WhaiBlog
主页
博客
留言
我
Holding your breath
Jsp
人工智能课程学习
# 人工智能课程 题目设定,简答题论述题。 - 简答题40分: - 书上的,5个题目 5 5 10 10 10 论述题60分:20 20 20 - 书上的知识,人工智能对方法给出一个策略 > 不知道也能写出东西来 梳理复习注意对点:**2 3 5 7 8 9** 1. 绪论,基本不考 2. **知识的表示**:简答题 知识表示的方法:一阶谓词 产生式表示法 网格表示法 **概念、优缺点**去了解 3. **确定性推理**:逻辑是什么,把问题变成可以求解的东西,了解一下逻辑过程。 4. 第四章可以不去看。 5. **搜索求解策略**,一个简答题,不去看书估计也写得出来,看一看写的更自信一点,很灵活。 6. **机器学习和神经网络**:和实际的问题结合出来,手写数字识别,给一个具体的问题,如何求解设计网络,有哪些流程,设计一个网络方法,搞清楚流程。 7. 第九章**遗传算法**应用,结合具体问题去应用,设计流程来应用求解问题 > 人工智能 > > 优缺点 > > > 框架表示法 > > > > 利用产生式表示法 > > 三段论描述 > > > **三段论式****(三段论法)**:**==以一个一般性的原则(大前提)以及一个附属于一般性的原则**的特殊化陈述(小前提),由此引申出一个符合一般性原则的**特殊化陈述(**结论)的过程== > > > > **① 足球运动员的身体都是强壮的 ; **(大前提) > > > > **② 高波是一名足球运动员;**(小前提) > > > > **③ 所以,高波的身体是强壮的。**(结论) > > 网络基本概念 > > > - 对人脑神经元网络进行抽象, 建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。 > > 设计神经网络,描述如何设计,为什么这么设计受计神经网络 > > > **神经网络中有很多超级参数,关于神经网络的设计不仅仅是网络层次结构的堆砌,需要综合考虑输入数据的类型,网络参数之间的关联,参数数目以及内存条件。** > > > > > > > > 参考资料1:想入门设计卷积神经网络?这是一份综合设计指南 内容总结: > > > > > 1.准确率,速度,所占内存大小 三者的权衡——选择一个合适的CNN模型。 > > > 2.一些新颖的,加快减少内存消耗和运行时间的网络:Mobile Nets,XNOR net,shufflenet等 > > > 3.网络层数,激活函数,卷积核大小,空洞卷积,数据增强 > > > 4.优化器与学习率:SGD能够得到最好的准确率,但是没有Adam等优化器那么自适应地调节学习率的功能,调学习率很麻烦。策略:以 Adam 作为开始,它最容易使用:设置一个不太高的学习率,一般默认 0.0001,然后你通常会得到一些非常好的结果。随后你可以从零开始使用 SGD,或者使用 Adam,中间换到 SGD,能够以最容易的方式达到最好的准确率。 > > > 5.类别均衡 > > > 6.你的数据差别与ImageNet数据越大,需要改调的网络层数和参数就越多。ImageNet数据是类似于,有猫没猫,猫狗,有洋葱没洋葱之类的。 > > > > [怎样设计最优的卷积神经网络](https://baijiahao.baidu.com/s?id=1637848399095359849&wfr=spider&for=pc)内容总结: > > > > > 1.提升CNN表现的操作:增加图片分辨率,增加网络宽度,增加网络深度,增加跳过连接(密集块或残差块) > > > 2.NAS神经架构搜索+随机连接神经网络:探索新的网络架构和神经元连接方式(这个太远了不需要做) > > 前馈型神经网络 > > > - 前馈神经网络: > > 这是实际应用中最常见的神经网络类型。第一层是输入,最后一层是输出。如果有多个隐藏层,我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。 > > - 循环网络: > > 循环网络在他们的连接图中定向了循环,这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态,使其很难训练。他们更具有生物真实性。 > > - CNN > > - 卷积层:卷积神经网络,卷积核在图像上移动,得到特征图,确定卷积核的过程就是训练的过程,**卷积层级之间的神经元是局部连接和权值共享,以减少wb的数量,加快训练。** > > - 池化层:选取主要特征,取max或average,解决相邻像素相似信息的特质冗余问题 > > - 全连接层:将特征集合到一起得到结果概率,如ReLU,留下重要的部分 > > 算法 > > 每个节点在干什么 > > 搜索,宽度还是深度,启发搜索,描述搜索过程,画出来,给出最优解 > > 简答和论述题 > > 最后大题结合PPT做出简要论述 > 啊,只有主观题,没有客观题,两种题型,一个是简答题,一个是论述题,就这两种啊,所有的题目都是比较开放的。比较开放的,就是说你只有你写了。只要你写了,你肯定能够拿到及格分。这是一个大原则啊,只要你写了,你肯定能够拿到及格分。