第1章：人工智能概述
人工智能的定义
智能的定义
智能是个体从经验中学习、正确推理、记忆重要信息，以及应对日常生活需求的认知能力。
(1)如何判定某个人或者物是否有智能？
可以用问答方式
(2)动物是否有智能？
有些经过人为的训练可以表现出智能；有些则在集体中表现出智能。
(3)如果动物有智能，那么如何评估它们的智能？
一种方法是脑与身体的质量比；另一种是工具的使用
图灵测试
定义
一个男人和一个女人坐在帘子的后面，询问者必须同时正确地识别出两人地性别。
不适合的问题
- 10000 1 7 100001^7 1000017平方根是多少
- 当前的天气怎么样
- 你害怕死亡吗
争议与批评
- 布洛克对图灵测试的批评——可以用机械查表的方法通过图灵测试并不能说明机器有智能
- 塞尔的批评——计算机只需要接收、处理以及使用符号来回答问题，而不必学习或理解符号本身的真真正含义，并不能说明机器有智能
批评的核心：图灵测试仅从外部观察不能洞察某个实体的内部状态
强人工智能与弱人工智能
强人工智能
卡内基-梅隆大学为代表；主要关注生物可行性；关注所构建系统的结构。
弱人工智能
麻省理工学院为代表；主要关注的是得到令人满意的执行结果
启发式方法
引言
强人工智能的支持者坚持认为，完全依靠人工智能程序的启发式方法、算法和支持，计算机就可以获得意识和智能。
定义
启发式方法是一组常常用于解决问题的指导法则，可以但不能保证得到一个不错的结果
与算法的区别：
算法是预先设定的用于解决问题的一组规则，其输出是完全可预测的。
问题应用
长方体的对角线
解决一个相对简单的问题，如计算矩形的对角线，有助于解决相对困难的问题，如长方体的对角线
水壶问题：反向倒推
通用问题求解器(GPS,General Problem Solver)
应用与方法
搜索算法与拼图问题
状态空间图
盲目搜素
深度优先搜索 DFS
广度优先搜索 BFS
组合爆炸
‘向前看’ : 爬山法、集束搜索、最佳优先搜索
‘向后看’ : 分支定界
二人博弈
博弈（game）不仅具有现实世界场景的属性，但是不会在真实世界中产生后果，因此是良好的人工智能方法的测试平台。
eg：迭代的囚徒困境
自动推理
程序往往是基于规则去匹配，不具备推理能力，当面对问题相对较大且更加复杂难懂时，使用自动推理程序来协助将大有裨益。
产生式规则和专家系统
产生式规则
IF(条件)，THEN 动作
或者
IF(条件)，THEN事实
专家系统
特性
- 知识库与推理机的分离
- 系统的知识超过任何专家或所有专家的知识的总和
- 知识与搜索技术的关系
- 推理以及不确定性
成功案例
- DENDRAL使用启发式方法鉴定未知的化合物
- MYCIN研究传染性血液疾病
- PROSPECTOR矿物勘测
细胞自动机（CA）
可视为n维空间中细胞的集合，每个细胞都可以处于少量几个状态中的任何一种，例如，一个细胞可以分为黑色或白色。
神经计算
神经系统的基本构件是人工神经元（阈值逻辑单元）进行建模。
权重如何得到？
迭代学习算法，即感知器学习规则。
人工神经网络（ANN）
缺点：不包括学习机制
反向传播（BP）
这是一种适用于多层网络的学习算法
遗传算法
遗传算法使用概率和并行性来解决组合问题（优化问题）
渊源：进化计算
问题的拟解决方案可以适应环境，就像在真实世界中动物适应环境一样。
包容体系架构方法
基于符号的方法依赖于启发式方法和表示范式。
知识表示
引言
人工智能系统需要获取和存储知识，从而也就需要能够识别和表示知识，从而需要一种合适的表示方法。
基于图的方法
优点：感官上更具吸引力
语义网络
语义网络是面向对象编程语言的前身
框架
框架可以系统性、层次化且十分简洁地描述对象
脚本
脚本是对框架的拓展，进一步利用了人类交互中固有的预期能力
不确定性推理
概率是我们日常生活中的一部分，人工智能系统也会收到不确定性的困扰。许多领域都存在模糊集，都可以找到模糊逻辑控制器。
自然语言处理（NLP)
Eliza
仅仅使用匹配的方式伪装成类似于人类的交互
SHRDLU
SHRDLU使用意义、语法、演绎推理来理解和响应英文命令，他的会话世界是一个桌面，上面放着各种形状、大小和颜色的积木。
HEARSAY
该程序采用黑板架构，使用语法和语义信息来去除不太可能的单词组合
HWIM
使用增强的转移网络来理解口语文章来源：https://www.toymoban.com/news/detail-823013.html
生物信息学
生物信息学是将计算机科学的算法和技术应用于分子生物学的一门新兴学科，主要关注生物数据的管理和分析。文章来源地址https://www.toymoban.com/news/detail-823013.html
到了这里，关于共读人工智能（第3版)---01人工智能概述的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
