高级人工智能-史忠植08年出版PPT-5

编号：8106高级人工智能ADVANCED ARTIFICIAL INTELLIGENCE类型：AB 学时/学分：60/3, 机时：20预修课程数理逻辑、人工智能原理教学目的和要求(1) 了解人工智能前沿研究领域(2) 了解人工智能最新研究成果(3) 掌握基本思想和关键技术(4) 培养人工智能研究能力内容提要和简要目录本课讲授和讨论人工智能前沿研究领域的主要思想和关键技术。

主要内容有非单调逻辑、自动推理、机器学习、分布式人工智能、人工思维、人工生命、大规模并行人工智能等。

简要目录第一章绪论1.1 人工智能的认知问题1.2 思维的层次模型1.3 符号智能1.4 人工智能的发展概况1.5 人工智能的研究方法1.5.1 认知学派1.5.2 逻辑学派1.5.3 行为学派1.6 自动推理1.7 机器学习1.8 分布式人工智能1.9 人工思维模型1.10 知识系统第二章人工智能逻辑2.1 逻辑-----重要的形式工具2.1.1 逻辑程序设计2.1.2 关于知识的表示与推理2.2 非单调逻辑2.3 默认逻辑2.4 限定逻辑2.5 自认知逻辑2.5.1 Moore系统${\cal L}_{B}$2.5.2 $\cal O \cal L$ 逻辑2.5.3 标准型定理2.5.4 $\diamondsuit-$ 记号以及稳定扩张的一种判定过程2.6 真值维护系统2.7 情景演算的逻辑基础2.7.1 刻划情景演算的多类逻辑$\bf LR$2.7.2 $\bf LR$中的基本动作理论2.7.3 多类逻辑$\bf LR$的改进第三章约束推理3.1 概述3.2 回溯法3.3 约束传播3.4 约束传播在树搜索中的作用3.5 智能回溯与真值维护3.6 变量例示次序与赋值次序3.7 局部修正搜索法3.8 基于图的回跳法3.9 基于影响的回跳法3.10 约束关系运算的处理3.10.1 恒等关系的单元共享策略3.10.2 区间传播3.10.3 不等式图3.10.4 不等式推理3.11 约束推理系统COPS第四章定性推理4.1 概述4.2 定性推理的基本方法4.3 定性模型推理4.4 定性进程推理4.5 定性仿真推理4.5.1 定性状态转换4.5.2 QSIM算法4.6 代数方法4.7 几何空间定性推理4.7.1 空间逻辑4.7.2 空间时间关系描述4.7.3 空间和时间逻辑的应用4.7.4 Randell算法第五章基于范例推理5.1 概述5.2 基于范例学习的一般过程5.3 范例的表示5.3.1 语义记忆单元5.3.2 记忆网5.4 基于记忆网的范例检索5.4.1 检索问题5.4.2 语义记忆单元和范例检索5.4.3 检索信息集与源范例的对应5.4.4 单概念的范例检索算法AS5.4.5 多概念的范例检索算法AM5.5 相似性关系5.5.1 语义相似性5.5.2 结构相似性5.5.3 目标特征5.5.4 个体相似性5.5.5 相似性计算5.5.6 优选过程5.5.7 约束满足理论5.6 范例复用5.6.1 类比映射5.6.2 类比转换5.7 范例保存5.8 基于范例的规划设计程序5.9 范例库维护5.10 基于范例推理的洪水预报系统FOREZ 第六章归纳学习6.1 概述6.2 归纳学习的逻辑基础6.2.1 归纳学习的一般模式6.2.2 概念获取的条件6.2.3 问题背景知识6.2.4 选择型和构造型泛化规则6.3 偏置变换6.4 变型空间方法6.4.1 消除候选元素算法6.4.2 两种改进算法6.5 AQ归纳学习算法6.6 产生与测试方法6.7 决策树学习6.7.1 CLS学习算法6.7.2 ID3学习算法6.7.3 ID4学习算法6.7.4 ID5学习算法6.8 归纳学习的计算理论6.8.1 Gold学习理论6.8.2 模型推理系统6.8.3 Valiant 学习理论第七章类比学习7.1 什么是类比学习7.2 类比的形式定义7.3 基于抽象的有用类比推理7.4 