当前位置：文档之家 › 人工智能导论课件第6章

人工智能导论课件第6章

  • 格式：pptx
  • 大小：16.69 MB
  • 文档页数：78

下载文档原格式

  / 78

合集下载

人工智能导论课件马少才77页PPT

人工智能导论课件马少才77页PPT
19
AI的研究ห้องสมุดไป่ตู้容
搜索技术 知识表示 规划方法 机器学习 认知科学
20
AI的研究内容（续1）
自然语言理解与机器翻译 专家系统与知识工程 定理证明 博弈 机器人 数据挖掘与知识发现
21
AI的研究内容（续2）
网络信息检索与挖掘 多Agent系统 复杂系统 足球机器人 人机交互技术
现代人工智能的兴起
现代人工智能（Artificial Intelligence，简 称AI），一般认为起源于美国1956年的一 次夏季讨论（达特茅斯会议），在这次会 议上，第一次提出了“Artificial Intelligence” 这个词。
1
什么是人工智能？
至今没有统一的定义 从“计算”到“算计”
22
人工智能取得的一些成果
五十年来，人工智能的研究虽然步履艰 难，但也取得了一些很突出的成绩。下 面列举一些实例。
23
定理证明
50年代中期，世界上最早的启发式程序 “逻辑理论家”，证明了数学名著《数 学原理》中的38个定理。经改进后，62 年证明了该书中全部的52个定理。被认 为是用计算机探讨人类智力活动的第一 个真正的成果。
11
AI的历史回顾（续3）
第二阶段（50年代中～60年代中） 通用方法时代
物理符号系统 主要研究的问题：GPS、游戏、翻译等 对问题的难度估计不足，陷入困境
12
AI的历史回顾（续4）
一个笑话（英俄翻译）：
The spirit is willing but the flesh is week. （心有余而力不足）
27
专家系统
人类之所以能求解问题，是因为人类具 有知识。
专家系统就是把有关领域专家的知识整 理出来，让计算机利用这些知识求解专 门领域的问题。

人工智能导论_第6章

人工智能导论_第6章

– 学习是一种具有多侧面的现象。学习的过程有：获取新的陈述 性知识、通过教育或实践发展机械技能和认知能力、将新知识 组织成为通用化和有效的表达形式、借助观察和实验发现新的 事实和新的理论。
《人工智能》第六章 机器学习
机器学习 — 概述
• 基本形式
– 知识获取和技能求精。 学习的本质就是获取新的知识。包括物理系统 和行为的描述和建模，构造客观现实的表示。 ——知识获取 – 通过实践逐渐改造机制和认知技能。 例：骑自行车。这些技能包括意识的或机制 的协调。这种改进又是通过反复实践和从失败 的行为中纠正偏差来进行的。 ——技能求精
《人工智能》第六章 机器学习
………. –通过类推学习（演绎学习） 学习者找出现有知识中所要产生的新概念或 技能十分类似的部分。将它们转换或扩大成 适合新情况的形式，从而取得新的事实或技 能。 –从例子中学习（归纳学习） 给学习者提供某一概念的一组正例和反例， 学习者归纳出一个总的概念描述，使它适合 于所有的正例且排除所有的反例。（目前研 究较多的一种方法）
• 研究特点
–不可预测性
《人工智能》第六章 机器学习
第六章 机器学习
• 概述
• • • • 决策树学习（Decision Tree induction） 贝叶斯分类（Bayesian Classification） 集成学习（Ensemble Learning） 神经网络学习（Neural Network Learning）
《人工智能》第六章 机器学习
机器学习 — 概述
–机器学习进入新阶段的重要表现： （近十年）（5）
• 与机器学习有关的学术活动空前活 跃。国际上除每年一次的机器学习 研究会外，还有计算机学习理论会 议及遗传算法会议。

