浙江大学研究生《人工智能引论》课件
合集下载
浙江大学人工智能PPT1
1．2 人工智能研究的发展
• 1956年夏季，麦卡锡(McCarthy)等美国年轻学者 发起首次人工智能研讨会 •发展历程大致可划分为四个阶段：
• • • • 形成、 成长、 快速发展、 稳步增长
1 形成期（1956-1961）
这一时期，基于前人数学逻辑和形式推理方面取得的成果，建立在卡内基-梅 隆大学、麻省理工学院和IBM公司的研究组开始了AI的早期研究工作。这个时 期的成果主要是定理证明程序、GPS（General Problem Solving）、下棋程序、 LISP语言和模式识别系统等。这些早期成果充分表明，AI作为一门新兴的学科 正在茁壮成长。
课程安排
三、教学要求
• 重点掌握： 问题求解的基本方法、 知识表示方法、 KB系统设计、 智能规划的实现方法、 机器学习的实现方法。 • 课程难点 搜索算法、 演绎推理的实现方法、 结构化知识表示、 KB系统的设计、 自动规划技术、 机器学习技术。
课程安排
四、教材
• 人工智能基础，高济等，02年，高教出版社，新世纪计算机学科系列教材之一。 校门口科海书店 • 参考资料：人工智能原理和方法，王永庆，98年，西安交通大学。
• 80年代中期——AI热特别是专家系统热大大降温。
• 人工智能技术的不成熟性，对AI经济效益的期望值太高，结果不免令人失 望； • 更糟糕的是大部分草率上马的专家系统项目均未达实用化程度； • 对AI前景持悲观态度，甚至有人提出AI的冬天已经来临。
发展历程
4 稳步增长期（80年代后期以来）
• • • • 大部份AI研究者都还保持着清醒的头脑，扎实的研究工作； AI技术和方法论的发展始终保持了较高的速度； AI研究进入稳健的线性增长时期； 而人工智能技术的实用化进程也步入成熟时期。
不确定性推理原理
4.2.4 不确定性的传递
包含两个子问题
在每一步推理中，如何把证据及知识的不 确定性传递给给结论 在多步推理中，如何把初始证据的不确定 性传递给最终结论
4.2.5 结论不确定性的合成
用不同知识进行推理得到相同的结论 同个结论的不确定性程度却不相同
需要用合适的算法对它们进行合成
4. 3 不确定性推理方法的分类
为给定条件E下，事件A发生的条件概率。
对于条件概率有如下联合概率公式：
P( A
n
E ) P( A | E ) P( E )
n 1
若A1, A2, ..., An为X中的n个事件，可得
P(
i 1
Ai ) P( A1 ) P( A2 | A1 ) P( A3 | A1
A2 )
P( An |
“To do what is right and just is more acceptable to the LORD than sacrifice.” From PROVERBS 21:3 NIV
4.2.3 证据不确定性的组合
单一证据 & 组合证据
单一证据：前提条件仅为一个简单条件 组合证据：一个复合条件对应于一组证据
在选择不确定性度量方法时应考虑的因素： 充分表达相应知识及证据不确定性的程度
度量范围便于领域专家及用户估计不确定性
便于计算过程中的不确定性传递，结论的不确 定性度量不超出规定的范围 度量的确定应直观，且有相应的理论依据
4.2.2 不确定性匹配
解决不确定性匹配的常用方法
设计一个匹配算法用以计算相似度 指定一个相似度的“限定”（即阈值）
人工智能概论-浙江大学-控制科学与工程学院
人工智能概论
张建明
控制科学与工程学系
杭州 • 浙江大学 • 2013
联系方式
办公室：智能系统与控制研究所222室 Email：jmzhang@ 电话：13588011720，87952233-8222（办）
说明
教材：
• Russell & Norvig. 人工智能：一种现代方法 （第二版）, 人民邮电出版社
深蓝计划源自许峰雄在美国卡内基·梅隆大学修读博士学位时的研究，第 一台电脑名为“晶体测试”，后来又研制了另一台电脑“沉思”。 许峰 雄在1989年加入IBM研究部门。1992年IBM委任谭崇仁为超级电脑研究 计划主管，领导研究小组开发专门用以分析国际象棋的深蓝超级电脑。
深蓝是并行计算的电脑系统，基于RS/6000 SP，另加上480颗特别制造 的VLSI象棋芯片。下棋程式以C语言写成，运行AIX操作系统。 1997年 版本的深蓝运算速度为每秒2亿步棋，是其1996年版本的2倍。
专家系统、游戏、机器学习、机器视觉、自然语言理解、自动程序设计、知 识发现、数据挖掘、网络搜索、定理证明、模式识别等。
说明(续)
（2）组织形式 依据学生的兴趣，组成至多3人的项目小组，每个组确定一个选题。
（3）要求 项目小组依据确定的选题，收集相关资料，综述研究现状，提出研究问 题，设计研究方案，实施研究计划。
沃森是能够使用自然语言来回答问题的人工智能系 统，由IBM公司的首席研究员David Ferrucci所领导 的DeepQA计划小组开发并以该公司创始人托马斯 ·J·沃森的名字命名。
“沃森”
《危险边缘》的题目常常包含微妙含义、反讽、谜语、甚至脑筋急转弯 等种种线索，沃森主要依靠的是它对自然语言的理解和高速的计算。
张建明
控制科学与工程学系
杭州 • 浙江大学 • 2013
联系方式
办公室：智能系统与控制研究所222室 Email：jmzhang@ 电话：13588011720，87952233-8222（办）
