人工智能知识点

认知(cognition)是和情感、动机、意志等相对的理智或认识过程。思维是客观现实的反映过程，是具有意识的人脑对于客观现实的本质属性、内部规律性的自觉的、间接的和概括的反映。形象思维：用典型化的方法进行概括，并用形象材料来思维。抽象思维：基于抽象概念的思维形式，通过符号信息处理进行思维。灵感思维：灵感思维是形象思维扩大到潜意识，人脑有一部分对信息进行加工,，但是人并没有意识到。智能是个体有目的的行为、合理的思维,以及有效的适应环境的综合性能力。机器学习的研究四个阶段：无知识的学习：符号概念获取：实例学习：有知识的学习：人工思维将以开放式自主系统为基础，充分发挥各种处理范型的特长，实现集体智能，才能达到柔性信息处理，解决真实世界的问题。集体智能(collectiveintelligence)：在多种处理范型的环境下，各种处理机制各行其事，各司其职，协调工作，表现为集体的智能行为。认知科学是研究人类感知和思维信息处理过程的科学,包括从感觉的输入到复杂问题求解,从人类个体到人类社会的智能活动,以及人类智能和机器智能的性质。问题求解搜索主要分为两类性质的搜索：即基本搜索和智能搜索。启发式搜索：其特点在于是一种有准备的、追求效率而有的放矢的智能搜索，它要求依据某种知识及信息的指导，通过逐一状态比较而找到符合规定条件的目标状态解。启发式搜索方法分为局部择优搜索和全局择优搜索两大类。学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。学习的三种类型有监督(有指导)学习无监督(无指导)学习强化学习机械学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计算和推理解释学习在经验学习的基础上，运用领域知识对单个例子的问题求解作出解释，这是一种关于知识间因果关系的推理分析，可产生一般的控制策略。类比推理的目的是从源域中选出与当前问题最近似的问题及其求解方法以求解决当前的问题，或者建立起目标域中已有命题间的联系，形成新知识。归纳学习是符号学习中研究得最为广泛的一种方法。给定关于某个概念的一系列已知的正例和反例，其任务是从中归纳出一个一般的概念描述。归纳学习可以分为实例学习、观察与发现学习。决策树：自信息量，信息熵粗糙集理论在知识发现中的作用1、粗糙集理论可以用于对遗失数据的填补。2、对数据集进行降维操作。3、用于分类规则的发现。所谓强化（reinforcement）学习是指从环境状态到行为映射的学习，以使系统行为从环境中获得的累积奖励值最大。强化学习算法可划分为两类：一类算法是先进行模型的学习，再根据模型知识推导最优策略，这类算法被称为模型相关算法(Model-based)；另一类算法是直接计算最优策略，这类算法统计方法是从事物的外在数量上的表现去推断事物可能的规律性。统计方法是从事物的外在数量上的表现去推断事物可能的规律性。支持向量机（supportvectormachine，SVM）是Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的统计学习引入了泛化误差界的概念6.计算智能神经网络可分为四大类：分层前向网络、反馈前向网络、互连前向网络、广泛互连网络。神经网络的学习方式包括三种，有导师学习、强化学习和无导师学习。进化计算（EvolutionaryAlgorithms，或EvolutionaryComputing），顾名思义，即建立在进化理论基础上的计算，它是仿照生物生命发展过程而建立起来的计算理论。包括遗传算法（GeneticAlgorithms，GA）；进化策略（EvolutionStrategies，ES）；进化规划（EvolutionaryPlanning，EP）和进化编程遗传算法原理：遗传算法基于达尔文进化论的观点，依照适者生存，优胜劣汰等自然进化法则，通过计算机来模拟生命进化的机制，进行智能优化计算和问题搜索求解。群智能定义：任何一种由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群智能。数据挖掘：运用选定的挖掘算法，搜索或产生一个特定的感兴趣的模式或数据集，从数据中提取出用户所需要的知识，这些知识可以用某种特定的方式表示或使用一些常用的表示方式，如产生式规则等数据挖掘（DateMining）是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的、潜在的、有用的信息。统计方法是从事物的外在数量上的表现去推断该事物可能的规律性。可能用于机器发现的机器学习方法有：（1）规则归纳（2）决策树（3）范例推理。遗传算法：在求解过程中，通过最好解的选择和彼此组合，使期望解的集合愈来愈好。K-means算法（1）从D中随机取k个元素，作为k个簇的各自的中心。（2）分别计算剩下的元素到k个簇中心的相似度，将这些元素分别划归到相似度最高的簇。（3）根据聚类结果，重新计算k个簇各自的中心。（4）将D中全部元素按照新的中心重新聚类。（5）重复第4步，直到聚类结果不再变化。（6）将结果输出。Web挖掘是对Web文档的内容、Web上可利用资源的使用情况以及资源之间的关系进行分析，从中发现有效的、新颖的、潜在有用的、并且最终可理解的模式。网络数据资源种类：第一类是内容(Content)第二类是结构(Structure)第三类是使用(Usage)第四类是用户资料(UserProfile)Web数据挖掘流程：查找资源、信息选择及预处理、模式发现、模式分析网络数据资源种类：第一类是内容(Content)，即网页上的真正数据；第二类是结构(Structure)，即描述内容组织的数据；结构信息包括各种HTML或XML标记及其出现的序列等，其中最主要的结构信息是网页之间的超链接；第三类是使用(Usage)，是网页被人浏览的记录，如IP地址、访问时间等，这些信息可以从Web服务器的日志文件获得。第四类是用户资料(UserProfile)，是某个网站中记录的用户资料。Web结构挖掘从web结构中发现潜在链接模式的过程。Web使用挖掘通过对用户在访问服务器时留下的访问记录进行挖掘，从而获得有关用户的访问模式。服务器日志包括访问日志、引用日志和代理日志。互联网智能语义Web是一个网，它包含了文档或文档的一些部分，描述了事物间的明显关系，且包含语义信息，以利于机器的自动处理。本体（Ontology）是一种明确的共享概念化的形式说明，它揭示了资源本身以及资源之间更为复杂和丰富的语义信息。Gruber的定义：本体是概念化的明确的规范说明。