沖突，推理機必須按照某種策略選擇其中一條執(zhí)行。

      3. 執(zhí)行規(guī)則：執(zhí)行某一規(guī)則時，如果其右部是一個或多個結(jié)論，則把這些結(jié)論加入到綜合數(shù)據(jù)庫中：如果其右部是一個或多個操作，則執(zhí)行這些操作。對于不確定性知識，在執(zhí)行每一條規(guī)則時還要按一定的算法計算結(jié)論的不確定性。

      4. 終止推理：檢查綜合數(shù)據(jù)庫中是否包含了最終結(jié)論，決定是否停止系統(tǒng)的運行。

      5. 產(chǎn)生式系統(tǒng)的例子（為了解產(chǎn)生式如何表示，為后面的計算做鋪墊）
         

      6. 產(chǎn)生式表示法的特點

         1. 優(yōu)點：自然性；模塊性；有效性；清晰性；
         2. 缺點：效率不高；不能表達結(jié)構(gòu)性知識；
         3. 適合產(chǎn)生式表示的知識：
            1. 領(lǐng)域知識間關(guān)系不密切，不存在結(jié)構(gòu)關(guān)系。
            2. 經(jīng)驗性及不確定性的知識，且相關(guān)領(lǐng)域中對這些知識沒有嚴(yán)格、統(tǒng)一的理論。
            3. 領(lǐng)域問題的求解過程可被表示為一系列相對獨立的操作，且每個操作可被表示為一條或多條產(chǎn)生式規(guī)則。

8. 語義網(wǎng)絡(luò)表示法

   1. 語義網(wǎng)絡(luò)：語義網(wǎng)絡(luò)是一種用實體及其語義關(guān)系來表達知識的有向圖。一個語義網(wǎng)絡(luò)主要包括了兩個部分：事件，以及事件之間的關(guān)系。

   2. 可以表示的知識關(guān)系：類屬關(guān)系（常用的屬性：Is-a；A-Kind-of；A-Member-of；Instance-of）；包含關(guān)系（Part-of）；屬性關(guān)系（Have；Can）；時間關(guān)系（Before；After；At）；位置關(guān)系（Located-at，Located-on，under，inside，outside）；相近關(guān)系（Similar-to；Near-to）；因果關(guān)系；組成關(guān)系

   3. 語義網(wǎng)絡(luò)表示例子
      

   4. 例題：
      
      答案：
      

   5. 特點：

      1. 結(jié)構(gòu)性
      2. 聯(lián)想性
      3. 自索引性
      4. 自然性
      5. 非嚴(yán)格性

9. 知識圖譜

   1. 知識圖譜是用圖譜的形式表示知識

      1. 是一種揭示實體之間關(guān)系的語義網(wǎng)絡(luò)
      2. 多關(guān)系圖，由多種類型的節(jié)點和多種類型的邊來組成

   2. 相關(guān)概念：

      1. 知識庫(Knowledge Base)是人工智能的經(jīng)典概念之一。 最早作為專家系統(tǒng)(Expert System)的組成部分，用于實現(xiàn)決策推理。知識庫中的知識有很多種不同的形式，例如本體知識、關(guān)聯(lián)性知識、規(guī)則庫和案例知識等
      2. 鏈接數(shù)據(jù)(Linked Data)是由Tim Berners Lee 于2006年提出，為了強調(diào)語義互聯(lián)網(wǎng)的目的建立數(shù)據(jù)之間的鏈接，而非僅僅把結(jié)構(gòu)化的數(shù)據(jù)發(fā)布到網(wǎng)上。鏈接數(shù)據(jù)最接近于知識圖譜的概念
      3. 語義網(wǎng)絡(luò)(Semantic Network) 最早是1960年由認知科學(xué)家Allan M. Collins 作為知識表示的一種方法提出。其中WordNet是最典型的語義網(wǎng)絡(luò)。與知識圖譜相比，早期的語義網(wǎng)絡(luò)更加側(cè)重描述概念及其之間的關(guān)系，而知識圖譜更加強調(diào)數(shù)據(jù)或事物之間的鏈接

   3. 知識圖譜的邏輯結(jié)構(gòu)