说明
教材：
• Russell & Norvig. 人工智能：一种现代方法 （第二版）, 人民邮电出版社
深蓝计划源自许峰雄在美国卡内基·梅隆大学修读博士学位时的研究，第 一台电脑名为“晶体测试”，后来又研制了另一台电脑“沉思”。 许峰 雄在1989年加入IBM研究部门。1992年IBM委任谭崇仁为超级电脑研究 计划主管，领导研究小组开发专门用以分析国际象棋的深蓝超级电脑。
深蓝是并行计算的电脑系统，基于RS/6000 SP，另加上480颗特别制造 的VLSI象棋芯片。下棋程式以C语言写成，运行AIX操作系统。 1997年 版本的深蓝运算速度为每秒2亿步棋，是其1996年版本的2倍。
专家系统、游戏、机器学习、机器视觉、自然语言理解、自动程序设计、知 识发现、数据挖掘、网络搜索、定理证明、模式识别等。
说明(续)
（2）组织形式 依据学生的兴趣，组成至多3人的项目小组，每个组确定一个选题。
（3）要求 项目小组依据确定的选题，收集相关资料，综述研究现状，提出研究问 题，设计研究方案，实施研究计划。
沃森是能够使用自然语言来回答问题的人工智能系 统，由IBM公司的首席研究员David Ferrucci所领导 的DeepQA计划小组开发并以该公司创始人托马斯 ·J·沃森的名字命名。
“沃森”
《危险边缘》的题目常常包含微妙含义、反讽、谜语、甚至脑筋急转弯 等种种线索，沃森主要依靠的是它对自然语言的理解和高速的计算。
人工智能概述ppt课件
加密技术
使用加密算法保护数据传 输和存储过程中的隐私安 全。
安全性挑战及防范措施
人工智能系统的脆弱性
AI系统可能受到恶意攻击和欺骗，导致系统失效或被利用。
数据安全与保护
防止数据泄露、篡改和破坏，确保AI系统的数据完整性和可用性。
人工智能监管与政策
制定相关法规和政策，规范AI技术的研发和应用，保障社会安全和 公共利益。
符号系统与连接主义结合可以充分发挥各自优势，实现更高效、更智能 的人工智能系统。例如，在深度学习模型中融入符号处理机制，可以提 高模型的可解释性和泛化能力。
05
伦理、隐私和安全问 题探讨
伦理道德问题在AI中体现
数据偏见与歧视
01
算法训练数据可能包含社会和文化偏见，导致不公平的决策和
歧视。
人工智能的决策透明度
人才培养与生态建设
加强人工智能人才培养与引进，构建良好创新生 态，推动人工智能持续发展与进步。
THANKS
感谢观看
均方误差、均方根误差 用于评估回归模型的性能，衡量模型 预测值与实际值之间的差距。
时间复杂度和空间复杂度 用于评估算法的运行效率和存储开销， 是选择算法时需要考虑的重要因素之 一。
04
数据驱动与知识表示 方法
数据驱动思想在AI中体现
数据驱动是人工智能的重要思想，强 调从数据中学习规律，挖掘潜在知识。
06
未来发展趋势与挑战
技术创新方向预测
深度学习
进一步探索神经网络结构与优化算法，提升 模型性能与泛化能力。
迁移学习
实现跨领域、跨任务的知识迁移，降低人工 智能应用门槛。
强化学习
研究更高效的探索与利用策略，拓展在复杂 决策问题中的应用。
浙江大学研究生《人工智能引论》课件
因此，P(B|j, m) = α <0.00059224, 0.0014919> ≈ <0.284, 0.716> 即在John和Mary都打电话的条件下，出现盗贼的 概率约为28%。
【课后习题1】
国家政策 （C） ）
P(C) 0.50
C
P(U) 0.95 0.01 U P(B) 0.30 0.01
D. 独立和条件独立
Cavity Weather
Toothache
Catch
Weather和其它3个变量相互独立 给定Cavity后，Toothache和Catch条件独立
E. 贝叶斯网络示例
Burglary
P(B) 0.001 P(E)
Earthquake
B E t f t f P(A) 0.95 0.94 0.29 0.001
P(~b) 0.999 P(e) 0.002 P(a|~b,e) 0.29
P(~e)
+
0.998 P(a|~b,~e) 0.001 P(j|a) 0.90 P(m|a) 0.70 P(j|~a) 0.05 P(m|~a) 0.01
+
+
P(~a|~b,e) 0.71 P(j|~a) 0.05 P(m|~a) 0.01
B. 贝叶斯网络的定义
是一个有向无环图(DAG) 随机变量集组成网络节点，变量可离散或连续 一个连接节点对的有向边或箭头集合 每 节 点 Xi 都 有 一 个 条 件 概 率 分 布 表 ： P(Xi|Parents(Xi))，量化其父节点对该节点的影响
C. 贝叶斯网络的别名
信念网(Belief Network) 概率网络(Probability Network) 因果网络(Causal Network) 知识图(Knowledge Map) 图模型(Graphical Model)或概率图模型(PGM) 决策网络(Decision Network) 影响图(Influence Diagram)
人工智能引论AI-CH1
智能是个体有目的的行为、合理 的思维、以及有效的适应环境的综合 性能力。
通俗地说，智能是个体认识客观事物和 运用知识解决问题的能力。
2013年9月6日星期五
5
智能内容
