当前位置：文档之家 › 计算智能chapter1 绪论

计算智能chapter1 绪论

  • 格式：pdf
  • 大小：415.89 KB
  • 文档页数：49

下载文档原格式

  / 49

合集下载

人工智能chapter1((人工智能基础)

人工智能chapter1((人工智能基础)

人工智能发展概要人工智能定义从1956年正式提出人工智能学科算起，40多年来，取得长足的发展，成为一门广泛的交叉和当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标人工智能理论进入21世纪，正酝酿着新的突破-人工生命的提出，不仅意味着人类试图从传统的什么是人工智能?定义1 智能机器(intelligent machine)能够在各类环境中自主地或交互地执行各种拟人任务人工智能是那些与人的思维、决•Schalkoff, 1990 人工智能是一门通过计算过程，力图理解和模仿智能行为的学科。

•Rick和Knight,1991 人工智能研究如何使计算机做事，而让人过得更好。

•Winston, 1992 人工智能是研究那些使理解、推理和行为成为可能的计算。

•Luger和Stubblefield,1993 人工智能是计算机科学中，与智能行为的自动化有关的一个分支。

1956年夏季，由麦卡锡(J. McCarthy)等美国年轻学者发起的首次人工智能研讨会标志着人工1. 形成期1956年到1961年可以说是AI研究的形成时2. 成长期•1961年以后进入AI研究成长期。

然而在成长期的早期（60年代），由于不适当地过分强调和依赖于符号逻辑和形式推理（AI形成期为AI建立的研究基础），导致了AI研究陷入基于弱法（weak methods）的纯学术研究的困境。

•所谓弱法就是通用问题求解策略，由于片面强调相应算法的通用性，忽视问题域特别信息的指导作用，容易引起所谓的组合爆炸问题。

•组合爆炸意指，复杂的问题涉及大量因素，由这些因素的适当组合而构成的可能解答的数目相当庞大，以至于再高速的计算机已无法在合理的时间内通过穷尽的枚举来找出正确答案。

•结果，弱法只能解决智力游戏（过河，九宫图）、玩具问题（积木块世界动作规划）等十分简单的问题。

60年代中期到70年代初，斯坦福大学研制的DENDRAL（用化学专业知识从质谱议数据推断有机化合物的结构）和MYCIN（人血液疾病诊断咨询系统）以及随之涌现的大批专家系统和建造工具的研制，使AI从纯弱法的研究困境中解脱出来，赋予新的生命力，以至引起八十年代初的AI大发展。

[课件]智能计算理论PPT

[课件]智能计算理论PPT
符号主义认为人工智能源于数理逻辑。数理逻辑从19世 纪末起得以迅速发展，到20世纪30年代开始用于描述智 能行为。计算机出现后，又在计算机上实现了逻辑演绎 系统。其有代表性的成果为启发式程序逻辑理论家，证 明了38条数学定理，代表了可以应用计算机研究人的思 维形成，模拟人类智能活动。
陕西师范大学 计算机科学学院 9
陕西师范大学 计算机科学学院 14
2018/12/9
从符号主义到连接主义：行为主义

行为主义(actionism)，又称为进化主义(evolutionism)或 控制论学派(cyberneticsism)，其原理为控制论及感知-动 作型控制系统。 行为主义认为人工智能源于控制论。控制论思想早在20 世纪40~50年代就成为时代思潮的重要部分，影响了早 期的人工智能工作者。维纳(Wiener)和麦克洛克 (McCulloch)等人提出的控制论和自组织系统以及钱学 森等人提出的工程控制论和生物控制论，影响了许多领 域。控制论把神经系统的工作原理与信息理论、控制理 论、逻辑以及计算机联系起来。
陕西师范大学 计算机科学学院 10