也就是说你不能够说我我我看到这个题目我不懂,我不理解,然后我什么都不写,那那对不起,那你。那你就可能通不过啊,只要你写了写满了,那你至少你肯定是能够通过的,好,这一点大家要记住,那么。简答题。所以简答题其实是一个。比较基础的东西,其实都是书上的啊,书上的一些东西结合你自己的,就是你不不去看书你也能够写出来的,我看了这些,所有这些题目,你不去看书你都是能够写出来的,那么我们这里呢,简答题呢是嗯,40分啊,简答题40分,那么总共有五个题目,简答题有五个题目。第一题第二题是五分一个,然后后面三个呢,是十分一个啊,内容上很简单,待会我会。一张一张的给他过一遍。这是简答题的内容。那么第二部分题型呢,就是论述题,那么论述论述题总共60分,分成三道大题,分成三道大题,也就是说我们这个论述题其实在你。所谓的论述题嘛,就是让你写写写论述就。就给你一个,给你一个问题,你结合书上的知识,我们讲过的人工智能的方法来给出一个解策略啊,给出一个策略怎么来求解啊,用什么样方法来求解这种的这种类型的所有的题目类型呢。都是很活的,就说。归根到底就是你。你你不看书或者你不知道你也能写出东西来的啊。就是我们这个题的。内容啊,那么。这是两两种类型的题目啊。然后呢?我来。之那个。跟。大家过一遍,就是我们从我们第。我们这个教材以及跟结合我们这里的这个这个。世界人。题目好,我再给大家大概。梳理一下。复习的时候应该注意哪些点好?那么我们。从第一章开始,第一章绪论,那么绪论我们花了很长时间去讲这个绪论,那么绪论我们当时说绪论是给大家开开眼界的,但是具体的知识呢,其实其实这个大家都已经有人工智能的知识了,我没有引入新的知识,只是一些概念性的东西,一眼界性的东西。在训论里面之所以介绍好,所以这个里面,那么其实呃,你说怎么怎么去考考这个绪论估计是没有的哈,估计没有。那么。第二第二章知识的表示,好知识的表示,那么知识的表示里面。会有简答题啊,知识表示里面会有简答题,大家去关注一下,就是我们常规的一些知识表示的方法啊。这是表示方法。已经层。一节谓词逻辑表示啊,产生式表示法,框架式表示法,语义网络表示法,哎,这些东西大概是一个什么概念啊,什么概念。什么优缺点,你大概去了解一下啊,这是我们第二章的内容,就知识表示会有简答题,那么确定性推理,那么确定性推理呢,其实呃。重点就是我上次在考呃讲课的时候就给大家提过的,就是说我们确定性推理里面大大概的一个逻辑是什么,大概的一个逻辑是什么好。怎么办?正好把问题变成我们可以求解的一个东西,就这样内容就行了,大家了解这一点就行了啊。啊,我没有在投屏啊。我没有在投屏,我没有在投屏,我只是给大家看一下。啊,我只是给大家提一下,就是说我们第二章知识的表示方法里面,大家要注意一下,它有简答题啊,那么只是就三个点。已经为此逻辑啊,产生是框架是啊网络四点四点。这四个四种知识表示方法,大家稍微了解一下就行了。第三章是确定性推理,那么确定性推理我我之前就跟大家说过了,就未知公式的转化肯定不会考你。肯定不会去考你,因为我们当时在看课的时候,也没也没有这样方面的练习给大家去做。所以肯定。不去好,到底是让你怎么去做推理,但是你这个整个一个逻辑过程,你稍微去了解一下就行了啊。第四章,我们第四章不确定性推理方法我们也没怎么讲,所以这点你可以第四章你可以不去看啊。第四章你可以不去看,因为我们第四章在上课的时候就。没怎么讲,只讲了一个什么,只讲了一个。模糊推理方法对不对,那但是我我现在可以告诉大家,就是第四章肯定不考啊,因为他讲都没讲。好,第五章。搜索求解策略,那么搜索求解策略里面呢?有一个简答题,有一个简答题,但是这个简答题呢,我可以明确的告诉大家,就是说大家不去看这个书呢,我。估计大家也。写的出来啊。但是你。你你去看一看呢,那么写的更自信一点啊,去看一看,写的更自信一点,因为这些题目都是很灵活的啊。都是很灵活的,那因为这个就像我。之前给大家上课的时候就讲过,我们比如说我们要求解一个路径规划,求解一个路径规划,那么怎么应用搜索求解,怎么应用启发式,那你这个其实就像你自己想到什么啊,我只要讲出来。有理有据嘛。就可以了啊,有理由去就可以了。那么这个。搜索策略里面有一些概念性的那。我相信大家是能够知道的,也能够写出来的,这结合具体的问题呢,这个就要具体分析了,你们自己发挥啊。700。那么。后面这个积极学习跟神经网络。继续学习跟神经网络啊,我们十分钟就讲完了啊。学习跟神经网络这个。也会有,也会有大题,也会有大题啊。那么这种大体呢也是一样的,我就是跟实际的问题结合起来,比如说我们要要要。要手写,数字要识别。那手写数字是不是这个大家都是我在你们在读大学的时候就学过了啊,怎么是怎么用人工神经网络的方法。然后呢,如果我给你们一个具体的一个问题。啊,给你一个具体的问题,不同于这样的问题,但你去设计一种神经网络的方法。好,或者机器学习的方法去求解这样的问题,比如说我们说人脸识别啊。如果我要做一个人脸识别,那么我们怎么来设计这个网络,这个应用这个网络,或者应用人工神经网络进行人脸识别,这个过程中它有哪些流程?啊,有哪些流程。还有一些性能是怎么来表现的好,这些东西大家要清楚,因为我相信呢,就是对对于我们计算机学院人来说。这个其实不上课大家也能够知道啊,继续学习跟人工神经网络就是我们结合一个具体的问题。带你去设计这样一个网络方法。你要能够画的出来。因为我们在设计的时候,你不需要去关注它的好与坏嘛,只要你把这个架构,这个流程搞清楚就行了,对不对。