★ 感知和认识客观事物、客观世界与自我的能力； ★ 通过学习取得经验、积累知识的能力； ★ 理解知识、运用知识和经验分析问题和解决问题的
尊称为“计算机之父”
2013年9月6日星期五
15
★ 1946年美国的数学家莫克利（J W Mauchly, 1907-1980）和研究生埃克特（J P Eckert）合作，研制成功第一台通用电子数字 计算机ENIAC。
★ 1948年美国数学家维纳（N Wiener）创立 控制论；美国数学家香农（C E Shannon）创 立信息论；美籍奥地利生物学家贝塔朗菲创立 系统论。
★ 1961年明斯基发表了题为“走向人工智能的步骤” 的论文，对当时人工智能研究起了推动作用。
2013年9月6日星期五
19
麦卡锡（ J McCarthy, 1927）
AI(人工智能)一词通常认为是McCarthy 1955 年在DartMouth期间的一个会议上提出来的 (/wiki/Dartmouth_Confere nce )，被尊称为“人工智能之父”。
◆ 乔姆斯基（N Chomsky）提出了一种文法的数学模 型，开创了形式语言的研究。形式语言与自动机是 等价的，它们都可以用来研究思维过程。
2013年9月6日星期五
18
◆ 勒洛特发表了证明平面几何问题的程序； ◆ 赛尔夫利奇等人发表了模式识别程序；
◆ 麦卡锡研制出表处理语言LISP，它不仅能处理数 值，而且可以更方便地处理符号，为人工智能研究提 供了重要工具。
浙江大学研究生人工智能课件-PowerPointPre
•[8] Voorbraak, F. On the justification of Dempster’s rule of combination. Artificial Intelligence, 1991, 48:171-197.
•[9] Smets, P. The combination of evidence in the transferable model. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(5): 447-458.
•
• 3、证据理论的核心、优点及适用领域
• 核心：Dempster合成规则，这是Dempster在研究
统计问题时首先提出的，随后Shafer把它推广到更为一 般的情形。
• 优点：由于在证据理论中需要的先验数据比概率 推理理论中的更为直观、更容易获得，再加上Dempster 合成公式可以综合不同专家或数据源的知识或数据，这 使得证据理论在专家系统、信息融合等领域中得到了广 泛应用。
•
• 2、证据理论的诞生和形成
• 诞生：源于20世纪60年代美国哈佛大学数学家A. P.
Dempster在利用上、下限概率来解决多值映射问题方面的 研究工作。自1967年起连续发表了一系列论文，标志着证 据理论的正式诞生。
• 形成：Dempster的学生G. Shafer对证据理论做了进一 步的发展，引入信任函数概念，形成了一套基于“证据”和“ 组合”来处理不确定性推理问题的数学方法，并于1976年 出版了《证据的数学理论》(A Mathematical Theory of Evidence)，这标志着证据理论正式成为一种处理不确定性 问题的完整理论。
人工智能1第一章绪论PPT课件
2020/8/10
4
第一章 人工智能概述
智能研究中一些难回答的问题
智能是一种独立的才能，还是一系列独一无二且不相 关联的能力的总称 ？
多大程度上可以说智能是学到的而不是先天存在的？
学习时发生什么？
什么是创造力？
什么是直觉？
可以从观察到的行为推断出具有智能，还是需要特定 内部机制的证据？
2020/8/10
3
第一章 人工智能概述
人工智能的定义
人工智能至今尚无统一的定义 我们给出的定义（狭义）：
能够在各类环境中自主地或交互地执行各种拟人任务的 机器称为智能机器
从学科的角度看，人工智能是计算机科学的一个分支， 它研究、设计和应用智能机器，其目标是使智能行为自 动化。
从能力的角度看，人工智能是智能机器所执行的与人的 智能有关的功能，如判断、推理、理解、学习和问题求 解等思维活动
案的基础
2020/8/10
8
第一章 人工智能概述
图灵测试的反对意见
它偏向于纯粹的符号问题求解任务,不适用 于测试感知技能或要实现手工灵活性所需要 的能力
没有必要把机器智能强行套入人类智能的模 具中，或许机器智能就是不同于人类智能， 试图按照人类的方式来评价它，可能根本就 是一个错误。
也有人全面批评图灵测试，认为分散了我们 的注意力，应研究通用理论，解释人工智能 ，指导具体实践问题
逻辑的严谨性和普遍性 低效性
谓词演算 逻辑编程语言 启发式算法
2020/8/10
19
第一章 人工智能概述
专家系统
对特定领域知识的重视引发了对专家系统的研 究
基于规则的知识表示 基于模型的知识表示 推理
2020/8/10
20
浙江大学研究生《人工智能引论》课件
属性子集 ： VpAVP， 是属性的域 ： × → 是总函数，使得 对每个 , , 有(, )
一个关系数据库可看作一个信息系统，其“列” 为“属性”，“行”为“对象”。
基本概念（续）
基本集合（ ） 原子() 关系的等价类( ) 表示近似空间上所有的基本集合（原子）
U7 No
H ig h
Yes
U8 No
Very-high N o
{, .} : {}, {}, {}, {}, {, }, {, }.