人工智能导论课件第6章第4-5节

人工智能导论课件第6章第4-5节
• 机械装置往往会有数百个零件，非常复杂。这将需要专业的领域知识来诊断和 维修机械。决策表（DT）是一种紧凑、快速、准确的求解问题的方法（见第7 章中的CarBuyer示例）。
6.5.2 振动故障诊断的专家系统
• VIBEX专家系统结合了决策表分析（DTA）和DT，决策表分析是通过已知案 例来构建的，而DT是为了做出分类，使用归纳式知识获取过程来构建。 VIBEX DT与机器学习技术相结合，比起ⅤIBEX（VIBration Expert）TBL方 法在处理振动原因和发生概率较高的案例时，其诊断更有效率。人类专家合作 构建DTA，这最终得到了由系统知识库组成的规则集。然后，人们使用贝叶斯 算法计算出规则的确定性因子。
6.5.2 振动故障诊断的专家系统
• 专家系统的重要作用之一是用于故障诊断。在昂贵、高速、关键机械运转的情 况下，故障的早期准确检测非常重要。在机械运转的情况下，异常情况的常见 指标是旋转机械的振动。检测到故障后，维护工程师能够识别症状信息，解释 各种错误信息和指示，并提出正确的诊断。换句话说，识别可能导致故障的组 件以及组件失败的原因。
人工智能导论
Introduction to artificial intelligence
• （1）规划——在这个阶段，根据所有可能的原子构型的集合中和质谱推导出 的约束一致的原子构型集合，还原出答案。应用约束，选择必须出现在最终结 构中的分子片段，剔除不能出现的分子片段。
• （2）生成——使用名为CONGEN的程序来生成可能的结构。“它的基础是组 合算法（具有数学证明的完整性以及非冗余生成性）。组合算法可以产生所有 在拓扑上合法的候选结构。通过使用‘规划’过程提供的约束进行裁剪，引导 生成合理的集合（即满足约束条件的集合），而不是巨大的合法集合。”

6人工智能导论

6人工智能导论
Ø 虽然搜索的收敛速度得以加快，但蚁群在最优路径的搜索过程中随机性 减弱，易于陷入局部最优。
99
6.7.2 蚁群算法的参数选择
信息素挥发度1-
Ø 当要处理的问题规模比较大时，会使那些从来未被搜索到的路径(可行解) 上的信息量减小到接近于0，因而降低了算法的全局搜索能力；
Ø 而且当1- 过大时，以前搜索过的路径被再次选择的可能性过大，也会
6.7.2 蚁群算ຫໍສະໝຸດ 的参数选择信息素启发因子Ø 反映了蚁群在路径搜索中随机性因素作用的强度；
Ø 值越大，蚂蚁选择以前走过的路径的可能性越大，搜索的随机性减弱； Ø 当 过大时会使蚁群的搜索过早陷于局部最优。
期望值启发式因子
Ø 反映了蚁群在路径搜索中先验性、确定性因素作用的强度；
Ø 值越大，蚂蚁在某个局部点上选择局部最短路径的可能性越大；
影响到算法的随机性能和全局搜索能力；
Ø 反之，通过减小信息素挥发度 1- 虽然可以提高算法的随机性能和全局
搜索能力，但又会使算法的收敛速度降低。
信息素挥发度1-
信息素启发因子
期望值启发式因子
100