那么。呃,还有一个呢,就是遗传算法应用啊这个。从我们这个章节上来看呢,应该是第九章啊,计算算法与及其应用呢,也是有大体的,也是有大题的,那么这个也是一样,就是结合具体的问题,那你们去。结合具体问题让你们去应用,比如说遗传网络啊,进化算法,那你们去设计一种,哎,他这个流程是怎么样子的。比如说某一种。最普通的计算算法。我来求解每一个问题。那么这个问题。应用一算算法的话,那我们怎么对它进行编码,编码以后又是怎么样。整个流程下来是怎么样子的,你要写的出来好。整个。我们就讲了这么几块内容。就讲这么几块内容。那么。整个考试的内容大概就是第二章。第三章。第五章。第七章第八章第九章啊。知识的表示。确定性推理方法。搜索求解策略。继续学习人工网络,人工神经网络,然后遗传算法,就是这几章,其他地方都不考了。然后呢,还是再强调一点,就是。考试的时候。一定要写上那种。题目上一定要写上的内容。根据你自己的理解把。把那个空格啊,至少你答题页答题纸上要给我填满了啊。我讲完了。复习的内容讲完了,大家有什么问题?两分钟的时间给大家提问,有什么问题?老师,你的书是第四版的吗?我第三版的好像不太一样。呃,那反正就是这么几块内容嘛,好的好的啊,这是表示确定性推理方法。搜索求解,人继续学习人工智能,人工神经网络跟遗传串法就这么一块,好,刚刚说了知识,知识表示它是有简答题的,对不对?那其他的。这是表示有简简答题啊。人工神经网络。这些捡垃圾里面可能。这个这个确定性特点里面可能也有简答题,但是这些东西呢,就是。我之前也说过了,就是说你可能。稍微去了解一下,你也能够写的出来的啊。稍微去了解一下,反正就是这么几块内容,大家去看一下就行了。老师,期末报告交到哪里呀?这个时间是什么时候?税务报告本来呢是这个星期要交给我的,但是现在大家不是来不了吗?来不了呢,那我们就放到下个学期再交。这报告放到下学期再交,就是你们考试的时候一起带过来。期末报告纸质版打印出来。考试的时候一定带着我。好的好的,嗯。有没有其他问题了,没有的话,我们就下一个环节就是开始讲报告了,因为今天的人挺多的。没有没有的话,那我们讲。开始讲报告。 ## 第二章 ### 一阶谓词逻辑表示法 OCCUPANT(ZHANG,201) > ## 优缺点 > > - 优点: > > ① 自然性:谓词逻辑是一种接近自然语言的形式语言,用它表示的知识比较容易理解。 > > ② 精确性:谓词逻辑是二值逻辑,其谓词公式的真值只有“真”与“假”,因此可用它表示精确的知识,并可保证演绎推理所得结论的精确性。 > > ③ 严密性:谓词逻辑具有严格的形式定义及推理规则,利用这些推理规则及有关定理证明技术可从已知事实推出新的事实,或证明所作的假设。 > > 4. 容易实现:用谓词逻辑表示的知识可以比较容易地转换为计算机的内部形式,易于模块化,便于对知识进行增加、删除及修改。 > > - 缺点:表示和处理分离,组合爆炸导致效率 > > ① 不能表示不确定的知识:谓词逻辑只能表示精确性的知识,不能表示不精确、模糊性的知识。 > > ② 组合爆炸:在其推理过程中,随着事实数目的增大及盲目地使用推理规则,有可能形成组合爆炸。 > > ③ 效率低:用谓词逻辑表示知识时,其推理是根据形式逻辑进行的,把推理与知识的语义割裂开来,这就使得推理过程冗长,降低了系统的效率。 >1. 定义谓词个体 > >2. 变元赋值 > >3. 连接符号连接起来 > >  - 命题:非真即假的陈述句。“2<5”, “太阳从西边升起” - 命题非真即假,但是在一定条件下可以变。 - 谓词:$P(x_1,x_2,...,x_n)$ $P$谓词名:$x$为个体 - $Teacher(Luo) 中 Teacher为谓词名,Luo为个体$ - 支持递归调用。 - 谓词公式 - $\neg $ 逻辑非 - $\bigwedge$ 合取 - $\bigvee$ 析取 - --> 条件、蕴含 - <-> 等价 - 量词 - $\forall$ 全称量词 - $\exist$ 存在量词 - 等价公式 - 交换律、结合律、分配率  ### 产生式表示法 IF P THEN Q (0.2) > ***\**主要优点:\**\*** > > ① 自然性:产生式表示法用“如果……,则……的形式表示知识,这是人们常用的一种表达因果关系的知识表示形式,既直观、自然,又便于进行推理。 > > ② 模块性:产生式是规则库中最基本的知识单元,它们同推理机构相对独立,而且每条规则都具有相同的形式。 > > ③ 有效性:产生式表示法既可表示确定性知识,又可表示不确定性知识;既有利于表示启发式知识,又可方便地表示过程性知识。 > > ④ 清晰性:产生式有固定的格式。每一条产生式规则都由前提与结论(操作)这两部分组成,而且每一部分所含的知识量都比较少。 > > ***\**主要缺点:\**\*** > > ① 效率不高:在产生式系统求解问题的过程中,首先要用产生式的前提部分与综合数据库中的已知事实进行匹配,从规则库中选出可用的规则,此时选出的规则可能不止一个,这就需要按一定的策略进行“冲突消解”,然后把选中的规则启动执行。 > > ② 不能表达具有结构性的知识:产生式适合于表达具有因果关系的过程性知识,但对具有结构关系的知识却无能为力,它不能把具有结构关系的事物间的区别与联系表示出来。 > **优点:自然、模块、有效、清晰。** > > **缺点:效率低、不能表达结构性知识(适用于表达因果关系的非结构化知识)。** > > 适用于:相对独立的知识元组组成的领域知识,具有经验不确定的知识、独立. > > **应用:识别系统** #### 确定性 确定性规则的产生式表示的基本形式是:  或者  ```python r4: IF 动物会飞 AND 会下蛋 THEN 该动物是鸟 ``` 就是一个产生式。其中,r4是该产生式的编号;“动物会飞AND会下蛋”是前提P;“该动物是鸟”是结论Q。 #### 不确定 不确定性规则的产生式表示的基本形式是:  或者:  ```python IF 本微生物的染色斑是革兰氏阴性,本微生物的形状呈杆状,病人是中间宿主 THEN 该生物是绿脓杆菌 (0.6) ``` 它表示当前提中列出的各个条件都得到满足时,结论“该生物是绿脓杆菌”可以相信的程度为0.6。这里,用0.6表示知识的强度。  #### 确定性事实的产生式表示(对象,属性,值) 确定性事实一般用三元组表示 ``` (对象,属性,值) ``` 或者 ``` (关系,对象1,对象2) ``` > “老李年龄是40岁”表示为(Li,Age,40); > “老李和老王是朋友”表示为(Friend,Li,Wang) #### 不确定性事实的产生式表示(对象,属性,值,置信度) 不确定性事实一般用四元组表示 ``` (对象,属性,值,置信度) ``` 或者 ``` (关系,对象1,对象2,置信度) ``` 例如: “老李年龄很可能是40岁”表示为(Li,Age,40,0.8); “老李和老王不大可能是朋友”表示为(Friend,Li,Wang,0.1),这里用置信度0.1表示可能性比较小。 产生式又称为规则或产生式规则;产生式的“前提”有时又称为“条件”“前提条件”“前件”“左部”等;其“结论”部分有时称为“后件”或“右部”等。 ### 框架表示法 教师 姓名 ... > ***\*·框架表示法的特点\**** > > ① 结构性:便于表达结构性知识,能够将知识的内部结构关系及知识间的联系表示出来。 > > ② 继承性:框架网络中,下层框架可以继承上层框架的槽值,也可以进行补充和修改。 > > ③ 自然性:框架表示法与人在观察事物时的思维活动是一致的。 **特点:结构性、继承性、自然性** - 框架由若干个称为“槽"的结构组成,槽描述对象某一方面的属性 - 每个槽划分为若干个”侧面“,侧面描述相应属性的一个方面 - **框架---槽(若干属性)---侧面(属性的一个方面)** - ```sh <框架名> 槽名1: 侧面名 侧面值,侧面值... 侧面名 侧面值,侧面值... ... .... 槽名n: 侧面名 侧面值,侧面值... 侧面名 侧面值,侧面值... ... 约束:约束条件 框架名:<教师> 姓名:姓、名 年龄:xxx岁 性别:范围(男、女) 缺省:男 #这是一个default缺省值侧面 住址:<住址框架> 职称:范围(教授,副教授。。。) # 标识只能在这些个范围里 ... ``` [(9条消息) 人工智能导论(2)——知识表示(Knowledge Representation)_hustlei的博客-CSDN博客_知识表示](https://blog.csdn.net/hustlei/article/details/121688673) >  ### 语义网格表示法 - 语义网络:语义网络是一种用实体及其语义关系来表达知识的有向图。 - 节点:表示实体,表示各种事物、概念、情况、属性、状态、事件、动作等。 - 弧:代表语义关系,表示它所连接的两个实体之间的语义联系 语义基元可用如==**(节点1,弧,节点2)**==这样一个三元组来描述。它的结构可以用一个基本网元来表示。 例如,若用A、B分别表示三元组中的节点1、节点2,用R表示A与B之间的语义联系,那么它所对应的基本网元的结构如下所示。  常用的基本语义关系 - **实例关系**(ISA):即一个事物是另一个事物的具体例子。例如“我是一个人”。弧上的语义标记为“ISA”,即为“is a”,含义为“是一个”。 - **分类关系**(泛化关系)(AKO):表示一个事物是另一个事物的一个成员,体现的是子类与父类的关系,弧的语义标记为“AKO”,即为“a kind of”。 - **成员关系**:体现个体与集体的关系,表示一个事物是另一个事物的成员型。弧的语义标志为“A-Member-of”。 - **属性关系**:是指事物与其行为、能力、状态、特征等属性之间的关系,因此属性关系可以有许多中,例如: Have,含义为“有”,例如“我有手” Can,含义为“可以、会”,例如“狗会跑” Age,含义为年龄,例如“我今年22岁” - **包含关系(聚类关系)**:是指具有组织或结构特征的“部分与整体”之间的关系。弧的语义标志为“Part-of”。跟分类关系最主要区别在于包含关系一般不具备属性的继承性。 - 时间关系:表示时间上的先后次序关系。