《人工智能》第5章学习智能体-概念学习概念学习
计算机科学与技术专业人工智能课程教学大纲
《人工智能》教学大纲课程类型：专业选修课总学时：54 讲课学时：54 实验（上机）学时：0学分：3适用对象：计算机科学与技术一、课程的教学目标人工智能是计算机科学的重要分支，是计算机科学与技术专业本科生的专业限选课之一。
本课程介绍如何用计算机来模拟人类智能，即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的"智能"，使得计算机更好得为人类服务。
二、教学基本要求作为本科生一个学期的课程，重点掌握人工智能的基础知识和基本技能，以及人工智能的一般应用。
本课程的特点是理论性强，逻辑性强，其教学方式应注重启发式、引导式。
本课程将完成如下教学目标：（1）了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域．（2）较详细地论述知识表示的各种主要方法。
重点掌握状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。
（3）掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等．了解博弈树搜索、遗传算法和模拟退火算法的基本方法．（4）掌握消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念．（5）概括性地介绍人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等．（6）简介人工智能程序设计的语言和工具．（7）掌握Visual Prolog编程环境，会使用Prolog语言编写简单的智能程序。
要求学生已修过《数据结构》、《离散数据》和《编译原理》。
考核方式以闭卷笔试形式（70%）考察学生对课程的掌握程度，将课程设计（30%）作为平时表现。
三、各教学环节学时分配教学课时分配四、教学内容第一章绪论第一节人工智能概述；第二节人工智能的主要研究和应用领域；第三节人工智能研究的不同学派；第四节人工智能新进展教学重点：人工智能的定义、起源与发展，人工智能的研究与应用领域，人工智能求解方法的特点。
《人工智能cha》PPT课件
膜电位： 极化 去极化 超极化
5.2.1 生物神经元
5.2.1 生物神经元
二、信息的传递与接收
轴突
突触前 突触后
突触间隙 树突或胞体
5.2.1 生物神经元
三、信息的整合
空间整合： 同一时刻产生的刺激所引起的膜电位变化，大致
等于各单独刺激引起的膜电位变化的代数和。
时间整合： 各输入脉冲抵达神经元的时间先后不一样。总的
面的需求，极大地刺激了机器学习的研究和发展，示例归纳学习系统是当时的 研究主流，自动知识获取是当时的应用研究目标。
人工智能及其应用
9
5.1.1 知识学习概述
4、连接学习和混合型学习： • 这一阶段开始于20世纪80年代中期。在此之前的十多年中，虽然神经元模型研究
落入了低潮，但仍有一部分学者在潜心研究。在他们的艰苦努力下，终于克服了 神经元模型的局限性，提出了多层网络的学习算法，再加上超导技术、生物技术、 光学技术等的发展与支持，神经元网络研究又在一个新的起点上再度兴起，从而 使机器学习进人了连接学习的研究阶段。 • 连接学习是一种以非线性、大规模并行处理为主流的神经网络研究，这一研究目 前还方兴未艾，并向传统的符号学习提出了挑战。
这一阶段最具有代表性的工作是罗森勃拉特(F.Rosenblatt)1957年提出的感知机模型， 它由阈值性神经元组成，试图模拟人脑的感知及学习能力。但遗憾的是，大多数想产 生某些复杂智能系统的企图都失败了。
人工智能及其应用
6
5.1.1 知识学习概述
不过，这一阶段的研究工作导致了模式识别这个新兴学科的诞生和判别函数 法这种重要机器学习方法的产生。