2018/12/9
从符号主义到连结主义：符号主义

符号主义者，在1956年首先采用“人工智能”这个术语。 后来又发展了启发式算法->专家系统->知识工程理论与 技术，并在20世纪80年代取得很大发展。符号主义曾长 期一枝独秀，为人工智能的发展作出重要贡献，尤其是 专家系统的成功开发与应用，为人工智能走向工程应用 和实现理论联系实际具有特别重要的意义。在人工智能 的其他学派出现之后，符号主义仍然是人工智能的主流 派别。这个学派的代表人物有纽厄尔(Newell)、西蒙 (Simon)和尼尔逊(Nilsson)等。

《计算智能》课件

《计算智能》课件

计算智能的挑战与
限制
分析了当前计算智能面临的主要 挑战和限制，如数据质量、算法 可解释性、隐私保护等。
展望
未来发展方向
探讨了计算智能未来的发展趋势和研究方向，如深度学习、强化学 习、迁移学习等。
与其他技术的融合
讨论了计算智能与物联网、云计算、边缘计算等技术的融合，以及 它们在智能制造、智慧城市等领域的应用前景。
应用领域
人工神经网络在模式识别、图像处理、语音识别、自然语言处理等领域 有广泛应用。
模糊逻辑
总结词
模糊逻辑是一种处理不确定性、不完全性和模糊性的逻辑方法，通过引入模糊集合和模糊推理规则，实现对模糊信息 的处理。
详细描述
模糊逻辑通过将经典集合论中的确定性边界扩展到模糊边界，允许元素同时属于多个集合，从而更准确地描述现实世 界中的模糊现象。模糊逻辑在控制系统、决策支持系统、专家系统等领域有广泛应用。
详细描述
推荐系统广泛应用于电子商务、在线视频、社交媒体等领域。通过分析用户的购买记录、浏览历史和 兴趣爱好等信息，推荐系统可以为用户推荐相关商品、视频或朋友，提高用户体验和满意度。
机器人控制
总结词
机器人控制技术利用计算智能实现对机器人的精确控制，使机器人能够完成复杂任务。
详细描述
机器人控制技术广泛应用于工业制造、医疗护理、航空航天等领域。在工业制造中，智 能机器人可以自动化地完成生产线上的任务，提高生产效率；在医疗护理中，机器人可 以帮助医生进行手术操作或为病人提供护理服务；在航空航天中，机器人可以协助宇航
法律法规制定
为规范人工智能的发展和应用，需要制定相应的法律法规，明确人工智能的合法地位和责任归属，为人工智能技 术的发展和应用提供法律保障。
05

Algorithms Chapter 1 绪论

Algorithms Chapter 1 绪论

怎么处理？
30
The Design and Analysis of Algorithms
Chapter 1 Introduction to Algorithms
What’s an Algorithm?
算法是一系列解决问题的清晰指令，也就是说，能够对 一定规范的输入，在有限时间内获得所要求的输出。
16
The Design and Analysis of Algorithms
算法可以解决哪些问题
找出人类DNA中所有100000种基因，确定构成人类DNA的30亿种化学基 17 对的各种序列。
The Design and Analysis of Algorithms
算法可以解决哪些问题
快速访问和检索互联网数据
The Design and Analysis of Algorithms
例子
• “贝格尔”编排法(Beiger Arrangement) 把参赛队数分一半(参赛队为单数时，最后以“0” 表示形成双数)，前一半由1号开始，自上而下写在 左边；后一半的数自下而上写在右边，然后用横线 把相对的号数连接起来。这即是第一轮的比赛。 第二轮将第一轮右上角的编号(“0”或最大的一个代 号数)移到左角上，第三轮又移到右角上，以此类推。 即单数轮次时“0”或最大的一个代号在右上角，双 数轮次时则在左上角。
//使用欧几里得算法计算gcd(m,n) //输入：两个不全为0的非负整数m,n //输出：m，n的最大公约数
28
The Design and Analysis of Algorithms
例子
• “贝格尔”编排法(Beiger Arrangement)
这种编排方法是否完美？

人工智能讲稿 计算智能(1)

人工智能讲稿 计算智能(1)