      1. 模式層：數(shù)據(jù)模型是按照本體論的思想，勾畫出來的數(shù)據(jù)組織模式，數(shù)據(jù)模型可以展示數(shù)據(jù)的組織方式和相互關(guān)系。例如：創(chuàng)建動植物的數(shù)據(jù)模型，可以按照動植物的通用分類標(biāo)準(zhǔn)，使用七個主要級別：界、門、綱、目、科、屬、種 。數(shù)據(jù)模型除了確定對象之間的分類、關(guān)系，還要明確對象的屬性。其中分類、關(guān)系反映了數(shù)據(jù)之間的關(guān)系特征，屬性反映了數(shù)據(jù)的內(nèi)在特征。不同類型的知識圖譜，組織數(shù)據(jù)的方式也有所不同，涉及到具體數(shù)據(jù)的內(nèi)容也有差別。比如對于一個人物來說，如果是歷史知識圖譜，可能人物數(shù)據(jù)的內(nèi)容主要側(cè)重于人物的生平，主要事跡，人物關(guān)系等，如果是文學(xué)知識圖譜，人物數(shù)據(jù)的內(nèi)容則會主要側(cè)重人物的主要作品，師承關(guān)系，作品流派等。
      2. 數(shù)據(jù)層：數(shù)據(jù)層中就是具體一條條的數(shù)據(jù)，它是依據(jù)數(shù)據(jù)模型組織起來的。我們可以把數(shù)據(jù)模型看作是骨架，把具體數(shù)據(jù)看作是肌肉，兩部分共同組成了一個健壯的整體。知識以事實（fact）為單位存儲在圖數(shù)據(jù)庫，通常以“實體-關(guān)系-實體”或者“實體-屬性-值”三元組作為事實（fact）的基本表達方式。存儲在圖數(shù)據(jù)庫中的所有數(shù)據(jù)將構(gòu)成龐大的實體關(guān)系網(wǎng)絡(luò)，形成知識的“圖譜”

   4. 知識圖譜的兩種構(gòu)建方式

      1. 自頂向下：自頂向下的構(gòu)建方式，是指先確定知識圖譜的數(shù)據(jù)模型，再根據(jù)模型去填充具體數(shù)據(jù)。數(shù)據(jù)模型的設(shè)計，是知識圖譜的頂層設(shè)計，根據(jù)知識圖譜的特點確定數(shù)據(jù)模型，就相當(dāng)于確定了知識圖譜收集數(shù)據(jù)的范圍，以及數(shù)據(jù)的組織方式。這種構(gòu)建方式，一般適用于行業(yè)知識圖譜的構(gòu)建，對于一個行業(yè)來說，數(shù)據(jù)內(nèi)容，數(shù)據(jù)組織方式相對來說比較容易確定。比如對于法律領(lǐng)域的知識圖譜，可能會以法律分類，法律條文，法律案例等等的方式組織。
      2. 自下向上：自下向上的構(gòu)建方式，是指先按照三元組的方式收集具體數(shù)據(jù)，然后根據(jù)數(shù)據(jù)內(nèi)容來提煉數(shù)據(jù)模型。 采用這種方式構(gòu)建知識圖譜，是因為在開始構(gòu)建知識圖譜的時候，還不清楚收集數(shù)據(jù)的范圍，也不清楚數(shù)據(jù)怎么使用，就是先把所有的數(shù)據(jù)收集起來，形成一個龐大的數(shù)據(jù)集，然后再根據(jù)數(shù)據(jù)內(nèi)容，總結(jié)數(shù)據(jù)的特點，將數(shù)據(jù)進行整理、分析、歸納、總結(jié)，形成一個框架，也就是數(shù)據(jù)模型。一般公共領(lǐng)域的知識圖譜采用這種方式

   5. 知識圖譜的數(shù)據(jù)存儲

      1. 原始數(shù)據(jù)類型：

         結(jié)構(gòu)化數(shù)據(jù)（Structed Data）：如關(guān)系數(shù)據(jù)庫
         半結(jié)構(gòu)化數(shù)據(jù)（Semi-Structed Data）：如XML、JSON、百科
         非結(jié)構(gòu)化數(shù)據(jù)（UnStructed Data）：如圖片、音頻、視頻、文本