常用的时间关系有: - Before:表示一个事件在另一个事件之前发生 - After:表示一个事件在另一个事件之后发生 例如“深圳大运会在广州亚运会之后举行” - 位置关系:是指不同的事物在位置方面的关系,常用的有: Located-on:表示某一物体在另一物体上面 Located-at:表示某一物体所处的位置 Located-under:表示某一物体在另一物体下方 Located-inside:表示某一物体在另一物体内 Located-outside:表示某一物体在另一物体外 例如“书在桌上” -  -  -  ### 课本题目 [(2条消息) 第二章 知识的表示_试构造一个描述您得办公室或卧室的框架系统。_御坂御坂Matlab工作室的博客-CSDN博客](https://blog.csdn.net/qq_34562355/article/details/124018499)  [(2条消息) 人工智能导论——知识表示作业_小徐同学在学啦的博客-CSDN博客_所有人都有饭吃谓词表示](https://blog.csdn.net/nuojiacoming/article/details/125119495) <p></p> <h5><a name="t1"></a><a id="21__1"></a>2.1 什么是知识?它有哪些特征?有几种分类方法?</h5> <p>把有关信息关联在一起所形成的信息结构,知识反映了客观世界中事物之间的关系,不同的事物或相同事物间的不同关系形成了不同的知识。<br> 特征:<br> 1.相对正确性:任何知识都是在一定的条件及环境下产生的,在这种条件及环境下才是正确的<br> 2.不确定性:<br> (1)随机性引起的不确定性<br> (2)模糊性引起的不确定性<br> (3)经验引起的不确定性<br> (4)不完全性引起的不确定性<br> 3.可表示性与可利用性<br> 分类方法:<br> (1)陈述性知识<br> (2)程序性知识<br> (3)策略性知识</p> <h5><a name="t2"></a><a id="22__15"></a>2.2 什么是知识表示?如何选择知识表示方法?</h5> <p>知识表示:将人类知识形式化或者模型化<br> 选择知识表示方法的原则:<br> (1)充分表示领域知识<br> (2)有利于对知识的利用<br> (3)便于对知识的组织、维护与管理<br> (4)便于理解与实现</p> <h5><a name="t3"></a><a id="23_TF_22"></a>2.3 什么是命题?请写出三个<a href="https://so.csdn.net/so/search?q=%E7%9C%9F%E5%80%BC&spm=1001.2101.3001.7020" target="_blank" class="hl hl-1" data-report-click="{"spm":"1001.2101.3001.7020","dest":"https://so.csdn.net/so/search?q=%E7%9C%9F%E5%80%BC&spm=1001.2101.3001.7020","extra":"{\"searchword\":\"真值\"}"}" data-tit="真值" data-pretit="真值">真值</a>为T及真值为F的命题。</h5> <p>命题:一个非真即假的陈述句<br> T:3<5;<br> F:太阳从西边升起<br> 注:一个命题可以在一种条件下为真,在另一种条件下为假。</p> <h5><a name="t4"></a><a id="24__27"></a>2.4 什么是谓词?什么是谓词个体及个体域?函数与谓词的区别是什么?</h5> <p>谓词逻辑是基于命题逻辑中谓词分析的一种逻辑。一个谓词可分为谓词名与个体两部分。谓词名刻画个体的性质、状态或个体间的关系。<br> 个体表示某个独立存在的事物或者某个抽象的概念。<br> 个体变元的取值范围是称为个体域。<br> 函数与谓词表面上很相似,容易混淆,它们两个是完全不同的概念。谓词的真值是“真”或“假”,而函数的值是个体域中的某个个体,函数无真值可言,它只是在个体域中从一个个体到另一个个体的映射。</p> <h5><a name="t5"></a><a id="25__32"></a>2.5 谓词逻辑与命题逻辑的关系如何?有何异同?</h5> <p>命题逻辑表示法具有较大的局限性,它无法把它所描述的事物的结构及逻辑特征反映出来,也不能把不同事物之间的共同特征表示出来。由于这种原因在命题逻辑的基础上发展起了谓词逻辑。</p> <h5><a name="t6"></a><a id="26__34"></a>2.6 什么是谓词的项?什么是谓词的阶?请写出谓词的一般形式。</h5> <p>谓词的一般形式P(x1,x2,…,xn)</p> <h5><a name="t7"></a><a id="27__36"></a>2.7 什么是谓词公式?什么是谓词公式的解释?</h5> <p>无论是命题逻辑还是谓词逻辑,均可以用连接词把一些简单命题连接起来构成一个复合命题,以表示一个比较复杂的含义。<br> 个体域中的实体对谓词演算表达式的每个常量、变量、谓词和函数符号的指派。<br> 由于存在多种组合的情况,所以一个谓词公式的解释可能有很多个。对于每一个解释,谓词公式都可以求出一个真值(T或F)。</p> <h5><a name="t8"></a><a id="28__40"></a>2.8 一阶谓词逻辑表示法是结构化知识还是非结构化知识?