人工智能导论课件第6章第1节

人工智能导论课件第6章第1节

6.1.2 五个技能获取阶段
• 例如，你可能用VCR录制过电视节目。你学到了必要的步骤——我们可以从 VCR上的控件直观地得到这些步骤，也知道电视应当被设置到特定的频道，可 以执行和理解这些必需的步骤来录制电视节目（专有技术）。但是，这是很久 以前的事了。当人们有了DVD，系统已经改变了。因此，你可能不得不承认自 己已经失去了如何录制电视节目的专有技术。
6.1.1 在自己的领域里作为专家
• 人们会使用3种截然不同的方法： – （1）使用信息（收据上的号码、票据以及停车场里提供的信息）。通过这 种方法，人类并没有使用任何智能，就像可以借助汽车的导航系统到达目 的地一样，不需要对要去的地方有任何地理上的理解。 – （2）使用所提供的票据上的信息，以及有关汽车及其位置的某些模式的组 合。例如，票据上显示车停在7B区，同时你也记得这距离目前的位置不是 很远、车是亮黄色的，并且尺寸比较大。没有很多大型的黄车，这使得你 的汽车从其他的汽车中脱颖而出（见图6-5）。
6.1.2 五个技能获取阶段
• 伯克利的两位哲学家兄弟胡伯特·德雷福斯和斯图尔特·德雷福斯提出了这样一 条评判想法：在机器上，人们很难解释或发展人类的“专有技术”。虽然我们 知道如何骑自行车、如何开车，以及许多其他基本的事情（如走路、说话等）， 但是在解释如何实现这些动作时，我们的表现会大打折扣。德雷福斯兄弟将 “知道什么事”与“知道如何做”区分开来。知道什么事指的是事实知识，例 如遵循一套说明或步骤，但是这不等同于“知道如何做”。获得“专有技术” 后，这就变成了隐藏在潜意识中的东西。我们需要通过实践来弥补记忆的不足。
• 阶段2：熟手开始从经验中学到更多的知识，并能够使用上下文线索。例如， 当学习用咖啡机制作咖啡时，我们遵循说明书的规则，但是也用嗅觉来告诉自 己咖啡何时准备好了。换句话说，在任务环境中，我们可以通过所感知到的线 索来学习。

人工智能导论全套完整ppt课件

人工智能导论全套完整ppt课件
13
1.2.2 形成（1956年－1969年）
1956年夏，当时美国达特茅斯大学数学助教、现任斯坦福大 学教授麦卡锡和哈佛大学数学和神经学家、现任MIT教授明 斯基、IBM公司信息研究中心负责人洛切斯特、贝尔实验室 信息部数学研究员香农共同发起，邀请普林斯顿大学莫尔和 IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫以及兰德公 司和卡内基－梅隆大学的纽厄尔、西蒙等10名年轻学者在达 特莫斯大学召开了两个月的学术研讨会，讨论机器智能问题。
11
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
公元前，亚里斯多德（Aristotle）：三段论 培根（F. Bacon）：归纳法 莱布尼茨（G. W. Leibnitz）：万能符号、推理计算 布尔（G. Boole）：用符号语言描述思维活动的基本 推理法则 1936年，图灵：图灵机 1943年，麦克洛奇（W. McCulloch）、匹兹(W. Pitts)： M－P模型
12
1.2 人工智能的发展简史
1.2.1 孕育（1956年之前）
美国爱荷华州立大学的阿塔纳索夫教授和他的研究生贝 瑞在1937年至1941年间开发的世界上第一台电子计算机 “ 阿 塔 纳 索 夫 － 贝 瑞 计 算 机 （ Atanasoff-Berry Computer，ABC）”为人工智能的研究奠定了物质基础。
人工智能学科：一门研究如何构造智能机器（智能计算机） 或智能系统，使它能模拟、延伸、扩展人类智能的学科。
图灵测试：1950年图灵发表的《计算机与智能》中设计了一 个测试，用以说明人工智能的概念。
智者
询问者
10
第1章 绪论
1.1 人工智能的基本概念
✓ 1.2 人工智能的发展简史

人工智能导论全套课件


计算机视觉技术的挑战与未来发展
挑战
计算机视觉技术面临的挑战包括光照变 化、噪声干扰、遮挡问题、运动模糊等 。
VS
未来发展
随着深度学习技术的不断发展，计算机视 觉技术将更加成熟和高效。未来，计算机 视觉技术将更加注重实时性、鲁棒性和自 适应性，同时将更加广泛地应用于各个领 域。
06
人工智能伦理、法律与社会影响
01
各国政府正在制定相关法律和监管政策，以确保人工智能技术
的合法、合规和安全使用。
知识产权保护
02
对于人工智能技术和应用，知识产权保护是一个重要问题，需
要建立相应的法律制度。
跨国合作与国际法规
03
随着人工智能技术的全球化发展，跨国合作和国际对社会的影响与未来趋势
1 2
应用场景
如图像识别、语音识别、自然语言处理、推 荐系统等。
深度学习原理与框架介绍
神经网络模型
通过模拟人脑神经元之间的连接 方式，构建多层神经网络模型。
反向传播算法
通过计算输出层与目标值之间的误 差，反向调整每个神经元的权重， 使整个网络的输出结果更加准确。
深度学习框架
如TensorFlow、PyTorch等，提供 了丰富的深度学习算法和工具，方 便用户进行模型训练和部署。
深度学习
神经网络结构、反向传播 算法、卷积神经网络等。
03
机器学习与深度学习
机器学习算法与应用场景
监督学习算法
如线性回归、逻辑回归、支持向量机等，用 于根据输入特征预测输出结果。
非监督学习算法
如聚类分析、关联规则挖掘等，用于发现数 据中的模式和结构。
强化学习算法
通过与环境的交互来学习策略，适用于机器 人控制、游戏等领域。