{ () } {, , , }
{ () } {, , , }
{, } {, , , , , }
RX1
{, }
RX2
{, , , , , }
上、下近似集的图示：
{, .} { {}, {}, {}, {}, {, }, {, { () } {} { () } {}
集合的上近似 下近似
在信息系统 {, , , }中，设 是个体全域 上的子集， 则的下和上近似集及边界区 域分别为P ：X { Y U /P :Y X }
P X { Y U /P :Y X }
Bn P (X d )P XP X
• 是 上必然被分类的那些元素的集合，即包含在内的最大可定义集； • P 是上可能被分类的那些元素的集合，即包含的最小可定义集。 • ()是既不能在 上被分类，又不能在上被分类的那些元素的集合。
参考史忠植编著的《高级人工智能》、《知识发现》 等教材中讨论粗糙集的有关章节。【注】：国内王国 胤、刘清、张文修、曾黄麟等人先后出版了关于 的教 材，也可适当参考。
快速入门方法（续）
认真研读如下篇典., .
.
,:,
粗糙集理论的基本原理
一个关系数据库可看作一个信息系统，其“列” 为“属性”，“行”为“对象”。
基本概念（续）
基本集合（ ） 原子() 关系的等价类( ) 表示近似空间上所有的基本集合（原子）
U7 No
H ig h
Yes
U8 No
Very-high N o
{, .} : {}, {}, {}, {}, {, }, {, }.
{ () } {, , , }
{ () } {, , , }
{, } {, , , , , }
RX1
{, }
RX2
{, , , , , }
上、下近似集的图示：
{, .} { {}, {}, {}, {}, {, }, {, { () } {} { () } {}
集合的上近似 下近似
在信息系统 {, , , }中，设 是个体全域 上的子集， 则的下和上近似集及边界区 域分别为P ：X { Y U /P :Y X }
P X { Y U /P :Y X }
Bn P (X d )P XP X
• 是 上必然被分类的那些元素的集合，即包含在内的最大可定义集； • P 是上可能被分类的那些元素的集合，即包含的最小可定义集。 • ()是既不能在 上被分类，又不能在上被分类的那些元素的集合。
参考史忠植编著的《高级人工智能》、《知识发现》 等教材中讨论粗糙集的有关章节。【注】：国内王国 胤、刘清、张文修、曾黄麟等人先后出版了关于 的教 材，也可适当参考。
快速入门方法（续）
认真研读如下篇典., .
.
,:,
粗糙集理论的基本原理
《人工智能课件》.pptx
策略梯度方法
一种基于策略迭代的方法，直接优化策略参数以最大化期望回报。通过计算梯度并更新策 略参数来实现策略改进。
Actor-Critic 方法
结合了值迭代和策略迭代的方法。Actor 负责根据当前策略选择动作，Critic负责评估当前 策略的性能并指导Actor进行改进。两者相互促进，共同优化智能体的行为。
03 深度学习技术与应用
神经网络基本原理
01
神经元模型
神经网络的基本单元，模 拟生物神经元的结构和功
能。
前向传播
输入信号经过神经元处理 后向前传递的过程。
反向传播
根据误差信号调整神经元 权重的过程。
卷积神经网络 (CNN)
卷积层
通过卷积操作提取输入数 据的特征。
池化层
降低数据维度，减少计算
量。
06
人工智能伦理、法律和社会影
响
数据隐私和安全问题
数据隐私泄露
人工智能系统通常需要大量数据进行训练和学习，其中可能包含用户的个人隐 私信息。如果这些数据没有得到妥善保护，就可能导致隐私泄露事件。
网络安全问题
人工智能系统可能成为网络攻击的目标，例如黑客利用漏洞攻击人工智能系统， 获取敏感信息或者破坏系统的正常运行。
将数据划分为K个簇，每个簇的中心由簇内所有样本的均值表示。通过
迭代更新簇中心和重新划分样本，使得每个样本与其所属簇中心的距离
之和最小。
层次聚类
通过计算样本之间的距离，将距离近的样本合并为一个簇，然后不断重 复该过程，直到达到预设的簇数量或满足其他停止条件。
03
主成分分析 (PCA)
通过正交变换将原始特征空间中的线性相关变量转换为线性无关的新变
深度学习在图像识别与分类中的应用 通过训练深度神经网络模型，学习从原始图像数据中提取有用 的特征，进而实现图像的高效识别和分类。
一种基于策略迭代的方法，直接优化策略参数以最大化期望回报。通过计算梯度并更新策 略参数来实现策略改进。
Actor-Critic 方法
结合了值迭代和策略迭代的方法。Actor 负责根据当前策略选择动作，Critic负责评估当前 策略的性能并指导Actor进行改进。两者相互促进，共同优化智能体的行为。
03 深度学习技术与应用
神经网络基本原理
01
神经元模型
神经网络的基本单元，模 拟生物神经元的结构和功
能。
前向传播
输入信号经过神经元处理 后向前传递的过程。
反向传播
根据误差信号调整神经元 权重的过程。
卷积神经网络 (CNN)
卷积层
通过卷积操作提取输入数 据的特征。
池化层
降低数据维度，减少计算
量。
06
人工智能伦理、法律和社会影
响
数据隐私和安全问题
数据隐私泄露
人工智能系统通常需要大量数据进行训练和学习，其中可能包含用户的个人隐 私信息。如果这些数据没有得到妥善保护，就可能导致隐私泄露事件。
网络安全问题
人工智能系统可能成为网络攻击的目标，例如黑客利用漏洞攻击人工智能系统， 获取敏感信息或者破坏系统的正常运行。
将数据划分为K个簇，每个簇的中心由簇内所有样本的均值表示。通过
迭代更新簇中心和重新划分样本，使得每个样本与其所属簇中心的距离
之和最小。
层次聚类
通过计算样本之间的距离，将距离近的样本合并为一个簇，然后不断重 复该过程，直到达到预设的簇数量或满足其他停止条件。
03
主成分分析 (PCA)
通过正交变换将原始特征空间中的线性相关变量转换为线性无关的新变
深度学习在图像识别与分类中的应用 通过训练深度神经网络模型，学习从原始图像数据中提取有用 的特征，进而实现图像的高效识别和分类。
证据理论