      2. 存儲方式

         1. RDF(Resource Description Framework)存儲

            1. RDF本質(zhì)是一個數(shù)據(jù)模型（Data Model）,它提供了一個統(tǒng)一的標(biāo)準(zhǔn)，用于描述實體/資源。RDF形式上表示為SPO三元組。三元組被用來表示實體與實體間的關(guān)系,或者實體的某個屬性的值是什么。從內(nèi)容上其結(jié)構(gòu)為 “資源-屬性-屬性值” ，資源實體由URI表示，屬性值可以是另一個資源實體的URI，也可以是某種數(shù)據(jù)類型的值
               

            2. RDF序列化的方式主要有：RDF/XML，N-Triples，Turtle，RDFa，JSON-LD等幾種

         2. 圖數(shù)據(jù)庫存儲

            1. 圖數(shù)據(jù)庫的結(jié)構(gòu)定義相比RDF數(shù)據(jù)庫更為通用，實現(xiàn)了圖結(jié)構(gòu)中的節(jié)點，邊以及屬性來進行圖數(shù)據(jù)的存儲，典型的開源圖數(shù)據(jù)庫就是Neo4j。
            2. 圖數(shù)據(jù)庫源于圖理論，它包含節(jié)點和關(guān)系，具有如下幾個特征：
               1. 節(jié)點(node)：通常表示實體，例如人員、賬戶、事件等，節(jié)點可以有屬性和標(biāo)簽。
               2. 邊(edge)：又被稱為關(guān)系(relationships)，具有名字和方向，并有開始節(jié)點和一個結(jié)束節(jié)點，邊是圖數(shù)據(jù)庫中最顯著的一個特征，在RDBMS中沒有對應(yīng)實現(xiàn)。
               3. 屬性(properties)：類似KV數(shù)據(jù)庫中的鍵值對，節(jié)點和邊都可以有屬性。

   6. 知識圖譜的構(gòu)建過程

      1. 知識抽?。褐R抽取即從不同來源、不同結(jié)構(gòu)的數(shù)據(jù)中進行知識提取，形成知識(結(jié)構(gòu)化數(shù)據(jù))存入到知識圖譜
      2. 知識融合：多個來源的關(guān)于同一個實體或概念的描述信息融合起來
      3. 知識加工：通過信息抽取，從原始語料中提取出了實體、關(guān)系與屬性等知識要素，并且經(jīng)過知識融合，消除實體指稱項與實體對象之間的歧義，得到一系列基本的事實表達。

三、確定性推理

1. 推理

   1. 推理方式及其分類

      1. 演繹推理：一般 → 個別（也就是我們常說的三段論的推理）

      2. 歸納推理：個別 → 一般

         1. 完全歸納推理（必然性推理）
         2. 不完全歸納推理（非必然性推理）

      3. 默認推理（default reasoning，缺省推理）：知識不完全的情況下假設(shè)某些條件已經(jīng)具備所進行的推理

      4. 確定性推理、不確定性推理

         1. 確定性推理：推理時所用的知識與證據(jù)都是確定的，推出的結(jié)論也是確定的，其真值或者為真或者為假。
         2. 不確定性推理：推理時所用的知識與證據(jù)不都是確定的，推出的結(jié)論也是不確定的。

      5. 單調(diào)推理、非單調(diào)推理（按推出的結(jié)論是否越來越接近目標(biāo)來劃分）

         1. 單調(diào)推理：隨著推理向前推進及新知識的加入，推出的結(jié)論越來越接近最終目標(biāo)
         2. 非單調(diào)推理：由于新知識的加入，不僅沒有加強已推出的結(jié)論，反而要否定它，使推理退回到前面的某一步，重新開始。

      6. 啟發(fā)式推理、非啟發(fā)式推理（按推理過程中是否運用與問題有關(guān)的啟發(fā)性知識來劃分）

         PS：啟發(fā)性知識：與問題有關(guān)且能加快推理過程、提高搜索效率的知識。

   2. 推理的方向

      1. 正向推理
      2. 反向推理
      3. 混合推理
      4. 雙向推理

   3. 沖突消解策略

      1. 已知事實與知識的三種匹配情況：
         1. 恰好匹配成功（一對一）
         2. 不能匹配成功
         3. 多種匹配成功（一對多、多對一、多對多）【這個時候需要進行沖突消解】
      2. 多種沖突消解策略：
         1. 按針對性排序
         2. 按已知事實的新鮮性排序
         3. 按匹配度排序
         4. 按條件個數(shù)排序

2. 自然演繹推理（就是離散中謂詞邏輯推理規(guī)則，這里不再贅述）

3. 歸結(jié)演繹推理???