北京理工大学 人工智能导论 刘峡壁 6.Artificial Neural Network


- B-P Learning Objective:
Solution:
1 K ω arg min eDk , Yk ω K k 1
*
ω ω ω ω
2013-11-29
19
AI:ANN
Learning Strategies: Competitive Learning Winner-take-all (Unsupervised) How to compete? - Hard competition Only one neuron is activated - Soft competition Neurons neighboring the true winner are activated.
2013-11-29
26
AI:ANN
2.2 B-P Network
Architecture A kind of multi-layer perceptron, in which the Sigmoid activation function is used.
2013-11-29
27
AI:ANN
B-P Learning Algorithm
Artificial Neural Networks
Lecture 6
/MLMR
Plutarch: the brain is not a container needs to be filled with knowledge, but a torch needs to be lighted
Rosenblatt, 1957
2013-11-29 22
AI:ANN
Single-layer Perceptron Learning

《人工智能导论》课件


深度学习
强化学习
随着算法和计算能力的提升，深度学习将 在语音识别、图像识别、自然语言处理等 领域取得更大突破。
强化学习在决策优化、游戏等领域的应用 将更加广泛，实现更高效的学习和决策。
边缘计算
数据隐私和安全
随着物联网设备的普及，边缘计算将与人 工智能结合，实现更快速、低延迟的处理 和响应。
随着人工智能应用的普及，数据隐私和安 全问题将更加受到关注，需要加强数据保 护和加密技术的研究和应用。
CHAPTER
03
人工智能的实际应用
智能语音助手
智能语音助手是人工智能技术的一个重要应用，它能够识别和理解人类语音，并 作出相应的回应。例如，苹果的Siri、亚马逊的Alexa和谷歌的Google Assistant 等。
智能语音助手在家庭、办公室等场景中广泛应用，可以帮助人们完成查询信息、 设置提醒、控制智能家居设备等多种任务。
智能机器人
智能机器人是人工智能技术的另一个重要应用，它们可以在 没有人工干预的情况下独立完成一系列复杂任务。例如，工 业机器人、服务机器人和家庭机器人等。
智能机器人已经在制造业、医疗保健、航空航天等领域得到 广泛应用，提高了生产效率、服务质量和工作安全性。
自动驾驶汽车
自动驾驶汽车是人工智能技术在交通 领域的应用，它能够通过传感器、雷 达和摄像头等设备感知周围环境，并 自主完成驾驶任务。
人工智能的潜在风险和挑战
数据偏见
人工智能算法可能受到数据偏见的影 响，导致不公平和歧视性的决策。
失业问题
人工智能的发展可能导致部分职业的 消失，需要探索新的就业模式和培训 计划。
安全和隐私
人工智能技术可能被用于侵犯个人隐 私和安全，需要加强监管和法律约束 。