第一，学习是一种综合性的心理活动； 第二，学习是一种具有多侧面的现象； 第三，从事学习研究的学者多来自不同的学科。 结论：学习的定义: ❖有明确目的的知识获取过程； ❖内在行为：获取知识、积累经验、发现规律； ❖外在表现：系统性能得到改进、系统实现自我优化、
《人工智能及其应用》(蔡自兴)课后习题答案第5章
第五章机器学习7-1 什么是学习和机器学习?为什么要研究机器学习?按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。
机器学习是研究如何使用机器来模拟人类学习活动的一门学科，是机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。
这里所说的“机器”，指的就是计算机。
现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。
7-2 试述机器学习系统的基本结构，并说明各部分的作用。
环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。
影响学习系统设计的最重要的因素是环境向系统提供的信息。
更具体地说是信息的质量。
7-3 试解释机械学习的模式。
机械学习有哪些重要问题需要加以研究?机械学习是最简单的机器学习方法。
机械学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计算和推理。
是最基本的学习过程。
任何学习系统都必须记住它们获取的知识。
在机械学习系统中，知识的获取是以较为稳定和直接的方式进行的，不需要系统进行过多的加工。
要研究的问题：(1) 存储组织信息只有当检索一个项目的时间比重新计算一个项目的时间短时，机械学习才有意义，检索的越快，其意义也就越大。
因此，采用适当的存储方式，使检索速度尽可能地快，是机械学习中的重要问题。
(2) 环境的稳定性与存储信息的适用性问题机械学习基础的一个重要假定是在某一时刻存储的信息必须适用于后来的情况(3) 存储与计算之间的权衡如果检索一个数据比重新计算一个数据所花的时间还要多，那么机械学习就失去了意义。
7-4 试说明归纳学习的模式和学习方法。
归纳是一种从个别到一般，从部分到整体的推理行为。
归纳学习的一般模式为：给定：观察陈述(事实)F，假定的初始归纳断言(可能为空)，及背景知识求：归纳断言(假设)H，能重言蕴涵或弱蕴涵观察陈述，并满足背景知识。
《人工智能》大学课件PPT
contents
目录
• 人工智能概述 • 机器学习与深度学习 • 自然语言处理 • 计算机视觉 • 语音识别与合成 • 人工智能的伦理与法律问题
01
CATALOGUE
人工智能概述
人工智能的定义
人工智能定义
人工智能是计算机科学的一个分支，旨在研究和开发能够 模拟、延伸和扩展人类智能的理论、方法、技术及应用系 统的一门新的技术科学。
自然语言处理的基本任务
分词、词性标注、句法分析、语义理解和对话系统等。
自然语言处理的技术与方法
基于规则的方法
通过人工定义规则来处理自然语言，例如正则表达式和手工编写 的解析器。
基于统计的方法
利用大规模语料库进行训练，通过机器学习算法找到语言的内在 规律，例如隐马尔可夫模型和条件随机场。
基于深度学习的方法
替代就业
人工智能的发展可能导致部分传统岗位被自动化取代，需要关注由此产生的失业 问题，并采取措施进行缓解。
创造就业
同时，人工智能的发展也将催生新的产业和就业机会，需要培养适应新时代的技 能和人才。
人工智能的决策责任问题
决策透明度
人工智能系统在做出决策时，应具备足够的透明度，以便理 解和追踪其决策过程。
利用神经网络进行自然语言处理，例如循环神经网络和 Transformer模型。
自然语言处理的应用实例
机器翻译
利用NLP技术将一种自然语言 自动翻译成另一种自然语言。
智能客服
通过NLP技术实现智能化的客 户服务，自动回答用户的问题 和提供帮助。
信息抽取
从大量文本中自动提取关键信 息，例如人物、事件和地点等 。
计算机视觉的构成
计算机视觉主要由图像获取、图 像处理和图像理解三个部分组成 。