   1. 定理：Q 為 P₁，P₂，…，P_n的邏輯結(jié)論，當(dāng)且僅當(dāng)（P₁∧P₂∧…₁∧P_n）∧﹃Q是不可滿足的。
      

   2. 謂詞公式化為子句集的方法

      1. 消去謂詞公式中的“→”和“ ?”符號
      2. 把否定符號"﹃"移到緊靠謂詞的位置上
      3. 變量標(biāo)準(zhǔn)化
      4. 消去存在量詞
      5. 化為前束形
      6. 化為標(biāo)準(zhǔn)形
      7. 略去全稱量詞
      8. 消去合取詞，把母式用子句集表示
      9. 子句變量標(biāo)準(zhǔn)化

      例子：
      
      

   3. 魯賓遜歸結(jié)原理（消解原理）的基本思想：

      檢查子句集 S 中是否包含空子句，若包含，則 S 不可滿足；若不包含，在 S 中選擇合適的子句進行歸結(jié)，一旦歸結(jié)出空子句，就說明 S 是不可滿足的

      1. 歸結(jié)：設(shè)C₁與C₂是子句集中的任意兩個子句，如果 C₁中的文字L₁與 C₂中的文字L₂互補，那么從C₁和 C₂中分別消去L₁和L₂，并將二個子句中余下的部分析取，構(gòu)成一個新子句C₁₂ 。

         

      2. 置換：置換可簡單的理解為是在一個謂詞公式中用置換項去替換變量。例如， {a/x, c/y, f(b)/z} 是一個置換。

      3. 合一：合一可理解為是尋找項對變量的置換，使兩個謂詞公式一致?？啥x為：設(shè)有公式集F={F₁, F₂,…,F_n}，若存在一個置換θ，可使F₁θ=F₂θ=…=F_nθ，則稱θ是F的一個合一。稱F₁,F₂,…,F_n是可合一的。一般來說，一個公式集的合一不是唯一的。

      4. 最一般合一：設(shè)σ是公式集F的一個合一，如果對F的任一個合一θ都存在一個置換λ，使得θ=σ°λ，則稱σ是一個最一般合一(MGU)。一個公式集的最一般合一是唯一的。

      例題：

      

      

   4. 歸結(jié)反演

      1. 步驟：

         1. 將已知前提表示為謂詞公式F
         2. 將待證明的結(jié)論表示為謂詞公式Q，并否定得到﹁ Q
         3. 把謂詞公式集{F，﹁Q} 化為子句集
         4. 應(yīng)用歸結(jié)原理對子句集S中的子句進行歸結(jié)，并把每次 歸結(jié)得到的歸結(jié)式都并入到S中。如此反復(fù)進行，若出 現(xiàn)了空子句，則停止歸結(jié)，此時就證明了Q為真

         例題：
         
         
         
         

   5. 應(yīng)用歸結(jié)原理求解問題

      1. 步驟：

         1. 已知前提 F 用謂詞公式表示，并化為子句集 S
         2. 把待求解的問題 Q 用謂詞公式表示，并否定 Q，再與 ANSWER 構(gòu)成析取式（﹁ Q ∨ ANSWER ）
         3. 把（﹁ Q∨ ANSWER） 化為子句集，并入到子句集 S中，得到子句集 S^’
         4. 對 S^’應(yīng)用歸結(jié)原理進行歸結(jié)
         5. 若得到歸結(jié)式 ANSWER ，則答案就在 ANSWER 中

         例題：
         
         
         
         

   6. 證據(jù)理論

      1. 信任函數(shù)
         

      2. 似然函數(shù)
         

      3. 概率分配函數(shù)的正交和（證據(jù)的組合）

         1. 

         2. 

         3. 

         4. 信任函數(shù) Bel(A)和似然函數(shù)Pl(A)分別來表示命題A的信任度的下限和上限。同樣，也可用它來表述知識強度的下限和上限。這樣，就可在此表示的基礎(chǔ)上建立相應(yīng)的不確定性推理模型。

         5. 基于證據(jù)理論的不確定性推理的步驟：

            1. 建立問題的樣本空間D
            2. 由經(jīng)驗給出，或者由隨機性規(guī)則和事實的信任度計算基本概率分配函數(shù)
            3. 計算所關(guān)心的子集的信任函數(shù)值、似然函數(shù)值。
            4. 由信任函數(shù)值、似然函數(shù)值得出結(jié)論

            例題：

            
            
            
            

四、不確定性推理方法

1. 出現(xiàn)不確定性的原因和特征：證據(jù)的不確定性；規(guī)則的不確定性；方法的不確定性

2. 不確定性推理：從不確定性的初始證據(jù)出發(fā)，通過運用不確定性的知識，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結(jié)論的思維過程。

3. 可信度方法???

