人工智能导论

人工智能定义及其研究目标

智能至少包括三个方面能力：

• 智能具有感知能力
• 智能具有记忆与思维能力
• 智能具有学习和适应能力

人工智能的研究目标是让机器像人一样具有能够感知、获取知识、储存知识、推理思考、学习、行为等能力

实现程度	对应	备注
弱人工智能	拟人	擅长于单方面
强人工智能	类人	能够执行通用任务
超强人工智能	超越人	与人类智能完全一样，甚至局部超过人类智能的智能系统

人工智能的三大学派：

• 符号主义学派
  逻辑主义，心理学派或计算机学派；抽象化，符号化
• 连接主义学派
  仿生学派或生理学派；研究人脑智能，神经网络
• 行为主义学派
  进化主义，控制论学派；感知-动作模型

人工智能发展历史

已诞生六十多年，分7个阶段：

• 孕育期（1956年以前）
• 形成期（1956-1969年）
• 第一次寒冬（20世纪70-80年代）
• 繁荣期（1980-1987年）
• 第二次寒冬（1987-1993年）
• 储备期（1993-2011年）
• 爆发期（2012-现在）

知识及其表示

知识是人们在长期的生活实践中、在科学研究及实践中积累起来的对客观世界的认识与经验。反应了信息间的某种关系

知识的特性：

• 相对正确性
• 不确定性
• • 由随机性引起的不确定性
• • 由模糊性引起的不确定性
• • 由经验引起的不确定性
• • 由不完全性引起的不确定性
• 可表示性与可利用性

1.产生式表示法：

• 产生式
• • 确定性规则的产生式表示
• • 不确定性规则的产生式表示（有置信度）
• • 确定性事实的产生式表示（三元组）
• • 不确定性事实的产生式表示（四元组）
• 产生式系统

2.框架表示法
3.状态空间表示法
状态空间可用一个四元组表示

知识图谱

知识图谱发展的三个阶段：

• 知识图谱的起源阶段（1955-1977年）
• 知识图谱的发展阶段（1977-2012年）
• 繁荣阶段（2012年-至今） 谷歌通过知识图谱改善了搜索引擎的性能

知识需要满足三个核心要素：合理性，真实性，被相信

知识图谱旨在以结构化的形式描述客观世界中存在的概念、实体及其间的复杂关系

本体一般由概念、实例和关系构成

万维网知识描述语言：

• 可扩展标记语言XML
  可根据实际需要对标签进行扩展，XML本质上是一个树形结构，资源、属性、陈述
• 资源描述框架RDF与链接技术
• • 保证了语义网的内容有准确的含义
• • 保证了语义网的内容可以被计算机理解并处理
• • 可以通过各种网页中的内容集成帮助进行自动数据处理

典型的知识图谱：

• 维基百科
• Bable Net
• XLORE

专家系统：（有局限性）

可以用属性图表示知识图谱的属性
语义搜索
农业上的应用->精准农业
电信行业->客户关怀
媒体发布->自动写作机器人

中文医学知识图谱分析 CMeKG
多视图树状结构

结点触发事件

• 实体结点
• UMLS结点
• 其他结点

知识图谱构建工具

• 医学文本分词
• 医学关系抽取
• 医学描述框架

常见的英文知识库：

• YAGO（德国马普研究所）
• NELL（卡内基梅隆大学）
• Microsoft ConceptGraph（以概念层次体系为中心）

人工智能关键技术

机器学习：

• 学习模式
• • 监督学习
• • 无监督学习
• • 强化学习
• 学习方法
• • 传统机器学习
• • 深度学习（卷积，循环神经网络）
• 常见算法
• • 迁移学习
• • 主动学习
• • 演化学习

自然语言处理：

• 机器翻译
• 语义理解
• 问答系统

自然语言处理面临的四大挑战：

• 在词法、句法、语义、语用和语音等不同层面存在不确定性
• 新的词汇、术语、语义和语法导致未知语言现象的不可预测性
• 数据资源的不充分使其难以覆盖复杂的语言现象
• 语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语意计算需要参数庞大的非线性计算

人机交互

• 语音交互
• • 语言交互过程：
• • 语音采集
• • 语音识别
• • 语义理解
• • 语音合成
• 情感交互
• 体感交互
• • 惯性感测
• • 光学感测
• • 光学联合感测
• 脑机交互
• • 信号采集
• • 特征提取
• • 命令输出

计算机视觉：

• 视频编解码
• 计算成像学
• 图像理解（浅层，中层，高层理解）
• 三维视觉
• 动态视觉
• 视频编解码
• • 无损压缩
• • 有损压缩

生物特征识别：（辨认，确认）

• 注册阶段
• 标识阶段
• 指纹识别
• 人脸识别（检测定位，面部特征提取，人脸确认）
• 虹膜识别（虹膜图像分割，虹膜区域归一化，特征提取，识别）
• 静脉识别
• 声纹识别
• 步态识别

虚拟现实（VR）增强现实（AR）

• 获取与建模技术
• 分析与利用技术
• 交换与分发技术
• 展示与交互技术
• 标准与评价体系

机器学习（ML）

1. 监督学习：
   使用已知正确答案的实例来训练网络
   应用举例：分类问题，回归问题
   算法举例：支持向量机(SVM)，朴素贝叶斯，逻辑回归，K-近邻(KNN)，决策树，随机森林，AdaBoost，线性判别分析(LDA)。深度学习大部分
2. 非监督式学习
   具有数据集但无标签的情况。可推出数据的内部结构
   常见应用场景：关联规则的学习以及聚类等
   算法举例：Apriori算法以及k-Means算法
3. 半监督式学习
   输入数据部分标记，部分未标记。可进行预测
   应用场景：分类和回归
   常见算法：图论推理算法，拉普拉斯支持向量机等
4. 弱监督学习
   有多个标记的数据集合。已知弱标签学习强标签

人工神经网络（ANN）

• 基本人工神经元模型
  内部结构：加法器、偏差值、激活函数
  
• 基本人工神经网络及其结构
  
• 人工神经网络的学习机理

决策树的生成是一个递归过程

• 特征选择
• 决策树生长
• 剪枝

神经网络与深度学习

自然语言处理

计算机视觉

语音处理

人工智能行业应用