人工智能 Artificial Intelligence（AI）知识点 01. 概述 1、AI 定义：人工智能(学科)是计算机科学中涉及研究、设计和应用智能机器的一个分支 * 智能：理解和学习事物的能力，包括脑智能、群智能。 （1）脑智能（BI）：脑的宏观心理层次的智能。是一种个体智能（II）。 （2）群智能（SI）：由群体行为所表现出的智能。是一种社会智能或者说系统智能。 2、AI 研究目标：制造智能机器和智能系统，实现智能化社会。 （1）近期目标：建造智能计算机代替人类的部分智力劳动。 （2）远期目标：用自动机模仿人类的思维过程和智能行为。 3、AI 的诞生：1956 年夏天——达特莫斯——人工智能研讨会 4、研究内容：搜索与求解、学习与发现、知识与推理、发明与创造、感知与交流、 记忆与联想、系统与建造、应用与工程。 5、研究方法：（各有所长，各有局限；不能互相取代，是并存互补的关系） （1）功能模拟法：心理模拟，符号推演；以符号处理为核心对人脑功能模拟。 （2）结构模拟法：生理模拟，神经计算； （3）行为模拟法：行为模拟，控制进化；基于“感知-动作”模型。 （4）群体模拟法：群体模拟，仿生计算；遗传算法、蚁群算法、鱼群算法等。 （5）模拟自然界机理：博采广鉴，自然计算；模拟退火算法，DNA 分子计算法。 （6）集成模拟法：原理分析，数学建模； 6、AI 学派 （1）符号主义，心理学派，逻辑学派：Allen Newell、Simon、Shaw、Nilsson、Feigenbaum （2）连接主义，生理学派：McCulloch、Pitts、Rosenblatt、Kohonen、Hopfield （3）行为主义，进化主义，控制论学派：Brooks 7、人工智能的基本技术：表示、运算、搜索 03. 图搜索与问题求解 1、状态图：会画状态空间图（如八数码问题、农夫过河问题）。 2、状态图搜索：搜索策略、搜索算法（深度优先、广度优先）。 3、启发式搜索。 04. 遗传算法（P86） 1、遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传（交叉）、变异等操作以 及达尔文适者生存的理论，模拟自然进化过程来寻找所求问题的解。 

2、遗传算法具有以下特点： （1）遗传算法是对参数集合的编码； （2）遗传算法是从问题解的编码组开始搜索； （3）遗传算法利用目标函数的适应度这一信息来指导搜索； （4）遗传算法利用选择、交叉、变异等算子进行随机操作。 3、遗传算法的基本流程和步骤。 4、遗传算法的应用。 09. 机器学习 1、机器学习的概念 （1）现代定义：发现和探索隐藏在数据中的令人感兴趣的信息。 （2）经典定义：从样本集学习（估计）一个假设（模型）f(x)，使得 f(x)是自然模型 F(x) 的一个近似。 2、机器学习的分类 3、决策树学习：用构造树型数据结构的方法从一批事实数据集中归纳总结出若干条分类、 决策规则。 * ID3 算法：以信息熵为度量，用于决策树节点的属性选择，每次优先选取信息量最多的 属性或者说能使熵值变成最小的属性，以构造一棵熵值下降最快的决策树，到叶子节点处的 熵值为 0。 4、神经网络学习（P198） （1）人工神经元。 （2）学习规则：hebb 学习规则、误差反馈学习规则。 （3）BP 网络及学习算法（P104）。 * 其他章节 2、PROLOG 基本语法、程序结构；PROLOG 程序分析。 5、逻辑等价式；归结原理；子句集求解；替换与合一；利用归结原理求解问题；归结策略。 6、产生式规则与蕴含式的区别；产生式系统的基本构成。 7、知识表示的方式；框架-基本结构、继承；语义网络-基本结构；主要语义关系。 8、不确定性的四种类型；多值逻辑；贝叶斯网络概率推理；模糊逻辑与模糊推理。 10、模式识别；模式识别基本过程；模式、模式类；统计模式识别分类（及小类，记住原理）。 11、自然语言处理；语义分析；上下文无关文法。 12、专家系统的基本构成、类型。