适合于表示哪种类型的知识?它有哪些特点?</h5> <p>优点:(1)自然性(2)精确性(3)严密性(4)容易实现<br> 缺点:(1)不能表示不确定的知识(2)组合爆炸(3)效率低</p> <h5><a name="t9"></a><a id="29__43"></a>2.9 请写出用一阶谓词逻辑表示法表示知识的步骤。</h5> <p>(1)定义谓词及个体<br> (2)变元赋值<br> (3)用连接词连接各个谓词,形成谓词公式</p> <h5><a name="t10"></a><a id="210__47"></a>2.10 产生式的基本形式是什么?它与逻辑谓词中蕴含式有什么共同处和不同处?</h5> <p>1.确定性规则知识的产生式表示<br> IF P THEN Q<br> 或者P->Q<br> 例如:<br> IF 动物会飞 AND 会下蛋 THEN 该动物是鸟<br> 2.不确定性规则知识的产生式表示<br> IF P THEN Q(置信度)<br> 或者:P->Q(置信度)<br> 例如:IF 发烧 THEN 感冒(0.6)<br> 3.确定性事实性知识的产生式表示<br> 三元组表示:(对象,属性,值)<br> 或者:(关系,对象1,对象2)<br> 例:老李的年龄是40岁:(Li,age,40)<br> 老李和老王是朋友:(friend,Li,Wang)<br> 4.不确定性事实性知识的产生式表示<br> 四元组表示:(对象,属性,值,置信度)<br> 或者:(关系,对象1,对象2,置信度)<br> 例:老李的年龄可能是40岁:(Li,age,40,0.8)<br> 老李和老王不大可能是朋友:(friend,Li,Wang,0.1)<br> 区别:<br> (1)除逻辑蕴含外,产生式还包括各种操作、规则、变换、算子、函数等。例如,“如果炉温超过上限,则立即关闭风门”是一个产生式,但不是蕴含式。<br> (2)蕴含式只能表示精确知识,而产生是不仅可以表示精确的知识,还可以表示不精确知识。蕴含式的匹配总要求是精确的。产生式的匹配可以是精确的,也可以是不精确的,只要按某种算法求出的相似度落在预先指定的范围内就认为是可匹配的。</p> <h5><a name="t11"></a><a id="211__70"></a>2.11 <a href="https://so.csdn.net/so/search?q=%E4%BA%A7%E7%94%9F%E5%BC%8F%E7%B3%BB%E7%BB%9F&spm=1001.2101.3001.7020" target="_blank" class="hl hl-1" data-report-view="{"spm":"1001.2101.3001.7020","dest":"https://so.csdn.net/so/search?q=%E4%BA%A7%E7%94%9F%E5%BC%8F%E7%B3%BB%E7%BB%9F&spm=1001.2101.3001.7020","extra":"{\"searchword\":\"产生式系统\"}"}" data-report-click="{"spm":"1001.2101.3001.7020","dest":"https://so.csdn.net/so/search?q=%E4%BA%A7%E7%94%9F%E5%BC%8F%E7%B3%BB%E7%BB%9F&spm=1001.2101.3001.7020","extra":"{\"searchword\":\"产生式系统\"}"}" data-tit="产生式系统" data-pretit="产生式系统">产生式系统</a>由哪几部分组成?</h5> <p>(1)规则库:用于描述相应领域内知识的产生式集合<br> (2)推理机:由一组程序组成,负责整个产生式系统的运行,实现对问题的求解。<br> (3)综合数据库:一个用于存放问题求解过程中各种当前信息的数据结构。</p> <h5><a name="t12"></a><a id="212__74"></a>2.12 试述产生式系统求解问题的一般步骤。</h5> <p>(1)从规则库中取出r1,检查其前提是否可于综合数据库中的已知事实匹配。匹配失败则r1不能被用于推理。然后取r2进行同样的工作。匹配成功则r2被执行。<br> (2)分别用r3,r4,…,rn与综合数据库中的已知事实进行匹配。<br> (3)根据匹配结果进行输出。</p> <h5><a name="t13"></a><a id="213__78"></a>2.13 产生式系统中,推理机的推理方式有哪几种?在产生式推理过程中,如果发生策略冲突,如何解决?</h5> <h5><a name="t14"></a><a id="214__79"></a>2.14 试述产生式表示法特点。</h5> <p>优点:(1)自然性(2)模块性(3)有效性(4)清晰性<br> 缺点:(1)效率不高(2)不能表达结构性知识</p> <h5><a name="t15"></a><a id="215__82"></a>2.15 框架的一般表示形式是什么?</h5> <p>框架是一种描述所论对象属性的数据结构。