第四章计算智能(1)教学内容：本章讨论计算智能所涉及的领域和范围，计算智能的含义及它与传统的人工智能的区别。

介绍人工神经网络的由来、特性、结构、模型和算法；神经网络的表示和推理。

简要地介绍模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。

教学重点：计算智能；人工神经网络的结构、模型和算法，以及表示和推理。

教学难点：人工神经网络的结构、算法和推理；模糊数学的运算法则和模糊逻辑推理。

教学方法：课堂教学为主。

适当提问，加深学生对概念的理解。

教学要求：通过对本章的学习，使学生掌握人工神经网络的结构、模型和算法，了解计算智能所涉及的领域和范围，了解人工神经网络的特性、表示和推理，了解模糊数学的基本概念、运算法则、模糊逻辑推理和模糊判决等。

4.1概述教学内容：本节介绍计算智能所涉及的领域和范围，计算智能的含义及其与传统人工智能的区别。

贝兹德克提出的“ABC”，及它与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。

教学重点：计算智能的含义及其与传统的人工智能的区别。

教学难点：“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。

教学方法：课堂教学。

教学要求：掌握计算智能的含义，了解计算智能与传统的人工智能有何区别。

了解贝兹德克提出的“ABC”及其与神经网络（NN）、模式识别（PR）和智能（I）之间的关系。

信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。

计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正是反映了当代科学技术多学科交叉与集成的重要发展趋势。

把神经网络（NN）归类于人工智能（AI）可能不大合适，而归类于计算智能（CI）更能说明问题实质。

进化计算、人工生命和模糊逻辑系统的某些课题，也都归类于计算智能。

计算智能取决于制造者（manufacturers）提供的数值数据，不依赖于知识；另一方面，人工智能应用知识精品（knowledge tidbits）。

智能计算基础

智能计算基础
的心灵，并产生相应的感受。 如果每当小提琴声响时，你抽打一条狗五六次，
那么，一旦它再听到提琴声，它就会吼叫而跑。
18
概率论的产生
概率论源于意大利的赌博业。 法国科学家Pascal和Fermat提出了概率论的概
念。 贝努力提出了“置信度”的概念。当有了新的
证据时，主观概率可以更改。 Bayes提出了Bayes公式，奠定了人工智能系统
长的。学习能力的大小与神经元的特征 及神经元的学习强度有关。 某些学习是由遗传决定的。 外界环境也会影响神经元的学习。
32
人工智能的诞生
1956年在美国Dartmouth大学举行了2个月的研讨 会。会上首次提出了“Artificial Intelligence”这个 概念，讨论如何使机器模拟人类智能这个中心问 题。
亚里士多德：（前384—前322年），创造了形式逻辑 学。主要著作有：形而上学、物理学、诗学、工具论、 政治学、论灵魂、论产生与毁灭、伦理学。被称为 “动物学之父”。
与柏拉图同在，与亚里士多德同在。
13
逻辑学
判断语句是对事物有所肯定或否定的思 维形式。
命题是具有真假意义的一句话。 三段论
结论，再根据一些事实对这些结论进行验证，去掉错误的， 保留正确的。
16
近代智能世界
笛卡尔 笛卡尔（1596-1650）提出了运动量守恒定律。
他的学说导致关于人类存在与思维问题的理解 发生了革命性的变化。 《形而上学的沉思》、《方法论》、《哲学原 理》、《心灵感受》 发明了笛卡尔坐标，被称为“解析几何之父”。 现代哲学之父、启蒙之父
17
近代智能世界
笛卡尔 发生在脑部的任何特定的活动，会立即影响人
什么是智能？智能在哪里？智能什么样？ 智能：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。 智能在人体中，是脑的重要功能。 智能的表现形式多样。