转换类比7.4.1 手段--目的分析的问题求解模型 7.4.2 类比求解问题计算模型7.4.3 问题求解状态变换7.4.4 转换类比学习系统7.4.5 类比学习的泛化规则7.5 派生类比7.6 因果关系型类比学习7.6.1 类比匹配技术与相似性度量概述 7.6.2 知识表示7.6.3 类比匹配7.6.4 抽取问题的特征7.6.5 相似度的计算方法7.6.6 最佳对应关系匹配7.7 联想类比学习7.7.1 联想类比7.7.2 联想类比条件7.8 约束满足类比7.8.1 三类约束7.8.2 约束满足理论7.8.3 ACME 第八章解释学习8.1 概述8.2 解释学习模型8.3 解释泛化学习方法8.3.1 基本原理8.3.2 解释与泛化交替进行8.4 全局取代解释泛化方法8.5 解释特化学习方法8.6 解释泛化的逻辑程序8.6.1 工作原理8.6.2 元解释器8.6.3 实验例子8.7 基于知识块的SOAR系统8.8 可操作性标准8.8.1 PRODIGY 的效用问题8.8.2 SOAR系统的可操作性8.8.3 MRS-EBG的可操作性8.8.4 META-LEX的处理方法8.9 不完全领域知识下的解释学习8.9.1 不完全领域知识8.9.2 逆归结方法8.9.3 基于深层知识方法第九章知识发现和数据开采9.1 概述9.2 数据驱动知识发现------BACON 9.3 模型躯动知识发现------COPER 9.4 理论驱动式发现方法9.4.1 知识表示9.4.2 学习实现9.4.3 学习发现9.5 概念聚类9.5.1 概念内聚9.5.2 聚类方法9.6 数据开采9.7 数据开采的数学工具------粗糙集 9.7.1 粗糙集理论9.7.2 粗糙分类9.7.3 渔网算法9.8 广义粗糙集9.9 基于粗糙集的数据约简9.10 以数据仓库为基础的数据开采9.10.1 数据仓库9.10.2 联想规则发现算法9.11 知识发现工具KDT9.11.1 系统结构9.11.2 知识发现算法第十章分布式人工智能10.1 概述10.2 分布式问题求解10.2.1 分布式问题求解系统分类10.2.2 分布式问题求解过程10.3 主体10.4 主体理论10.4.1 理性主体10.4.2 BDI主体模型10.4.3 RAO逻辑框架10.4.4 关于对别人进行推理的一个模式---换位推理 10.4.5 动作理论10.4.6 次协调机制的引进10.5 主体结构10.5.1 反应主体10.5.2 认知主体10.5.3 复合式主体10.6 主体通信10.6.1 KQML10.6.2 主体通信语言SACL10.6.3 SACL语法结构10.6.4 SACL保留关键字10.7 主体的协调与协作10.7.1 计算生态学10.7.2 基于对策论的协调与协作10.7.3 协商10.8 多主体处理环境MAPE10.8.1 主体的逻辑结构10.8.2 主体虚拟层10.8.3 主体逻辑层10.8.4 主体概念层10.8.5 多主体系统的总体结构10.8.6 主体创建10.8.7 多主体系统构建第十一章进化计算11.1 概述11.2 进化系统理论的形式模型11.3 达尔文进化算法11.4 分类器系统11.5 桶链算法11.6 遗传算法11.6.1 遗传算法的主要步骤11.6.2 表示模式11.6.3 杂交操作11.6.4 变异操作11.6.5 反转操作11.7 并行遗传算法11.8 分类器系统 Boole11.9 规则发现系统11.10 进化策略11.11 进化程序设计第十二章人工生命12.1 引言12.2 研究人工生命的原因12.3 人工生命的探索12.4 人工生命模型12.5 人工生命的研究方法和战略12.6 计算机生命12.7 细胞自动机12.8 形态形成理论12.9 混沌理论四、教材1. 史忠植：高级人工智能, 科学出版社，1998五、参考书六、教学方式课堂讲授和讨论七、考查方式课程设计 40%闭卷考试 60%撰写人：史忠植。