   1. 它是不確定性推理中非常簡單且又十分有效的一種推理方法，優(yōu)點：直觀、簡單，且效果好

      1. 可信度：根據(jù)經(jīng)驗對一個事物或現(xiàn)象為真的相信程度
      2. C－F模型：基于可信度表示的不確定性推理的基本方法。其它可信度方法都是在此基礎(chǔ)上發(fā)展起來的

   2. 知識不確定性的表示

      1. CF（H，E）的取值范圍: [-1,1]。
         若由于相應(yīng)證據(jù)的出現(xiàn)增加結(jié)論 H 為真的可信度，則 CF（H，E）> 0，證據(jù)的出現(xiàn)越是支持 H 為真，就使CF（H，E) 的值越大。
         反之，CF（H，E）< 0，證據(jù)的出現(xiàn)越是支持 H 為假，CF（H，E）的值就越小。
         若證據(jù)的出現(xiàn)與否與 H 無關(guān)，則 CF（H，E）= 0

      

   3. 證據(jù)不確定性的表示

      1. 證據(jù)E的可信度取值范圍：[-1，1] 。
         對于初始證據(jù)，若所有觀察S能肯定它為真，則CF(E)= 1。
         若肯定它為假，則 CF(E) = –1。
         若以某種程度為真，則 0 < CF(E) < 1。
         若以某種程度為假，則 －1 < CF(E) < 0 。
         若未獲得任何相關(guān)的觀察，則 CF(E) = 0

   4. 組合證據(jù)不確定性的算法

      1. 多個單一證據(jù)的合取

         ? E = E₁ AND E₂ AND … AND E_n

         則CF(E) = min{CF(E₁), CF(E₂), … , CF(E_n)}

      2. 多個單一證據(jù)的析取

         ? E = E₁ OR E₂ OR … OR E_n

         則CF(E) = max{CF(E₁), CF(E₂), … , CF(E_n)}

   5. 不確定性的傳遞算法

   6. 結(jié)論不確定性的合成算法

      1. 

      2. 

         例題：

         

         

         

         

         

五、搜索求解策略

1. 狀態(tài)空間表示法

   1. 用狀態(tài)空間方法表示問題，首先必須定義狀態(tài)的描述形式，把問題的一切狀態(tài)都表示出來。其次要定義一組操作
   2. 

2. 盲目的圖搜索策略

   1. 符號說明：

      • s-初始狀態(tài)節(jié)點；G-搜索圖
      • OPEN表：存放剛生成的節(jié)點。對于不同的搜索策略，節(jié)點在OPEN表中的排列順序是不同的
      • CLOSE表：存放已被擴展的節(jié)點
      • MOVE-FIRST操作：取OPEN表首的節(jié)點作為當(dāng)前要被擴展的節(jié)點n，同時將節(jié)點n移至CLOSE表

   2. 搜索的一般過程：

      1. 初始化
         • 建立只包含初始狀態(tài)節(jié)點s的搜索圖G:={s}
         • OPEN:={s}
         • CLOSE:={}
      2. 搜索循環(huán)
         • MOVE-FIRST(OPEN)-取出OPEN表首的節(jié)點n作為擴展的節(jié)點，同時將其移到close表
         • 擴展出n的子節(jié)點,插入搜索圖G和OPEN表
         • 適當(dāng)?shù)臉?biāo)記和修改指針
         • 排序OPEN表
         • 通過循環(huán)地執(zhí)行該算法，搜索圖G會因不斷有新節(jié)點加入而逐步長大，直到搜索到目標(biāo)節(jié)點。

   3. 寬度優(yōu)先

      1. OPEN表中節(jié)點簡單的排序方式：

         寬度優(yōu)先——擴展當(dāng)前節(jié)點后生成的子節(jié)點總是置于OPEN表的后端，即OPEN表作為隊列，先進先出，使搜索優(yōu)先向橫向方向發(fā)展。