适用策分析，等等。
4、证据理论的局限性
要求证据必须是独立的，而这有时不易满足
证据合成规则没有非常坚固的理论支持，其合理 性和有效性还存在较大的争议
计算上存在着潜在的指数爆炸问题
5、证据理论的发展概况
“Zadeh悖论”：对证据理论的合成公式的合理性进行 质疑。 例子：利用Dempster证据合成规则对两个目击证人 （W1, W2）判断某宗“谋杀案” 的三个犯罪嫌疑人（Peter, Paul, Mary）中究竟谁是真正的凶手，得到的结果（认定Paul 是凶手）却违背了人的常识推理结果，Zadeh认为这样的结果 无法接受。 m1() Peter Paul Mary 0.99 0.01 0.00 m2() 0.00 0.01 0.99 m12() 0.00 1.00 0.00
[12] Dubois, D, Prade, H. Consonant approximations of belief functions. International Journal of Approximate Reasoning, 1990, 4: 279-283.
[13] Tessem, B. Approximations for efficient computation in the theory of evidence. Artificial Intelligence, 1993, 61:315-329. 【注：文献10-12均为证 据理论近似计算方法】 [14] Simard, M. A., et al. Data fusion of multiple sensors attribute information for target identity estimation using a Dempster-Shafer evidential combination algorithm. In: Proceedings of SPIE-International Society for Optical Engineering, 1996, Vol.2759: 577-588. 【提出了一种实现证据理论的“修 剪算法”】
人工智能ppt课件
词法分析
应用
研究单词的内部结构，包括词根、词 缀、词干等，以及单词的形态变化规 则。
在信息检索、机器翻译、智能问答等 领域中，词性标注有助于提高文本处 理的准确性和效率。
词性标注
为每个单词分配一个词性标签，如名 词、动词、形容词等，以便理解单词 在句子中的角色和含义。
句法分析与依存关系抽取
1 2
句法分析
AI歧视和偏见问题剖析
AI算法歧视
由于训练数据存在偏见或算法设计不合理，AI系统可能产生歧视 行为，如对某些人群的不公平待遇。
AI决策透明度
AI决策过程缺乏透明度，难以追溯和解释，可能导致不公平决策和 信任问题。
消除AI歧视和偏见措施
需要采取措施消除AI歧视和偏见，如增加多样性训练数据、改进算 法设计、提高决策透明度等。
AI在教育中应用前景展望
个性化教育
AI可以根据学生的学习 情况和需求提供个性化 教育方案，提高教育效
果和质量。
智能辅助教学
AI可以辅助教师进行教 学管理、作业批改等工 作，减轻教师负担，提
高教学效率。
在线教育资源
AI可以整合和优化在线 教育资源，为学生提供 更加丰富、优质的学习
资源。
教育公平
AI可以弥补地区间、城 乡间教育资源差距，为 更多人提供平等接受教
ERA
图像分类与目标检测
图像分类
利用深度学习算法对图像进行自动分类，包括通用分类 （如猫、狗、花等）和细粒度分类（如不同品种的猫、狗 等）。
目标检测 在图像中定位并识别出感兴趣的目标，如人脸检测、行人 检测、车辆检测等。目标检测算法通常包括基于滑动窗口 的方法和基于深度学习的方法。
评估指标
准确率、召回率、F1分数等用于评估图像分类和目标检测 算法的性能。
浙江大学研究生《人工智能引论》课件-文档资料
t t f f
t f t f
0.95 0.94 0.29 0.001JohnCalls NhomakorabeaA
P(J)
t f
0.90 0.05
MaryCalls
A
P(M)
t f
0.70 0.01
7.2 贝叶斯网络的语义
贝叶斯网络的两种含义
对联合概率分布的表示
— 构造网络 对条件依赖性语句集合的编码 — 设计推理过程
贝叶斯网络的语义
P(x1,..., xn) = P(x1|parent(x1)) ... P(xn|parent(xn))
贝叶斯网络的语义公式计算示例：
试计算：报警器响了，但既没有盗贼闯入，也 没有发生地震，同时John和Mary都给你打电话 的概率。 解：
P(j,m,a,~b,~e) = P(j|a)P(m|a)P(a|~b,~e) P(~b) P(~e)
已知：P(~fever | cold, ~flu, ~malaria) = 0.6 P(~fever | ~cold, flu, ~malaria) = 0.2 P(~fever | ~cold, ~flu, malaria) = 0.1， 可利用“噪声或”（Noisy-OR）关系得到下表：
Cold F F F F T T T T Flu F F T T F F T T Malaria F T F T F T F T P(Fever) 0.0 0.9 0.8 0.98 0.4 0.94 0.88 0.988 P(~Fever) 1.0 0.1 0.2 0.02 = 0.2 X 0.1 0.6 0.06 = 0.6 X 0.1 0.12 = 0.6 X 0.2 0.012 = 0.6 X 0.2 X 0.1
人工智能导论PPT第一章人工智能导引
人工智能和大数据
外推：它是在原始观测范围之外，根测：它包括标识不符合预期模 式的识别数据项、事件或观测，或数据集中的其它项。异 常检测可以识别诸如银行欺诈之类的事件。它也适用于几 个其它领域，包括：故障检测、系统健康监测、传感器网 络和生态系统干扰。
深度学习也很好的实现了各种任务，使得似乎所有的机器辅 助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至 是更好的电影推荐，都即将实现。
