AI

 AI哲学：(符号主义、连接主义）， （行为主义，进化主义，群体主义）， 以及以上几个途径都不可回避的( 学习主义)。

符号主义：三个核心问题是知识表示、搜索和推理。[启发式搜索，极大极小搜索，Alpah-Beta剪枝], [归结原理，不确定性推理]。  [缺点：仅依靠逻辑推理，没有形象思维，使用的是搜索求解的机制]。

连接主义：以及结构模拟为核心，自上而下，用学习来调整网络连接中的权值，基本核心问题是网络结构和学习算法。( 感知器，霍普菲尔德网络，自组织特征映射网络三大类型网络）。适合在模式识别这些不太适合采用人工符号主义的领域。

行为主义：对生物行为能力的模拟，强调与环境的交互中逐步提高能力，基本特点是“感知--行为”模式、现场式智能、渐进式智能。强化学习是环境与系统之间建立最优映射关系的学习算法。

进化主义：对群体的进化来解决人工智能中核心的搜索（优化）问题。

群体主义：对过个体之间的协作来解决单个个体不能解决的问题，或提高单个个体解决问题的效率。（多智能体，蚁群优化算法，粒子群优化算法）。

学习主义：不单独存在学习主义，其它5条途径都离不开学习主义，主要有：机械式学习，指导式、类比、归纳和解释学习，重点的归纳学习有（决策树、朴素贝叶斯分类器，贝叶斯信念网，划分聚类方法，层次聚类方法)。

 

人工智能应用领域：

自然语言处理，计算机博弈（用来做实验），模式识别（即自动识别和分类， 主要用于文字、声音、图像), 计算机视觉( 三维重建）,专家系统，知识发现，智能控制（自动驾驶）。

 

 符号主义：

搜索与问题求解:

       问题的表示方法： 状态空间表示法 与 与或图。

       状态空间表示法：将问题求解的每个可能的步骤表示成一个状态，全部状态与状态之间的转换构成一个以图的形式来表示的状态空间。

       与或图：与或图的基础是问题的归约。 问题归约是指将问题经过一系列的分解(所有子问题都有解时，原问题有解)或变换(子问题中其中之一有解时，原问题有解)，不断降低问题难度。

   

        盲目搜索算法：广度优先，深度优先，有界深度优先（比较好）。   => 八数码问题。

       启发式搜索：可指导搜索朝着可能的“最快”方向前进的信息被称为启发信息，通常利用估计函数将顶点对应的启发式信息转化为其代价值。根据选择扩展顶点的范围，分别全局择优启发式搜索（即在Open表中所有点中选择一个估计函数值最小的点进行扩展）和 局部择优启发式搜索（在刚生成的子顶点集合中选择一个估计值最小的顶点进行扩展）。

      

        A* 算法： 针对状态空间的启发式搜索。 估价函数f(Sn) = g(Sn) + h(Sn);   g(Sn) 表示从开始顶点S0 到顶点Sn的实际代价，h(Sn)是从顶点Sn到目标顶点Sg的最优路径的估计代价。A*算法的约束为, g*(Sn)是S0->Sn的实际最小代价, h*(Sn)是从Sn->Sg最小代价， A* 要求 h(Sn)<=h*(Sn), 即估计代价一定要小于实际最小代价。可以理解为，当h(Sn)> h*(Sn)时， 它所携带的信息不准确，可能在搜索中被排除。并且，当h(Sn) << h*(Sn)时，估计代价在搜索中起的作用被忽略，不能明确的指明搜索的方向故效率较低。从而， h(Sn) 要求在一定小于h*(Sn)的情况下， 尽量接近于h*(Sn)。

        AO*算法：用于与或图的启发式搜索。??

        博弈搜索：博弈树从选手的角度是一种与或树，可以使用极大极小搜索，在搜索过程中使用Alpha-Beta剪枝。

知识与推理：

 

 

 

连接主义：

人工神经网络： 人式神经网络的构造问题(如何模拟人脑结构) 与 人工神经网络的学习问题(如何自动确定连接的权值与网络的结构问题)。

 生物神经元：树突、轴突 与 细胞体 分别对应信号的　输入、输出与处理。 细胞体内外有不同的电位，利用电位差来传递信号。

生物神经元的功能：时空整合（对同一突触的神经冲动有时间整合功能，对不同突触神经冲动有空间整合功能), 兴奋与抑制状态，脉冲与电位转换，传导，延时。

人工神经元：x1,x2,..,xn表示神经元的n个输入, w1,w2,...,wn表示对应的n个连接强度，s表示输出阈值即电位阈值, y表示输出。

        整合函数：加权求和-s 或 径向距离

        激活函数：。。。

人工神经网络的拓扑结构：