   4. 深度優(yōu)先

      1. OPEN表中節(jié)點簡單的排序方式：
         深度優(yōu)先——擴展當(dāng)前節(jié)點后生成的子節(jié)點總是置于OPEN表的前端，即OPEN表作為棧，后進先出，使搜索優(yōu)先向縱深方向發(fā)展。

   盲目的搜索在白白搜索了大量無關(guān)的狀態(tài)節(jié)點后才碰到解答，效率低；

   提高一般圖搜索效率的關(guān)鍵：優(yōu)化OPEN表中節(jié)點的排序方式

3. 啟發(fā)式的圖搜索策略

   1. 全局排序——對OPEN表中的所有節(jié)點排序，使最有希望的節(jié)點排在表首

      A算法， A*算法

   2. 局部排序——僅對新擴展出來的子節(jié)點排序，使這些新節(jié)點中最有希望者能優(yōu)先取出考察和擴展（只需要了解）

   3. 

   4. A算法

      1. 

      2. 

   5. A*算法

      1. 

      2. 帶*的是理想中的狀態(tài)，正常情況下還是使用f(n),g(n),h(n)來進行判斷

         

      3. 

      4. 

      5. 啟發(fā)式函數(shù)的強弱及其影響

         

六、機器學(xué)習(xí)

1. 基本的機器學(xué)習(xí)術(shù)語

   1. 數(shù)據(jù)集（Dataset）：數(shù)據(jù)是進行機器學(xué)習(xí)的基礎(chǔ)，所有數(shù)據(jù)的集合稱為數(shù)據(jù)集
   2. 樣本（Sample）：數(shù)據(jù)集中每條記錄是關(guān)于一個事件或?qū)ο蟮拿枋?，稱為樣本
   3. 屬性（Attribute）或特征（Feature）：每個樣本在某方面的表現(xiàn)或性質(zhì)
   4. 特征向量（Feature Vector）：每個樣本的特征對應(yīng)的特征空間中的一個坐標(biāo)向量
   5. 學(xué)習(xí)（Learning）或者訓(xùn)練（Training）：從數(shù)據(jù)中學(xué)得模型的過程，這個過程通過執(zhí)行某個學(xué)習(xí)算法來完成
   6. 訓(xùn)練數(shù)據(jù)（Training Data）：訓(xùn)練過程中使用的數(shù)據(jù)
   7. 訓(xùn)練樣本（Training Sample）：訓(xùn)練數(shù)據(jù)的每個樣本
   8. 訓(xùn)練集：訓(xùn)練樣本組成的集合
   9. 標(biāo)記（Label）：訓(xùn)練數(shù)據(jù)中可能會指出訓(xùn)練結(jié)果的信息

2. 機器學(xué)習(xí)算法

   1. 監(jiān)督學(xué)習(xí)：在建立預(yù)測模型的過程中將預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)的實際結(jié)果進行比較，不斷的調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達到一個預(yù)期的準(zhǔn)確率
   2. 無監(jiān)督式學(xué)習(xí)：數(shù)據(jù)并不被特別標(biāo)識，計算機自行學(xué)習(xí)分析數(shù)據(jù)內(nèi)部的規(guī)律、特征等，進而得出一定的結(jié)果（如內(nèi)部結(jié)構(gòu)、主要成分等）
   3. 半監(jiān)督學(xué)習(xí)：半監(jiān)督學(xué)習(xí)介于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)之間，輸入數(shù)據(jù)部分被標(biāo)識，部分沒有被標(biāo)識，沒標(biāo)識數(shù)據(jù)的數(shù)量常常遠遠大于有標(biāo)識數(shù)據(jù)數(shù)量。這種學(xué)習(xí)模型可以用來進行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)以便合理的組織數(shù)據(jù)來進行預(yù)測
   4. 強化學(xué)習(xí)：根據(jù)反饋信息來調(diào)整機器行為以實現(xiàn)自動決策的一種機器學(xué)習(xí)方式

3. 機器學(xué)習(xí)工作流程

   1. 數(shù)據(jù)采集：爬蟲，API，數(shù)據(jù)庫

   2. 數(shù)據(jù)處理：數(shù)據(jù)清洗；數(shù)據(jù)預(yù)處理；數(shù)據(jù)歸一化

   3. 特征工程：一般認為括特征構(gòu)建、特征提取、特征選擇三個部分

   4. 構(gòu)建模型

   5. 模型評估

      1. 混淆矩陣

         