什么是人工智能
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开 发用于模拟、延伸和扩展人的智能活动，是计算机科学的一个研究分支， 是研究发展的结晶。人工智能是一门基于计算机科学，生物学，心理学， 神经科学，数学和哲学等学科的科学和技术。
（WIKI）In computer science, artificial intelligence (AI), sometimes called machine intelligence, is intelligence demonstrated by machines, in contrast to the natural intelligence displayed by humans and animals. Leading AI textbooks define the field as the study of "intelligent agents": any device that perceives its environment and takes actions that maximize its chance of successfully achieving its goals. Colloquially, the term "artificial intelligence" is often used to describe machines (or computers) that mimic "cognitive" functions that humans associate with the human mind, such as "learning" and "problem solving".
浙江大学研究生人工智能引论课件-PowerPointP
证据理论方法
1967年Dempster首次提出，1976年Shafer完善 可表示并处理“不知道”等不确定性信息
关于不确定性推理方法的说明（续2）
模糊推理方法
可表示并处理由模糊性引起的不确定性 已广泛应用于不确定性推理
粗糙集理论方法
1981年Z. Pawlak首次提出 一种新的可表示并处理“含糊”等不确定性的数学方
4. 3 不确定性推理方法的分类
4.3.1 不确定性推理的两条研究路线 模型方法
在推理一级上扩展确定性推理 不确定证据和知识与某种度量标准对应 给出更新结论不确定性的算法 构成相应的不确定性推理模型
控制方法
在控制策略一级上处理不确定性 无统一的不确定性处理模型，其效果依赖于控制策略
(1) B() = 0, B(X) = 1;
(2) 对于X中任意子集A1，A2，…，An有
n
B( Ai)
(1)|I|1B( Ai)
i1
I{1,2,...,n}
iI
I
如果仅仅满足，对于X中任意两个子集A1及A2有
B ( A 1 A 2 ) B ( A 1 ) B ( A 2 ) B ell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 人民邮电出版社, 2002. pp413-522. （偏重贝叶 斯网络及其应用）
“Blessed is the nation whose God is the LORD, the people he chose for his inheritance.” From PSALMS 33:12 NIV
本章的主要参考文献
[1] 王永庆. 人工智能原理与方法. 西安交通大学出版社, 1998. pp156-252. (偏重基本概念)
1967年Dempster首次提出，1976年Shafer完善 可表示并处理“不知道”等不确定性信息
关于不确定性推理方法的说明（续2）
模糊推理方法
可表示并处理由模糊性引起的不确定性 已广泛应用于不确定性推理
粗糙集理论方法
1981年Z. Pawlak首次提出 一种新的可表示并处理“含糊”等不确定性的数学方
4. 3 不确定性推理方法的分类
4.3.1 不确定性推理的两条研究路线 模型方法
在推理一级上扩展确定性推理 不确定证据和知识与某种度量标准对应 给出更新结论不确定性的算法 构成相应的不确定性推理模型
控制方法
在控制策略一级上处理不确定性 无统一的不确定性处理模型，其效果依赖于控制策略
(1) B() = 0, B(X) = 1;
(2) 对于X中任意子集A1，A2，…，An有
n
B( Ai)
(1)|I|1B( Ai)
i1
I{1,2,...,n}
iI
I
如果仅仅满足，对于X中任意两个子集A1及A2有
B ( A 1 A 2 ) B ( A 1 ) B ( A 2 ) B ell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 人民邮电出版社, 2002. pp413-522. （偏重贝叶 斯网络及其应用）
“Blessed is the nation whose God is the LORD, the people he chose for his inheritance.” From PSALMS 33:12 NIV
本章的主要参考文献
[1] 王永庆. 人工智能原理与方法. 西安交通大学出版社, 1998. pp156-252. (偏重基本概念)
人工智能课件
前景展望
随着技术的不断进步和应用场景的不断拓展，人工智能的发展前景非常广阔。未来，人工智能将在更多领域发挥 重要作用，如智能制造、智慧农业、智慧教育等。同时，随着算法和计算能力的不断提升，人工智能的智能化水 平也将不断提高，更加贴近人类智能。
02
CATALOGUE
机器学习原理及算法
监督学习算法
线性回归（Linear Regression）
01
02
逻辑回归（Logistic Regression）
支持向量机（Support Vector Machines ）
03
04
决策树（Decision Trees）
随机森林（Random Forests）
05
06