人工智能导论课件


04
计算机视觉
VS
计算机视觉是人工智能的一个重要分支，它利用计算机和算法来模拟人类视觉系统的功能，实现对图像和视频的感知、理解和分析。
详细描述
计算机视觉在人工智能领域中扮演着至关重要的角色，它涉及到图像处理、模式识别、机器学习等多个领域，是实现自动化和智能化的一项关键技术。计算机视觉的应用范围非常广泛，包括但不限于工业自动化、安全监控、医疗诊断、智能交通、农业智能化等。
就业变革
人工智能技术的应用可能引发隐私保护问题，需要加强法律法规的制定和执行，保护个人隐私和数据安全。
隐私问题
人工智能技术的普及和应用可能加剧社会不公和贫富差距，需要关注弱势群体的利益和ANKS
感谢观看
在监督学习中，我们为机器提供了一组带有标签的训练数据，让机器通过学习这些数据来预测新数据的标签。例如，在图像分类任务中，我们提供了一组带有标签的图像，让机器学习如何将新图像分类到相应的类别中。
在无监督学习中，我们只提供一组未带标签的训练数据，让机器通过学习这些数据来发现隐藏的模式或结构。例如，在聚类任务中，我们提供了一组数据点，让机器将这些数据点自动分成几个不同的组或簇。
半监督学习是介于监督学习和无监督学习之间的一种方法。在半监督学习中，我们提供了一部分带有标签的训练数据和另一部分未带标签的训练数据，让机器结合两者来提高学习性能。
强化学习与监督学习和无监督学习不同，它关注的是如何基于环境的反馈来选择或优化行为的问题。在强化学习中，智能体通过与环境交互并从中获得奖励或惩罚信号来学习如何做出最优决策。
详细描述
总结词
语音识别和自然语言生成是自然语言处理的两个重要方面，前者是将语音转换为文本，后者是将文本转换为语音。
详细描述
语音识别是自然语言处理的一个重要方面，它是指将人类语音转换为文本的过程。通过语音识别技术，计算机可以自动地识别和转写人类的语音，从而实现语音到文本的转换。自然语言生成则是将文本转换为人类语音的过程，它使得计算机能够以人类可理解的方式生成语音输出。
  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)。