计算智能课件


9

Publications
IEEE Transactions on Fuzzy Systems This journal is devoted to the theory, design and applications of fuzzy systems, ranging form hardware to software. Emphasis will be given to engineering applications.
4 粒子群优化算法 Particle Swarm Optimization
5 蚁群优化算法 Ant Colony Optimization
6 模拟退火 Simulated Annealing
7 禁忌搜索
Tabu Search
2
第1章 绪论
Preface
Computational Intelligence: A Glimpse History Magazine & Conference People
Company Logo
计算智能
（Computational Intelligence, CI） 中国石油大学（北京） 李莉 uplily@1Content
1 绪论 Preface
2 模糊逻辑 Fuzzy Logic
3 遗传算法 Genetic Algorithm
12

Putlications
IEEE Transactions on Computational Intelligence and AI in Games The journal is co-sponsored by IEEE CI Society the IEEE Computer Society, the IEEE Consumer Electronics Society and the IEEE Sensors Council.

人工智能第4章 计算智能(1)


四.人工神经网络的特点
（1）并行分布处理, 神经网络具有高度的并行结构和并行 并行分布处理, 实现能力. 实现能力. 非线性映射, 神经网络具有固有的非线性特性, （2）非线性映射, 神经网络具有固有的非线性特性,这源于 其近似任意非线性映射（变换）能力。 其近似任意非线性映射（变换）能力。 通过训练进行学习, （3）通过训练进行学习,神经网络是通过所研究系统过去 的数据记录进行训练的。 的数据记录进行训练的。一个经过适当训练的神经网络具有 归纳全部数据的能力。 归纳全部数据的能力。 适应与集成,神经网络能够适应在线运行， （4）适应与集成,神经网络能够适应在线运行，并能同时 进行定量和定性操作. 进行定量和定性操作. 硬件实现, （5）硬件实现,神经网络不仅能够通过软件而且可借助软 件实现并行处理. 件实现并行处理.
7.学习法则 7.学习法则
神经网络的运行包括两个阶段： 神经网络的运行包括两个阶段： 向神经网络提供一系列输入－ 1 . 训练或学习阶段 向神经网络提供一系列输入 － 输出数 据组,通过数值计算方法和参数优化技术, 据组 , 通过数值计算方法和参数优化技术 , 使节点连接的权值 不断调整,直到从给定的输入能产生所期望的输出. 不断调整,直到从给定的输入能产生所期望的输出. 预测（ 应用） 以训练好的网络, 2 2 . 预测 （ 应用 ） 阶段 以训练好的网络 , 对未知的样本进行 预测 人工神经网络的主要学习算法 .有师学习 .无师学习 .强化学习
4.2 人工神经网络的进展
一.人工神经网络是对人脑结构的模拟
人工神经网络诞生於1943年 人工神经网络诞生於1943年,试图通过对人脑结构模拟实现 新的计算方法. 新的计算方法.由于直到现在我们对大脑的结构和工作机理并 不非常清楚,所以它并不是真正的神经网络模型, 不非常清楚,所以它并不是真正的神经网络模型,但并不妨碍它 成为一种有效的计算工具.以下是它模拟的对象:(神经元模型 神经元模型) 成为一种有效的计算工具.以下是它模拟的对象:(神经元模型)

《计算智能1教学》课件

3 机器学习基础
介绍机器学习基础技术，包括分类、回归、聚类和降维等，以及常见的机器学习算法。
进阶应用
图像识别
介绍图像识别的基本概念和发展历程，讲解常见的 图像识别应用场景和比较流行的算法。
语音识别
介绍语音识别的基本概念和发展历程，讲解常见的 语音识别应用场景和比较流行的算法。
自然语言处理
介绍自然语言处理的基本概念和发展历程，讲解常 见的自然语言处理应用场景和比较流行的算法。
计算智能1教学PPT课件
从人工智能到深度学习，本课程将带你领略人工智能技术的最前沿。我们将 会探讨这些技术的基本原理以及它们的最新应用，帮助你了解计算智能编程 的基础知识。
概述
课程简介
介绍人工智能的基本概念和它在科技领域的进展， 讲解计算智能的基础部件和计算认知的重要性。
机器学习基础
介绍机器学习基础技术，包括分类、回归、聚类和 降维等，以及常见的机器学习算法。
推荐系统
介绍推荐系统的基本概念和发展历程，讲解常见的 推荐系统应用场景和比较流行的算法。
实践案例
1
简单的机器学习案例
用简单的机器学习算法来解类等。
基于深度学习的图像识别案例，包括分
类、定位、检测和分割等。
3
语音识别案例
介绍基于深度学习的语音识别应用案例，
发展前景
展望计算智能技术未来的发展方向和前景，分析未来计算智能领域的热门方向。
学习资源推荐
介绍部分优秀的学习资源，包括论文推荐、课程推荐、工具推荐等。
深度学习基础
介绍神经网络和深度学习的基本概念，包括卷积神 经网络、循环神经网络等，以及它们的应用领域。
人工智能基础
1 人工智能的概念和发展
从人工智能的初衷到目前的发展历史，介绍人工智能的起源、发展阶段和未来前景。