梯度提升树（Gradient Boosting Trees ）
非监督学习算法
01
02
AI监管和治理机制
随着AI技术的广泛应用，各国政府正在建立AI监管和治理 机制，以确保AI技术的合法、公正和透明使用。这些机制 包括AI技术的审查、评估和监管等方面，旨在防止AI技术 的滥用和误用。
AI对社会经济和生活方式的影响
要点一
自动化和劳动力市场 的变革
随着AI技术的不断发展，越来越多的 工作被自动化。这可能导致大量失业 和劳动力市场的变革。同时，AI技术 也创造了新的工作机会和职业领域， 如数据分析师、机器学习工程师等。
前向传播算法
解释神经网络如何根据输 入数据和权重计算输出结 果。
反向传播算法
阐述如何通过计算损失函 数的梯度来更新神经网络 的权重。
卷积神经网络（CNN）
征，并介绍卷积核、步长
和填充等概念。
池化层
02
介绍池化操作如何降低数据的维度，减少计算量，并提高模型
随着技术的不断进步和应用场景的不断拓展，人工智能的发展前景非常广阔。未来，人工智能将在更多领域发挥 重要作用，如智能制造、智慧农业、智慧教育等。同时，随着算法和计算能力的不断提升，人工智能的智能化水 平也将不断提高，更加贴近人类智能。
02
CATALOGUE
机器学习原理及算法
监督学习算法
线性回归（Linear Regression）
01
02
逻辑回归（Logistic Regression）
支持向量机（Support Vector Machines ）
03
04
决策树（Decision Trees）
随机森林（Random Forests）
05
06
梯度提升树（Gradient Boosting Trees ）
非监督学习算法
01
02
AI监管和治理机制
随着AI技术的广泛应用，各国政府正在建立AI监管和治理 机制，以确保AI技术的合法、公正和透明使用。这些机制 包括AI技术的审查、评估和监管等方面，旨在防止AI技术 的滥用和误用。
AI对社会经济和生活方式的影响
要点一
自动化和劳动力市场 的变革
随着AI技术的不断发展，越来越多的 工作被自动化。这可能导致大量失业 和劳动力市场的变革。同时，AI技术 也创造了新的工作机会和职业领域， 如数据分析师、机器学习工程师等。
前向传播算法
解释神经网络如何根据输 入数据和权重计算输出结 果。
反向传播算法
阐述如何通过计算损失函 数的梯度来更新神经网络 的权重。
卷积神经网络（CNN）
征，并介绍卷积核、步长
和填充等概念。
池化层
02
介绍池化操作如何降低数据的维度，减少计算量，并提高模型
浙江大学计算机学院研究生《人工智能引论》课件.ppt
动作 效应器
2019-9-15
感谢你的欣赏
环 境
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
1
内容
1. 概述 2. 分布式问题求解
3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术
10. Mobile Agent 11. 若干前沿问题讨论
2019-9-15
感谢你的欣赏
2019-9-15
感谢你的欣赏
18
可能世界模型(Possible Worlds Model)
地位：Agent理论基础的开创性工作之一。 思想：将Agent的知识、信念等特征化为一 系列“可能世界”，在可能世界模型中包 括对象、属性及其关系。
优点：理论基础（特别是模态逻辑）比较 完善。
缺点：存在“逻辑万能”(Logical Omniscience)问题。
2019-9-15
感谢你的欣赏
26
13.4.5 动作理论
情景演算是描述动作的主要的形式框 架。 在情景演算中引入了状态和动作 的概念，并利用两条逻辑公理来描述 动作与状态的关系。一条公理描述一 个动作在满足什么条件的状态之下可 能发生，另外一条描述在一个状态之 下某个动作发生以后当前状态如何改 变。
2019-9-15
感谢你的欣赏
环 境
35
反应Agent程序
function Reactive-Agent(percept) returns action static: rules, /* 一组条件-动作规则 */
state ← Interpret-Input(percept) rule ← Rule-Match(state,rules) action ← Rule-Action[rule] return action
1
内容
1. 概述 2. 分布式问题求解
3. Agent 4. Agent理论 5. Agent结构 6. Agent通信 7. Agent的协调与协作 8. 多Agent环境MAGE 9. 面向Agent的软件技术
10. Mobile Agent 11. 若干前沿问题讨论
2019-9-15
感谢你的欣赏
2019-9-15
感谢你的欣赏
18
可能世界模型(Possible Worlds Model)
地位：Agent理论基础的开创性工作之一。 思想：将Agent的知识、信念等特征化为一 系列“可能世界”，在可能世界模型中包 括对象、属性及其关系。
优点：理论基础（特别是模态逻辑）比较 完善。
缺点：存在“逻辑万能”(Logical Omniscience)问题。
2019-9-15
感谢你的欣赏
26
13.4.5 动作理论
情景演算是描述动作的主要的形式框 架。 在情景演算中引入了状态和动作 的概念，并利用两条逻辑公理来描述 动作与状态的关系。一条公理描述一 个动作在满足什么条件的状态之下可 能发生，另外一条描述在一个状态之 下某个动作发生以后当前状态如何改 变。
- 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、"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、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)。
Approach. Pearson Education, 人民邮电出版社, 2002.