      2. 模型評估指標(biāo)

         1. 準(zhǔn)確率

         2. 精確率

            召回率

         3. F1-Score(F1得分）

      3. 模型評估方法

         1. 留出法（Holdout檢驗）：它將原始的樣本隨機劃分為訓(xùn)練集S和驗證集T兩部分。在S上訓(xùn)練出模型后，用T來評估其測試誤差，作為對泛化誤差的估計。
         2. 交叉驗證：首先將全部樣本劃分成K個大小相等的樣本子集，每個子集都盡可能保持?jǐn)?shù)據(jù)分布的一致性，即從D中通過分層采樣得到，然后每次用K-1個子集的并集作為訓(xùn)練集，余下的那個子集作為測試集，這樣就可以獲得K組訓(xùn)練集/測試集，從而可進行K次訓(xùn)練和測試，最終返回的是K個測試結(jié)果的均值。顯然，交叉驗證法評估結(jié)果的穩(wěn)定性和保真性在很大程度上取決于K的取值，為強調(diào)這一點，通常把交叉驗證稱為“K折交叉驗證”，K的最常取值為10，稱為10折交叉驗證，其它常取的K值有5，20等
         3. 留一法：留一法是交叉驗證法的一個特例，是將數(shù)據(jù)集D中包含的m個樣本分為m份，留一法不受隨機樣本劃分方式的影響，因為m個樣本劃分為m份只有一種劃分方法，留一法使用的訓(xùn)練集與初始數(shù)據(jù)集相比只少了一個樣本，這使得在絕大多數(shù)情況下，留一法中被實際評估的模型與期望評估的用D訓(xùn)練出的模型很相似，因此留一法的評估結(jié)果往往被認為比較準(zhǔn)確。然而，留一法也有其缺點：在數(shù)據(jù)集大時，訓(xùn)練m個模型的計算開銷可能是難以忍受的，另外，留一法的評估結(jié)果也未必永遠比其他評估方法準(zhǔn)確。
         4. 自助法：不管是留出法還是交叉驗證，都是基于劃分訓(xùn)練集和測試集的方法進行模型評估的，然而，當(dāng)樣本規(guī)模較小時，將樣本集進行劃分會讓訓(xùn)練集進一步減少，這可能會影響模型訓(xùn)練效果，自助法是可以維持訓(xùn)練集樣本規(guī)模的驗證方法

      4. 優(yōu)化過擬合與欠擬合

         1. 降低欠擬合風(fēng)險方法
            • 增加新的特征，當(dāng)特征不足或現(xiàn)有特征與樣本標(biāo)簽的相關(guān)性不強時，模型容易出現(xiàn)不擬合。
            • 增加模型復(fù)雜度，簡單模型的學(xué)習(xí)能力較差，通過增加模型的復(fù)雜度可以使模型擁有更強的擬合能力。
            • 減少正則化系數(shù)。正則化是用來防止過擬合的，但當(dāng)模型出現(xiàn)欠擬合現(xiàn)象時，則需要針對性地減少正則化系數(shù)
         2. 降低過擬合風(fēng)險方法
            • 從數(shù)據(jù)入手，獲得更多的訓(xùn)練數(shù)據(jù)。使用更多的訓(xùn)練數(shù)據(jù)是解決過擬合問題最有效的手段，因為更多的樣本能夠讓模型學(xué)習(xí)到更多更有效的特征，減少噪音的影響，當(dāng)然，直接增加實驗數(shù)據(jù)一般是很困難的，但是可以通過一定的規(guī)則來擴充訓(xùn)練數(shù)據(jù)。
            • 降低模型復(fù)雜度。在數(shù)據(jù)較少時，模型過于復(fù)雜是產(chǎn)生過擬合的主要因素
            • 正則化方法
            • 集成學(xué)習(xí)方法。集成學(xué)習(xí)是把多個模型集成在一起，來降低單一模型的過擬合風(fēng)險

      5. 調(diào)參和最終模型文章來源地址http://www.zghlxwxcb.cn/news/detail-774159.html

到了這里，關(guān)于人工智能期末復(fù)習(xí)——速通知識點的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！