6.1.4 专家系统的特征
• 专家系统的其他典型特征包括： – 推理引擎和知识库的分离。为了避免重复，保持程序的效率是非常重要的。 – 尽可能使用统一表示。太多的表示可能会导致组合爆炸，并且“模糊了系 统的实际操作”。 – 保持简单的推理引擎。这样可以防止程序员深陷泥沼，并且更容易确定哪 些知识对系统性能至关重要。 – 利用冗余性。尽可能地将多种相关信息汇集起来，以避免知识的不完整和 不精确。
4
专家系统的特征
5
建立专家系统要思考的问题
6.1 专家系统及其发展
• 总体来说，专家系统因其在计算机科学和现实世界中的贡献而被视为人工智能 中最成功、最古老、最知名和最受欢迎的领域。
• 专家系统出现在20世纪70年代，当时整个人工智能领域正处在发展的低谷，人 们批判人工智能不能生成实时的、真实世界的工作系统。这个时期，由于人们 在计算机视觉领域获得了一些重要见解，R.J Popplestone发明了机器人；弗雷 迪所创建的玩具系统可以执行简单的任务，如组装玩具车或将咖啡杯放置在碟 子上；不久，麻省理工学院的特里·维诺格拉德发表了著名的论文《理解自然语 言》，等等，才使人们对人工智能又产生了一定的兴趣。但是由于早期的一些 系统，人工智能也得到了一些恶名。
6.1.3 专家的特点
• 格伦菲尔鲍讨论了这样一个事实，即专家具有一定的特点和技术，这使得他们 能够在其问题领域表现出非常高的解决问题的水平。一个关键的杰出特征就是， 他们能出色地完成工作。要做到这一点，他们要能够完成如下工作： – 解决问题——这是根本的能力，没有这种能力，专家就不能称为专家。与 其他人工智能技术不同，专家系统能够解释其决策过程。思考这样一个医 疗专家系统，这个系统能够确定你还有6个月的生命，你当然想知道这个结 论是如何得出的。
6.1.1 在自己的领域里作为专家
• 布雷迪指出，人类专家有多种方式来应对组合爆炸：“首先，结构化知识库。 这样就可以让求解者在相对狭窄的语境中进行操作。其次，明确提出个人所应 具有的知识，这些知识是关于专有领域知识的最好的利用方法，也就是所谓的 元知识。因为知识表示的统一性，人们可以将问题求解者的全部能力都应用在 元知识上，这种应用方式与人们将其应用于基础知识的方式完全相同，所以知 识表示的统一性给人们带来了很大的回报。最后，人们试图利用似乎存在的冗 余性。这种冗余性对人类求解问题和认知至关重要。虽然我们也可以用其他几 种方式实现这一点，但是这些方法的利用大部分都受到了限制。
6.1.1 在自己的领域里作为专家
图6-5 模式和信息可以帮助我们识别事物
6.1.1 在自己的领域里作为专家
• （3）人类不依赖任何具体的信息，而是完全依赖于记忆和模式这种脆弱的 方法。
• 上述这3种方法说明了人类在处理信息方面的优势。人类具有内置的随机访问和关联的 机制。为了到第3层提车，我们不需要线性地从第1层探索到第3层。机器人必须很明确 地被告知跳过3层以下的楼层。我们的记忆允许我们利用车辆本身的特征（约束），如 车是黄色的、大型的、旧的、周围的车并不是很多。模式与信息的结合可以帮助我们 减少搜索（类似于上面提到的约束和元知识）。因此，我们知道车在某一层（票据上 是这样说的），但是我们也记得我们是如何停放汽车的（很紧密地停放或是很随意地 停放），汽车周围可能有什么车，所选择停车点有什么其他显著的特征。
6.1.2 五个技能获取阶段
• 德雷福斯兄弟进一步阐述：“当事情正常进行时，专家不解决问题，不做决定， 正常地进行工作”。他们的主要观点是；“精通或专家级别的人，以一种无法 解释的方式，基于先前具体的经验做出判断。”他们认为“专家行为不合理”， 也就是说，没有通过有意识的分析和重组而做出行动。
6.1.2 五个技能获取阶段
6.1.1 在自己的领域里作为专家
• 戈尔茨坦和帕尔特将早期系统的目标标注为“能力战略”，旨在开发出能够应 用于求解各种问题的一般的、强大的方法。早期的程序，如DENDRAL，从普 遍性方面来说，还相当脆弱。在一般问题领域，除了被称为专家的人类解决者 以外，其他的求解者的行为通常都是肤浅的。
6.1.1 在自己的领域里作为专家
6.1.1 在自己的领域里作为专家
• 通常情况下，人们可以明确一些条件，虽然这些条件没有一个能够唯一地确定 解决方案，但是同时满足这些条件却可以得到唯一的方案。”
• 对于“人类求解问题和感知中存在的冗余”，布雷迪的真正意思是一个词—— 模式。我们来看看在一个庞大的停车场中寻找汽车的例子。是否知道车在几层 或哪个编号区域对如何快速地找到车存在着巨大的差别。进一步说，有了位置 （中央列、外列、中间或列尾等），车的特征（其颜色、形状、风格等）以及 你将车停在停车场的哪个区域（接近建筑、出口、柱子、墙等等）这些知识， 对于你如何快速地找到汽车有着很大的不同。
– 了解自己的局限——人类专家知道他们能做什么、不能做什么。他们不接 受超出其能力的任务或远离其标准区域的任务。