一个框架由若干个被称为槽的结构组成,每一个槽又可以根据实际情况划分为若干个侧面,一个槽用于描述所论对象某一方面的属性。一个侧面用于描述相应属性的一个方面。</p> <h5><a name="t16"></a><a id="216__84"></a>2.16 框架表示法有何特点?请叙述用框架表示法表示知识的步骤。</h5> <p>(1)结构性(2)继承性(3)自然性</p> <h5><a name="t17"></a><a id="217__86"></a>2.17 试构造一个描述读者的办公室或卧室的框架系统。</h5> <p>框架名:<办公室><br> 地点:河南理工大学<br> 大小:150m2<br> 门:1扇<br> 桌子:10张</p> <h5><a name="t18"></a><a id="218__93"></a>2.18 试构造一个描述计算机主机的框架系统。</h5>  <div id="article_content" class="article_content clearfix"> <link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/kdoc_html ## 第三章 ### 推理的基本概念 推理是按照某种策略从已有事实和知识推出结论的过程。 - 演绎推理  - 归纳推理 - **默认推理(缺省推理)**:知识不完全的情况下,假设某些条件已经具备 ## 第五章 **搜索求解策略** 如何在尽可能少状态空间图中找到最优解? #### 盲目图搜索策略 - **回溯策略**:当遇到不可解点时就回溯到最近的父节点上,查看该节点是否还有其他子节点未被扩展。递归过程性质。 - 宽度优先搜索策略:决策树式搜索广度扩张。队列 - **深度优先搜索策略**:未找到目的状态或者无法扩展时回溯到另一条路径,栈 #### 启发式图搜索策略 - 当一个问题没有确定对解,或空间很大,通过启发式搜索策略引导搜索来降低搜索的复杂度 - **如棋盘第一步只有三种走法** - > $f(n) = g(n) + h(n)$ = 实际已经代价+估计的代价(不确定) > > 曼哈顿距离:$D=|x_1-x_2|+|y_1-y_2|$ > > 欧几里得距离: #### 八数码问题:启发式搜索 > ### A* 算法 [(5条消息) A*算法详解(个人认为最详细,最通俗易懂的一个版本)_StudyWinter的博客-CSDN博客_a*算法](https://blog.csdn.net/Zhouzi_heng/article/details/115035298) > A*和A算法可以降低搜索量,但不一定有最优解。 > > ## 神经网络 - 前馈 - 反馈:经过若干神经元后反馈到中间神经元的输入端。 - 训练:调整连接的权值或结构 - BP神经网络:前馈神经网络 ## ==遗传算法==  - 交叉,单点交叉(点前后交叉互换),二点交叉,均匀交叉 - 变异 1. 生成二进制串 2. 计算适应度值,目标函数 3. 选择(轮盘赌)、交叉(单点交叉)、变异(小概率变异),选择参数 4. 得到最佳结果 优点:很强的鲁棒性,求解复杂问题的通用框架 ### 双种群遗传算法 两个种群独立进行==选择,交叉,变异==。***每一代*运行结束后进行随机个体,最优个体互换**  ## 人工智能的应用 深度学习的技术原理: 1.构建一个网络并且随机初始化所有连接的权重; 2.将大量的数据情况输出到这个网络中; 3.网络处理这些动作并且进行学习; 4.如果这个动作符合指定的动作,将会增强权重,如果不符合,将会降低权重; 5.系统通过如上过程调整权重; 6.在成千上万次的学习之后,超过人类的表现; 计算机视觉的技术原理: 计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。 ## 神经网络的应用 前馈型神经网络 > - 前馈神经网络: > 这是实际应用中最常见的神经网络类型。第一层是输入,最后一层是输出。如果有多个隐藏层,我们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。 > > - 循环网络: > 循环网络在他们的连接图中定向了循环,这意味着你可以按照箭头回到你开始的地方。他们可以有复杂的动态,使其很难训练。他们更具有生物真实性。 > > - CNN > > - 卷积层:卷积神经网络,卷积核在图像上移动,得到特征图,确定卷积核的过程就是训练的过程 > - 池化层:选取主要特征,取max或average,解决相邻像素相似信息的特质冗余问题 > - 全连接层:将特征集合到一起得到结果概率,如ReLU,留下重要的部分 > > > ## 卷积神经网络的组成 > > > > 与其他神经网络相同,CNN网络同样也包含输入层、隐藏层、输出层几大部分,卷积神经网络的主要运算过程如图4-24所示。 > > > >  > > > > 图4-24卷积神经网络处理过程 > > > > 卷积层(Convolutional layer):卷积层由多个卷积单元组成,每个卷积单元的参数都是通过**反向传播算法**优化得到的。卷积运算主要为了提取图像的特征,随着卷积层的增加,多层网络可以提取更为复杂的图像特征。 > > > > 线性整流(Rectified Linear Units layer, ReLU layer):主要指的是激活函数运算(Activation function)使用线性整流的ReLu函数(Rectified Linear Units, ReLU)。 > > > > 池化层(Pooling layer):在卷积之后图像的维度特征依然很多,将特征矩阵分割成几个单个区块,取其最大值或平均值,起到了降维的作用。 > > > > 全连接层(Fully-Connected layer):把所有局部特征以及各通道的特征矩阵结合变为向量代表,计算最后每一类的得分。 > > ### 人脸识别 > 人脸识别啊。如果我要做一个人脸识别,那么我们怎么来设计这个网络,这个应用这个网络,或者应用人工神经网络进行人脸识别,这个过程中它有哪些流程?啊,有哪些流程。还有一些性能是怎么来表现的好,这些东西大家要清楚,因为我相信呢,就是对对于我们计算机学院人来说。这个其实不上课大家也能够知道啊,继续学习跟人工神经网络就是我们结合一个具体的问题。带你去设计这样一个网络方法。你要能够画的出来。因为我们在设计的时候,你不需要去关注它的好与坏嘛,只要你把这个架构,这个流程搞清楚就行了 > >  > > > - 卷积层:卷积神经网络,卷积核在图像上移动,得到特征图,确定卷积核的过程就是训练的过程,**卷积层级之间的神经元是局部连接和权值共享,以减少wb的数量,加快训练。**==压缩提纯,不断变胖,多个卷积核,把符合卷积核的特征提取出来== > > - 池化层:选取主要特征,取max或average,解决相邻像素相似信息的特质冗余问题 > > - 全连接层:将特征集合到一起得到结果概率,如ReLU、sofemax,留下重要的部分 > >  > > 1. 其中,输入原始画像后,进行4*4卷积后,在进行池化,卷积…最后使用两个全连接得到最终结果。 > > - **填充padding**,让边界有被多次扫描到,亦或是让图片一致。 > - stride步幅,滑动格子的次数 ### 图像分类 > 1. 预处理,读取,转为矩阵,归一化,标签独热编码 # 补充 ## [人工智能仅供参考.pdf]("C:\Users\519\Desktop\master\研一\人工智能课程\人工智能\人工智能仅供参考.pdf) ### \1. 什么是人工智能? > 用人工的方法在机器(计算机)上实现的智能;或者说是人们使机器具有类似于人的智能。 > > \2. 给前提,可以用谓词逻辑表示法表示出来。 ### \3. 框架表示法的优缺点 > ==产生式的特点== > > ***\**主要优点:\**\*** > > ① 自然性:产生式表示法用“如果……,则……的形式表示知识,这是人们常用的一种表达因果关系的知识表示形式,既直观、自然,又便于进行推理。 > > ② 模块性:产生式是规则库中最基本的知识单元,它们同推理机构相对独立,而且每条规则都具有相同的形式。 > > ③ 有效性:产生式表示法既可表示确定性知识,又可表示不确定性知识;既有利于表示启发式知识,又可方便地表示过程性知识。 > > ④ 清晰性:产生式有固定的格式。每一条产生式规则都由前提与结论(操作)这两部分组成,而且每一部分所含的知识量都比较少。 > > ***\**主要缺点:\**\*** > > ① 效率不高:在产生式系统求解问题的过程中,首先要用产生式的前提部分与综合数据库中的已知事实进行匹配,从规则库中选出可用的规则,此时选出的规则可能不止一个,这就需要按一定的策略进行“冲突消解”,然后把选中的规则启动执行。 > > ② 不能表达具有结构性的知识:产生式适合于表达具有因果关系的过程性知识,但对具有结构关系的知识却无能为力,它不能把具有结构关系的事物间的区别与联系表示出来。 > > > > ==***\*·框架表示法的特点\****== > > ① 结构性:便于表达结构性知识,能够将知识的内部结构关系及知识间的联系表示出来。 > > ② 继承性:框架网络中,下层框架可以继承上层框架的槽值,也可以进行补充和修改。 > > ③ 自然性:框架表示法与人在观察事物时的思维活动是一致的。 > > \4. 搜索求解树会画(A*算法的启发式函数,过程会画。有可能是8数码问题或推箱子问题) \5. 人工神经网络的神经元结构 ### \6. 前馈型人工神经网络和反馈型人工神经网络的拓扑结构 > 前馈神经网络,各神经元接收前一层的输入,并输出给下一层,没有反馈,比如CNN卷积神经网络。 > > 前馈神经网络结构简单,应用广泛,能够以任意精度逼近任意连续函数及平方可积函数.而且可以精确实现任意有限训练样本集。 > > 计算过程一般比较慢,收敛速度也比较慢; > 反馈神经网络存在一些神经元的输出经过若干个神经元后,再反馈到这个神经元的输入端。 > > 反馈神经网络输出端会反馈到其输入端,在输入的激励下,其输出会产生不断的状态变化,这个反馈过程会一直反复进行。 ### \7. 遗传算法的流程图 ### \8. 主观题:自己报告的内容要清楚(最少写5行左右) 什么是机器学习,简述机器学习系统的基本结构及各部分的作用。(10分)   
Jsp
Post Comments 评论列表
0
Comment 评论
Submit Comment 提交评论
Post Comments 评论列表0