计算智能第1章 绪论


1.1.2 组合优化问题
组合优化问题的决策变量是离散取值的
例如整数规划问题，0-1规划问题等等
很多离散组合优化问题都是从运筹学（Operations Research，OR）中演化出来的 组合优化其所研究的问题涉及到信息技术、经济管理、 工业工程、交通运输、通信网络等众多领域，在科学研 究和生产实践中都起着重要的作用
1.1.2 组合优化问题
经典组合优化问题：
旅行商问题（Traveling Salesman Problem，TSP） 0-1背包问题（Zero/one Knapsack Problem，ZKP/0-1KP/KP） ……
当问题规模n比较大时，用枚举方法所需时间太大，我们 借助智能优化计算方法，可以在合理的时间内求解得到 令人满意的解，从而满足实践的需要
1.3 计算智能方法
随着技术的进步、工程实践问题变得 越来越复杂，传统的计算方法面临着 计算复杂度高、计算时间长等问题 计算智能方法采用启发式的随机搜索 策略，在问题的全局空间中进行搜索 寻优，能在可接受的时间内找到全局 最优解或者可接受解 计算智能算法在处理优化问题的时候， 对求解问题不需要严格的数学推导，而 且有很好的全局搜索能力，具有普遍的 适应性和求解的鲁棒性
NP类问题 P类问 题 NP完全问题 NP难问题
1.3 计算智能方法
计算智能算法是人工智能的一个分支，是联结主义的典型 人工智能 代表，又称为仿生学派或生理学派。
逻辑主义
又称为符号主义 (Symbolicism)、心理 学派(Psychlogism)或 计算机学派 (Computerism)，其原 理主要为物理符号系 统假设和有限理性原 理。
1.3.1 计算智能的分类与理论
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算智能
李翠华 ，曲延云 办公室：海韵园 科研楼408室 电话：2580133
教材
N.J.Nilsson, Artificial Intelligence━A New Synthesis, Morgan Kaufmann Publishers,Inc. ,1998 中 译本：人工智能，机械工业出版社， 2000年10月
基本要求
结合课程学习，穿插主题讨论3-5次，需要 做一些作业，其中包括3-5个大型作业/实 验，要求交书面报告及实现程序，以锻炼 书面表达能力和动手解决问题的能力，为 科研做准备。 考试方式：大型作业+闭卷考试
前言
人工智能（Artificial Intelligence,简称AI）的发 展，带动了许多重要领域的发展，如机器视觉 （Machine Vision）、机器学习(Machine Learning)、机器演化 (Machine Evolution)等，其 中有的作为人工智能的研究分支，有些作为新的 研究领域，不断发展壮大，人工智能的许多思想 都被吸收到计算机科学研究领域，并被广泛应用 于专家系统、自然语言处理、人-机交互、信息检 索、图形/图象处理、模式识别、数据挖掘（Data mining）以及机器人等领域。
2. Can machines think ?
AI是在不停的论战中发展的，焦点问题是 “机器能不能思考？” 围绕着这个问题的回答，1950年图灵 （ Turing ）设计出了图灵试验（Turing test）,当时图灵就意识到，对问题“机器是 否能思考”的回答取决于我们怎样定义“机 器”和“思考”。Nilsson认为还应该加上“取决 于怎样定义’能‘ ”。
参 考 资 料（续）
J.H.Holland, Adaptation in Natural and Artificial Systems, Ann Arbor: The Univ. of Michigan Press,1975 John R. Koza, Genetic Programming: On the Programming of Computers by Means of Natural Selection, The MIT Press,1992 杨行峻，郑君里，人工神经网络，高等教 育出版社，1992