➢ 聚类：
根据数据的不同特征，将其划分为不同的类。无导师学习
2020/11/5
高级人工智能 史忠植
7
知识发现的任务(2)
➢ 相关性分析：
发现特征之间或数据之间的相互依赖关系 关联规则
➢ 偏差分析：
基本思想是寻找观察结果与参照量之间的有意义的差别。通 过发现异常, 可以引起人们对特殊情况的加倍注意。
2020/11/级人工智能 史忠植
6
知识发现的任务(1)
➢ 数据总结：
对数据进行总结与概括。传统的最简单的数据总结方法是计 算出数据库的各个字段上的求和值、平均值、方差值等统计 值,或者用直方图、饼状图等图形方式表示。
➢ 分类：
根据分类模型对数据集合分类。分类属于有导师学习，一般 需要有一个训练样本数据集作为输入。
➢ 神经计算：
神经网络是指一类新的计算模型，它是模仿人脑神经网络的 结构和某些工作机制而建立的一种计算模型。常用的模型： ✓ Hopfield网 ✓ 多层感知机 ✓ 自组织特征映射 ✓ 反传网络
➢ 可视化：
2020/11/5
高级人工智能 史忠植
11
KDD的技术难点
➢ 动态变化的数据 ➢ 噪声 ➢ 数据不完整 ➢ 冗余信息 ➢ 数据稀疏 ➢ 超大数据量
2020/11/5
高级人工智能 史忠植
15
关联规则的相关概念(2)
➢支持度
物品集A的支持度：称物品集A具有大小为s的支持度, 如果D中有s%的事务支持物品集X P(A)
1000个顾客购物，其中200个顾客购买了面包，
支持度就是20％（200/1000）。
关联规则A→B的支持度：关联规则A→B在事务数据 库W中具有大小为s的支持度,如果物品集A∪B的支持 度为s

人工智能的历史与发展
起步阶段
20世纪50年代，人工智能概念初 步形成，机器开始模拟人类的某 些简单思维过程。
高速发展阶段
21世纪初，随着大数据、云计算 和深度学习等技术的突破，人工 智能进入高速发展期。
反思阶段
20世纪70年代，人工智能遭遇技 术瓶颈，发展一度停滞。
应用阶段
20世纪80年代，人工智能开始应 用于实际场景，如专家系统、智 能控制等。
立体视觉
通过多幅不同角度的图 像，获取物体的三维信 息，实现三维场景的重
建。
光流分析
研究图像中像素的运动 模式和趋势，用于运动
目标的检测和跟踪。
Part
05
强化学习
强化学习基本概念
强化学习定义
强化学习是机器学习的一个重要分支，通过与环境的交互，智能体不断学习如何选择或 优化行为，以最大化累积奖励。
特征提取
从图像中提取出具有代表性的 特征，如边缘、角点、纹理等 ，以便进行更高级的处理。
三维重建
通过多幅图像的信息，利用计 算机视觉技术构建出物体的三
维模型。
计算机视觉的应用领域
工业自动化
在生产线上的物体检测、定位和识别 ，提高生产效率和产品质量。
智能交通
用于车辆检测、交通拥堵分析、道路 状况评估等，提高交通管理和安全水 平。
常见的强化学习算法
1 2
Q-learning
Q-learning是一种基于值迭代的强化学习算法， 通过不断更新Q值表来逼近最优策略。
Policy Gradient Methods
策略梯度方法是基于策略的强化学习方法，通过 直接优化策略来获得最优解。
3
Actor-Critic Methods

高级人工智能 史忠植
20
概念的边界
知识的粒度性是造成使用已有知识不能精确地表示 某些概念的原因。这就产生了所谓的关于不精确的 “边界”思想。著名哲学家Frege认为“概念必须 有明确的边界。没有明确边界的概念，将对应于一 个在周围没有明确界线的区域”。粗糙集理论中的 模糊性就是一种基于边界的概念，即一个不精确的 概念具有模糊的不可被明确划分的边界。为刻画模 糊性，每个不精确概念由一对称为上近似与下近似 的精确概念来表示，它们可用隶属函数定义
Age LEMS Walk
x１ 16-30 x2 16-30 x3 31-45 x4 31-45 x5 46-60 x6 16-30 x7 46-60
50 yes
0
no
1-25 no
1-25 yes
26-49 no
26-49 yes
26-49 no
• DS: T (U , A {d})
• d A is the decision
为原始概念来处理，集合的并和交就建立在其元素的隶属
度max和min操作上，因此其隶属度必须事先给定（传统集
合默认隶属度为1或0）。在粗糙集中，隶属关系不再是一
个原始概念，因此无需人为给元素指定一个隶属度，从而
避免了主观因素的影响。
2019/11/24
高级人工智能 史忠植
14
Information Systems/Tables
• The equivalence classes of the B-indiscernibility relation are denoted by [x]B.
2019/11/24
高级人工智能 史忠植
19
难区分性实例 Indiscernibility