– 平稳降级——在面对困难的问题时，人类专家不会崩溃、也就是说，他们 不会“出现故障”，同样，在专家系统中，这也是不可接受的。
6.1.4 专家系统的特征
• 专家系统具有这些特征： – 解决问题——专家系统当然有能力解决其领域的问题。有时候，它们甚至 解决了人类专家无法解决的问题，或提出人类专家没有考虑过的解决方案。 – 学习——虽然学习不是专家系统的主要特征，但是如果需要，人们可以通 过改进知识库或推理引擎来教授专家系统。机器学习是人工智能的另一个 主题领域。 – 重构知识——虽然这种能力可能存在于专家系统中，但是本质上，它要求 在知识表示方面做出改变，这对机器来说比较困难。
– 重构知识——人可以改进他们的知识来适应新的问题环境，这是人的一个 独特特征。在这个意义上，专家级的人类问题求解者非常灵活并具有适应 性。
6.1.3 专家的特点
– 打破规则——在某些情况下，例外才是规则。真正的人类专家知道其学科 中的异常情况。例如，当药剂师为病人写处方时，他知道什么样的药剂或 药物不能与先前的处方药物发生很好的相互作用（即“配伍禁忌”）。
6.1.1 在自己的领域里作为专家
• 人们会使用3种截然不同的方法： – （1）使用信息（收据上的号码、票据以及停车场里提供的信息）。通过这 种方法，人类并没有使用任何智能，就像可以借助汽车的导航系统到达目 的地一样，不需要对要去的地方有任何地理上的理解。 – （2）使用所提供的票据上的信息，以及有关汽车及其位置的某些模式的组 合。例如，票据上显示车停在7B区，同时你也记得这距离目前的位置不是 很远、车是亮黄色的，并且尺寸比较大。没有很多大型的黄车，这使得你 的汽车从其他的汽车中脱颖而出（见图6-5）。
6.1.3 专家的特点
– 解释结果——专家必须能够以顾问的身份提供服务并解释其理由。因此， 他们必须对任务领域有深刻的理解。专家了解基本原则，理解这些原则与 现有问题的关系，并能够将这些原则应用到新的问题上。
– 学习——人类专家不断学习，从而提高了自己的能力。在人工智能领域， 人们希望机器能得到这些专有技能，学习也许是人类专有技能中最困难的 一种技能。
6.1.4 专家系统的特征
– 打破规则——对于机器而言，使用人类专家的方式，以一种直观、知情的 方式打破规则比较困难；相反，机器会将新规则作为特例添加到现有规则 中。
– 了解自己的局限——一般说来，当某个问题超出了其专长的领域时，专家 系统和程序也许能够在因特网的帮助下参考其他程序找到解决方案。
– 平稳降级——专家系统一般会解释在哪里出了问题、试图确定什么内容以 及已经确定了什么内容，而不是保持计算机屏幕不动或变成白屏。
6.1.2 五个技能获取阶段
• 阶段⒋：精通的问题求解者不仅能够认识到情况是什么及合适的选择是什么， 还能够深思熟虑，找到最佳方式，实施解决方案。一个例子就是，医生知道患 者的症状意味着什么，并且能够仔细考虑可能的治疗选项。
6.1.2 五个技能获取阶段
• 阶段5：专家“基于成熟以及对实践的理解，一般都会知道该怎么做”。应对 环境时，专家非常超然，没有看到问题就去努力解决这些问题，他也不焦灼于 在未来去精心制订计划。“我们在走路、谈话、开车或进行大多数社交活动时， 通常不做出深思熟虑的决定。”因此，德雷福斯兄弟认为专家与他们所工作的 环境或舞台融为一体。驾驶员不仅是在驾驶汽车，也在“驾驶自己”；飞行员 不仅在开飞机，也是在“飞行”；国际象棋大师不仅是下棋，而是成了“一个 机会、威胁、优势、弱点、希望和恐惧世界中”的参与者。
• 德雷福斯兄弟所讨论的专有技术基于“从新手到专家的过程中有5个技能获取 阶段”这个前提，即新手、熟手、胜任、精通、专家。
6.1.2 五个技能获取阶段
• 阶段1：新手只遵循规则，对任务领域没有连贯的了解。规则没有上下文，无 须理解，只需要具备遵循规则的能力，完成任务。例如，在驾驶时，遵循一系 列步骤到达某个地方。
人工智能导论
Introduction to artificial intelligence
第三部分 基于知识的系统
第6章 专家系统
【导读案例】中美人工智能PK
• 讨论：
1
专家系统及其发展
2
知识工程
3
知识获取
4
专家系统的结构
5
经典的专家系统
第1节
1
在自己的领域里作为专家
2
五个技能获取阶段
3
专家的特点
• 事实上，大多数人只有在自己的专业领域才是专家，这与早期的人类观点相反； 人们不具备任何魔法，可以在任意问题领域快速得到最细致、最有说服力的规 则。因此，虽然国际象棋大师通过数十年的实践和研究，积累和建立起来约50 000种规则的模式，但他们不是创建生活中其他事物启发法、规则、方法的大 师，对于数学博士、医生或律师来说也是如此。每个人都是处理自己领域信息 的专家，但是这些技能不能确保他们能够处理一般信息或其他专业领域的特定、 专门的知识。人们在掌握任何特定领域知识之前，需要长期的学习。