参考资料
S.Russel and P.Norvig, Artificial Intelligence: A Modern Approach, Englewood Cliffs, NJ: Prentice Hall, 1995/1998 中译本：人工智能—一种现代方法（第二 版）， 人民邮电出版社，2004年6月 Thomas Dean and James Allen, and Yiannis Aloimonos, Artificial Intelligence, Theory and Practice,1996 史忠植，现代人工智能，中科院研究生教材， 1998
主要内容
绪论： 人工智能的诞生与发展历史，人工智能研究的主 要问题，人工智能实现的根本途径，人工智能的 现状与未来发展趋势，人工智能研究的新增长 点—计算智能。 问题求解： 问题求解搜索技术，包括局部优化搜索算法，如 爬山法、局部剪枝搜索，连续空间的局部搜索； 启发式搜索；对抗搜索，如博弈中的优化决策-优化策略、极小极大值算法；α − β 剪枝等。
S.Kirkpatrick 等，Optimization by simulated annealing ,Science, 220(4598),1983 康立山等，非数值并行算法（第一册）——模拟 退火算法，科学出版社，1994/1998 Goldberg D. E. , Genetic Algorithms in Search, Optimization, and Machine learning, Reading, MA: Addison Weley, 1989 徐宗本，张讲社，郑亚林，计算智能中的仿生 学：理论与算法，科学技术出版社，2003
主要内容纲要
计算智能主要研究那些人比机器擅长的领域内的问题及其算 法，机器学习是其重要的实现途径。本课程将学习下列主要内 容： （1）现代搜索技术，包括启发式搜索、梯度搜索、模拟 退火搜索、博弈搜索、极小极大搜索以及α- β剪枝过程等； （2）机器学习，包括机器学习的种类、模型及算法，如贝叶 斯（Bayes）学习、支持向量机（SVM）、人工神经网络（包 括人脑的基本特征、前馈网络、学习规则、多层前馈网络的反 向传播（BP）学习算法等）；（3）模拟进化搜索与学习算 法，包括生物进化过程、模拟进化原理与算法、模拟进化算法 的典型执行策略（Genetic algorithm,Evolution stragies,Evolutionary programing）、模拟进化策略的改进途 径、各种执行策略的比较和评注；（4）非单调逻辑及其推 理、不确定性推理、模态逻辑、知识的结构化表示与产生式系 统等。
统计学习方法： 完整数据下的学习：离散情况下最大似然参数学习、朴素 Bayes模型、连续情况下的最大似然学习、Bayes参数学 习、学习Bayes网络结构； 隐变量学习—EM算法：无监督聚类（混合Gauss分 布）、学习含有隐变量的Bayes网络、学习隐Markov模 型、EM算法的一般形式； 基于实例的学习：最近邻模型、核模型； 支持向量机(SVM)：最优分类超平面、△-间隔分类超平 面、构造最优超平面、高维空间推广、核函数、特征空间 的SVM、SVM用于回归、SVM的组合--AdaBoost方法; 流型学习; Fuzzy逻辑与推理：Fuzzy集合及其运算、Fuzzy关系与 Fuzzy矩阵、Fuzzy推理的各种模型、CRI方案下的Fuzzy 推理算法、3I方案下的Fuzzy推理算法. 粗糙集理论及应用，粒子群优化方法， 人工生命：蚁群算法。
George F. Luger, Artificial Intelligence
Structures and Strategies for Complex Solving Fourth Edition