（分散于该书中的相关章节，特别是该书中的信念网络（Belief Network）值得 重点阅读）
What’s Knowledge Representation?
Knowledge representation is the application of logic and ontology to the task of constructing computable models for some domain. Knowledge representation is a multidisciplinary subject that applies theories and techniques from three other fields:
Philosophical Background: part four
Plato adopted Heraclitus‘s distinction between the everchanging flow of all things and the intangible logos that determines that flow.
本章的主要参考文献
[1] Sowa, J. F. Knowledge Representation: Logical, Philosophical, and Computational Foundations. China Machine Press, 2003.
[2] 王永庆. 人工智能原理与方法. 西安交通大学出版社,
Logic, Ontology, and Computation
Logic（逻辑）
Analyzing a problem Logic is pure form（逻辑是一种‚纯形式‛，可与‚内容‛脱开来研究） Without logic, a knowledge representation is vague, with no criteria for determining whether statements are redundant or contradictory. Identifying the kinds of things Ontology provides the content that is expressed in that form Without ontology, the terms and symbols are ill-defined, confused, and confusing. （本体论是 ‚形式＋内容‛的有机结合体） Mapping logic and ontology to a computable form. Without computable models, the logic and ontology cannot be implemented in computer programs. （计算是将 ‚逻辑‛和‚本体论‛映
Aristotle’s Categories – part one
Aristotle accepted Plato‘s distinction, but reversed the emphasis: he considered the physical world to be the ultimate reality and treated the forms as abstractions derived from sensory experience.
The Tao gave birth to the One; The One gave birth to the Two; The Two gave birth to the Three; And the Three gave birth to the ten thousand things. 老子《道德经》第42章‚道生一，一生二，二生三，三生万 物。‛
Philosophical Background: part one
Heraclitus（赫拉克里特）
In the sixth century B.C., the Greek philosopher Claimed that all things flow, as his famous saying, ―One cannot step twice into the same river.‖ (人不能 两次跨入同一条河流) Emphasized the intangible logos – translated variously as word, speech, or reason: ―all things (panta) come into being according to this logos.‖ (万物都是藉着 ‚道‛logos而造的) Logos可翻译成中文的‚道‛、‚律‛等。
Heraclitus、老子等所说的logos、道更偏向于“无人格的自然律” St. John所说的logos是“有人格或神格的道”，说白了就是指圣子
Philosophical Background: part three
Lao-Tzu（老子）
Some of the statements of Lao-Tzu about the Tao (usually translated as the Way) bear a striking resemblance to what Heraclitus and St. John said about the logos. Following is the beginning of Chapter 42 of the Book of the Tao:
March 10, 2002第一稿 September 10, 2007第四次修改稿
Outline
本章的主要参考文献 基本概念 一阶谓词表示法 产生式表示法 框架表示法 语义网络表示法 剧本（脚本）表示法 过程表示法 面向对象表示法 Petri网表示法 信念网表示法
Plato（柏拉图）
Established the subject of epistemology（认识论） – the study of the nature of knowledge and its justification.
Aristotle（亚里士多德）
Shifted the emphasis to more practical problem of representing knowledge. Established the initial terminology and defined the scope of logic, physics, metaphysics, biology, psychology, linguistics, politics, ethics, and economics. Created many terms, such as category, metaphor, hypothesis, quantity, quality, genus, species, noun, verb, subject, and predicate, etc. 苏格拉底的名言：‚我所知道的就是我一无所知。‛
浙江大学研究生《人工智能引论》课件
第二讲 知识表示
(Chapter2 Knowledge Representation)
徐从富(Congfu Xu) PhD, Associate Professor
Email: xucongfu@ Institute of Artificial Intelligence, College of Computer Science, Zhejiang University, Hangzhou 310027, P.R. China
In the Categories, the first treatise in his collected works, he presented ten basic categories for classifying anything that may be said or predicated about anything.
Philosophical Background: part two
St. John（圣约翰）
―In the beginning was the logos, and the logos was with God, and God was the logos. It was in the beginning with God. All things (panta) came into being through it, and without it nothing that has come to be came into being.‖ (John 1:1-3) （约翰福音1:1-3: ―太初有道，道与神同
Logic provides the formal structure and rulines the kinds of things that exist in the application domain. Computation supports the applications that distinguish knowledge representation from pure philosophy. 知识表示 ＝ 逻辑＋本体论＋可计算模型
1998. （第3章 知识与知识表示） [3] 陆汝钤. 人工智能. 科学出版社，2000. (上册：第一部分 知识表示)