三大学派
目前人工智能的主要学派有三个：
（1）符号主义，又称为逻辑主义或计算机学派。认为人类智能的基本单元是符号，认知过程就是符号表示下的符号计算，从而思维就是符号计算。其原理主要为物理符号系统假设和有限合理性原理。
（2）联结主义，又称仿生学派。认为人类智能的基本单元是神经元，认知过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。其原理主要为神经网络及神经网络间的连接机制与学习算法。
（3）行为主义，又称进化主义或控制论学派。这种观点认为智能取决于感知和行为（所以被称为行为主义），它不需要知识、不需要表示、不需要推理。其原理是控制论和感知－动作型控制系统。
- 符号主义：功能 逻辑主义
- 联结主义：结构 仿生学
- 行为主义：行为 控制论
归纳学习SBL
应用归纳推理进行学习的一种方法
温斯顿的拱学习、决策树学习
- 取消部分条件
- 放松条件
- 沿概念树上溯
- 形成闭合区域
- 将常量转化为变量
解释学习EBL
避免实例样本归纳学习所产生的不可靠性
- 解释
- 概括
- 选取
(1) 利用基于解释的方法对训练实例进行分析与解释，以说明它是目标概念的一个实例
(2) 对实例的结构进行概括性解释，建立该训练实例的一个解释结构以满足所学概念的定义；解释结构的各个叶节点应符合可操作性准则，且使这种解释比最初的例子适用于更大的一类例子
(3) 从解释结构中识别出训练实例的特性，并从中得到更大一类例子的概括性描述，获取一般控制知识
BP深度学习
bp网络是多层无反馈网络
两个阶段
- 第一个阶段是输入已知学习样本,通过设置的网络结构和前一次迭代的权值和阈值,从网络的第一层向后计算各神经元的输出。
- 第二个阶段是对权值和阈值进行修改,从最后一层向前计算各权值和阈值对总误差的影响(梯度),按照能够使误差减小的方向对各权值和阈值进行修改。
以上两个过程反复交替，直到达到收敛为止。
由于误差逐层往回传递，以修正层与层间的权值和阈值，所以称该算法为误差反向传播(error backpropagation)算法，这种误差反传学习算法可以推广到有若干个中间层的多层网络，因此该多层网络常称之为BP网络。
- CNN 卷积神经网络：由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和缓冲层（pooling layer）。
- RNN 循环神经网络：对输入序列数据形成有向图，显示时间动态行为 输入层输入 隐藏层输出
- RBM 受限波尔兹曼机：一类可通过输入数据集学习概率分布的随机生成神经网络，是隐层节点间彼此无连接的玻耳兹曼机。
计算题
决策树ID3
模糊计算
并取最大值
交取最小值
神经计算
应用题
A*算法
- 均一代价搜索
- 深度优先搜索
消解原理 归结原理
- 定义谓词
- 将前提及要求证的问题表示成谓词公式
- 将上述规则与事实以及求证目标的否定化成子句集
- 利用归结原理对上面的子句集S中的子句进行归结。
ps: 存在量词E取反变全称量词
STRIPS规划系统
PPT
- 先决条件
- 删除表
- 添加表
简答
- 常见的知识表示法有状态空间、问题归约、谓词表示、语义网络、框架表示
- 【状态表示法】在状态表示法中，解的问题是以状态和算符集合的形式表示的 从某个初始状态开始,每次加一个操作符,递增地建立起操作符的试验序列,直到达到目标状态为止
- 【问题归约法】从目标（要解决的问题）出发,逆向推理,通过一系列变换把初始问题变换为子问题集合和子子问题集合,直至最后归约为一个平凡的本原问题集合.这些本原问题的解可以直接得到,从而解决了初始问题,用与或图来有效地说明问题归约法的求解途径.
- 语义网络是有向图表示的(节点1，有向弧，节点2)三元联结而成的，其推理过程主要有继承和匹配两种
- 在图搜索中，是否应用了已有的知识，决定了搜索是盲目搜索还是启发式搜索。常见的启发式搜索有有序搜索、A*算法
- 基于解释的学习（EBL）中，给出训练事例的意义在于，提取出在解决实际问题时可以应用的部分，从而节省存储容量和搜索时间
- 机器学习主要的推理方式是机械式、类推、归纳、演绎以及发现
语义网络
- ISA 是
- AKO 一种
- AMemer-of 一员（个体）
- Have Can Age 属性
- Part-of 局部
- Before After 时间
- Located-on/at/under/inside/outside 位置
置换合成
https://wenku.baidu.com/view/dfeffe39b90d6c85ed3ac602.html
{f(b)/x ,y/z}
框架结构
