【人工智能】人工智能课程复习笔记

第2章 知识表示方法

一阶谓语逻辑表示法、产生式表示法、语义网络表示法、框架表示法、面向对象表示法、状态空间表示法。

一阶谓语逻辑表示法

连接词:~ 非、∧与合取、∨或析取、→条件、↔双条件
量词:存在 与 任意
在这里插入图片描述在这里插入图片描述

举例谓语公式表示知识:
HIGHER (x, y):x比y长得高

产生式表示法

         P前提→Q结论    或者    IF  P  THEN  Q
         例:“老李年龄是40岁”,可表示为:(Li,Age,40)
     例:“老李年龄很可能是40岁”,可表示为: (Li,Age,40,0.8)

语义网络表示法

是通过概念及语义关系表达的一种网络图,带标注的有向图。
常用语义连续:ISA/AKO(是一个),part_of,IS,compose_of,have,located,if-then,before,after,at,a-member-of
【人工智能】人工智能课程复习笔记_第1张图片

框架表示法

例  教师框架
解:框架名:<教师>
             姓名:单位(姓、名)
             年龄:单位(岁)
             性别:范围(男、女)
                          缺省:男
              职称:范围(教授、副教授、讲师、助教)
              缺省:讲师
              部门:单位(学院、教研室)
              住址:<住址框架>
               工资:<工资框架>
             参加工作时间:单位(年,月) 

面向对象表示法

对象:人
类:鸡、飞禽、动物类在概念上是一种抽象机制,它是对一组相似对象的抽象。
继承....

状态空间表示法

第3章 归结推理方法

命题、命题公式

=1 谓语公式的永真性和可满足性

谓词公式的等价性 化简常用公式 狄摩根定律与量词转换率非常常用!
【人工智能】人工智能课程复习笔记_第2张图片
【人工智能】人工智能课程复习笔记_第3张图片

=2 置换与合一

1 置换
{a/x,f(b)/y,w/z}表示为 x=a;y=f(b),z=w
2合一
例1:L1=Q(a,y),L2=Q(z,f(b))
它们是可以合一的,其合一置换为S={a/z,f(b)/y},并且S也是最一般合一者mgu。

=3归结推理

1范式:
前束形范式:不出现连接词→和 ↔
斯克林(sklolem)范式:将前束范式每个存在量词均在全称量词的前面
斯克林标准型:从前束型范式中消去全部存在量词
合取范式:(A∨B)∧(A∨C)就是一个合取范式
2子句与子句集:谓词公式G的Skolem标准型前面的全称量词全部消去,并用逗号(,)代替合取符号∧,便可得到谓词公式G的子句集S
3归结原理
互补文字(P与~P为互补文字)

=4归结原理进行定理证明

对于定理证明,常见的形式是:A1∧A2∧……∧An→B其中,A1∧A2∧……∧An是前提条件,而B则是逻辑结论。 要证明B是A1∧A2∧……∧An的逻辑结论,只需证明:A1∧A2∧……∧An∧~B 是不可满足的即可。
证明过程
Step1.首先否定结论B,并将否定后的公式~B与前提公式集组成如下形式的谓词公式:
G= A1∧A2∧……∧An∧~B
Step2.求谓词公式G的子句集S。 (化简为斯克林标准形式)
Step3.应用归结(消解)原理,互补消去
消去到最后,为空集NIL;

=5归结原理进行问题求解

求解过程
Step1.把已知前提条件用谓词公式表示出来,并化成相应的子句集,设该子句集的名字为S1;
Step2.把待求解的问题也用谓词公式表示出来,然后将其否定,并与一谓词ANSWER构成析取式。谓词ANSWER是一个专为求解问题而设置的谓词,其变量必须与问题公式的变量完全一致。
Step3.把问题公式与谓词ANSWER构成的析取式()化为子句集,并把该子句集与S1合并构成子句集S。
Step4.对子句集S应用消解原理进行消解,在消解过程汇总,通过合一置换,改变ANSWER中的变量。
Step5.如果得到消解式ANSWER,则问题的答案即在ANSWER谓词中。

=6归结原理的控制策略

第4章 不确定推理法

=1不确定推理

分类:模型法(数值方法、非数值方法)、控制方法
基于概率论的基础处理不确定性的方法:可信度方法、主观bayes方 法。

=2可信度方法

1知识不确定性

知识的不确定性则是以可信度CF(H,E)表示的。其一般形式为IF E THEN H (CF(H,E) )

2证据不确定性的表示

例如CF(E)=0.8表示证据E的可信度为0.8。

3不确定性的推理计算

=3主观bayes法

1知识不确定性

2证据不确定性的表示

3不确定性的推理计算

4结论不确定性合成算法

=4证据理论

证据理论的数学基础

特定概率分配函数

第5章 状态空间搜索策略

盲目搜索策略

1宽度优先搜索:
宽度优先搜索是一般图搜索算法的一个实例,每次总是扩展深度最浅的节点,这可以通过将边缘组织成FIFO队列来实现(即,新节点加入到队列尾,浅层的老节点会在深层节点之前被扩展)。
2深度优先:
深度优先总是扩展搜索树的当前边缘节点集 中最深的节点(搜索直接推到最深层)。如果最深层节点扩展完了,就回溯到下一个还有未扩展节点的深度稍浅的节点。DFS使用LIFO队列(最新生成的节点最早被扩展)。
3一致代价搜索
一致代价搜索扩展的是路径消耗g(n)(从初始状态到当前状态的路径耗散)最小的节点n。(可以通过将边缘节点组织成按g值排序的队列来实现)
4 深度受限
设置界限l来避免DFS在无限状态空间下搜索失败的尴尬情况。即,深度为l的节点被当做最深层节点(没有后继节点)来对待。

后面包括了浅谈深度学习,机器学习 因为在其他课程有所涉及也就不一一列出来了

你可能感兴趣的:(课程学习)