中译本：史忠植等译，人工智能
复杂问题求解的结构和策略，机械工业出版社， 2004
参 考 资 料（续）
以认为某机器（或系统）是否具有智能。
图灵试验
图灵试验最早是通过游戏的形式来描述的：游戏由三人来 玩，一男（A）、一女（B）和一名询问者（C）（性别不 限）进行(如下图所示)。询问者与其他两人隔离开来，只能 通过电传打字机联系。在游戏中，询问者的目的是分辨两人 的性别。开始，他只知道两人的称呼X、Y，最终，他需要在 “ X是A，Y是B”或者“X是B，Y是A”中选择答案。询问者允许 问A和B以下问题： C：X能告诉我你的头发的长度吗？ 如果X是A，那么他必须错误。··· 而B的任务则是帮助询问者。··· 现在我们提出这样一个问题：一个机器代替游戏中的A会如 何？询问者会依然像当游戏由一男一女进行时一样经常判断 错误吗？这些问题代替了最初的问题：机器能思考吗？ 图灵试验通常简化为一个机器企图使人类提问者确信它是一 个人。若能欺骗大量的人类提问者，则认为该机器具有智 能—机器智能。
1. What is AI ?
广义地来说，AI就是用机器或系统来实现人 类的智能行为，这些智能行为包括感知、 推理、学习、交流以及对复杂环境的分析 和反应。 AI的工程目标：开发一种像人类一样做事情 的机器，或者还能做得更好一点； AI的科学目标：是让机器能够理解不管是 由机器、人类或者其它动物所产生的行 为。
模拟进化与遗传算法： 模拟进化过程的思想比方法本身更为重要：与生 物进化过程作类比，抽象出遗传算子，主要由繁 殖（reproduction）、杂交（Crossover）、变异 （mutation）、选择（selection）等基本过程实 现，根据“适者生存，不适者被淘汰”的自然法则 完成优化（亦即进化）。要求学生掌握经典的遗 传算法(genetic algorithms)及其实现技术细节， 在此基础上了解演化策略(evolution strategies)和 进化程序 (evolutionary programming)。开展了一 次专题讨论，完成求解TSP问题的大作业。
高级知识表示与知识推理： 知识的结构化表示：框架、对象，描述逻辑，继 承系统； 非单调推理：非经典逻辑、缺省逻辑、信念修 正、优先逻辑、知识源的集成、冲突信念的聚 合； 按动作和改变情况进行的推理：状态演算、事件 演算、分支问题； 时态推理和空间推理； 诊断知识表示，定性表示； 模态逻辑等。
软计算及其应用研究进展（讲座式）: 内容包括： Neurocomputing、Fuzzy Computating、Evolutionary Computing、 Hybrid intelligent systems (including neural expert systems,Fuzzy Neural Systems,Evolutionary neural networks,fuzzy evolutionary systems)
模拟退火算法： 模拟退火算法的思想比方法本身更为重 要：模拟固体的退火过程，根据Metropolis 准则，不仅接受优化解，还按转移概率接 受恶化解，基于Metropolis迭代，完成随机 优化搜索。要求学生掌握模拟退火算法的 思想、算法、特性及其改进途径，会编程 实现模拟退火算法。开展了一次专题讨 论，完成求解TSP问题的大作业。
不确定知识与推理： 不确定性：基本概率符号表示、概率公理、使用 全联合分布进行推理、独立性、Bayes法则及其 应用； 概率推理：Bayes网络语义--全联合概率分布、 Bayes网络中的条件独立关系，Bayes网络中的精 确推理--枚举推理、变量消元算法，Bayes网络的 近似推理--直接采样法、Markov链仿真推理； 关于时间的概率推理：时序模型中的推理--滤波和 预测、平滑、寻找最可能序列，隐Markov模型、 Kalman滤波器、动态Bayes网络--精确推理、 MCMC（Markov chain Monte Carlo）方法。