3、《人工智能通识教程》(第2版)教学大纲20240710
《人工智能通识教程》（第2版）教学大纲一、课程基本信息• 课程名称：人工智能导论/ 人工智能概论• 课程代码：• 课程英文名称：AI-Introduction• 学时与学分：理论学时32，课外实践学时16，总学分2• 课程性质：必修课（选修课）• 适用专业：人工智能、大数据、计算机等工科专业（其他各专业）• 先修课程：略• 后续课程：机器学习、深度学习、智能机器人等二、课程目标学习本课程，通常旨在为学生奠定坚实的人工智能基础知识，培养其在人工智能领域的基本技能和理解能力。
以下是主要学习目标，可能会根据不同课程设置有所差异：1. 理解人工智能基础：掌握人工智能的基本概念、发展历程、主要分支领域（如机器学习、深度学习、自然语言处理、计算机视觉等）及其在现代社会中的应用。
2. 理论与技术基础：学习和理解支撑人工智能的核心算法和理论，包括搜索算法、知识表示、推理方法、决策制定、学习理论等。
3. 实践技能培养：通过编程实践和项目作业，掌握至少一种编程语言（如Python）在人工智能领域的应用，以及如何使用常见的AI框架和库（（如TensorFlow、PyTorch）。
4. 问题解决能力：培养分析和解决人工智能问题的能力，包括如何定义问题、选择合适的技术路线、设计并实施解决方案。
5. 伦理与社会责任：讨论人工智能技术的伦理和社会影响，理解隐私保护、数据安全、算法偏见等议题，培养负责任的AI开发与应用意识。
6. 创新与批判性思维：鼓励学生批判性地评估现有的AI技术，激发创新思维，探索AI在新领域的应用可能。
7. 沟通与团队合作：通过团队项目，提升与他人合作解决复杂问题的能力，以及有效沟通研究成果和想法的能力。
8. 持续学习能力：鉴于AI领域的快速变化，课程应培养学生自主学习的习惯，跟踪技术进展，适应未来可能出现的新技术、新理论。
这些目标旨在为学生构建一个全面的人工智能知识框架，不仅关注技术细节，也重视理论与实践的结合，以及技术的社会影响和伦理考量，为学生将来在AI 领域的深入研究或职业发展打下坚实的基础。
人工智能的基础知识培训资料
利用卷积神经网络（CNN）自动提取图像特征 并进行分类，如AlexNet、VGGNet、ResNet等 网络结构。
图像分类数据集
介绍常用的图像分类数据集，如MNIST手写数字 数据集、CIFAR-10/100自然图像数据集、 ImageNet大规模图像数据集等。
目标检测与跟踪技术
研究词语所表达的语义信息，包括词 义消歧、词义表示等。
句法分析
研究句子中词语之间的结构关系，建 立词语之间的依存关系或短语结构。 常见的句法分析任务有依存句法分析 、短语结构分析等。
语义理解与情感分析
语义理解
通过自然语言处理技术，将文本 转换为计算机可理解的语义表示 ，包括实体识别、关系抽取、事
件抽取等任务。
利用大量语音数据训练统计模型 ，如HMM、GMM等，以实现更 自然的语音合成。这种方法可以 合成出较为自然的语音，但仍存 在一些问题，如音质不佳、语调 不自然等。
基于深度学习的语音 合成
采用深度学习技术，如生成对抗 网络（GAN）、Transformer等 ，构建复杂的模型结构以生成高 质量的语音波形。这种方法可以 合成出非常自然、高质量的语音 ，是目前主流的语音合成方法。
内容推荐
通过分析用户以前的行为和兴趣，推荐与其兴趣相似的物品或服务 。
深度学习推荐
利用深度学习模型，如神经网络，来预测用户对物品的评分或点击 率，并生成推荐列表。
个性化推荐技术应用
01
02
03
04
电子商务
根据用户的购物历史、浏览行 为等，为用户推荐可能感兴趣
的商品。
音乐和视频平台
分析用户的听歌或观影历史， 推荐符合用户口味的歌曲或视
频。
新闻和资讯应用
《人工智能》基础知识
《人工智能》需要掌握的基本知识和基本方法第一章：1.人工智能的定义：P5人工智能是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。
2、人工智能研究的基本内容：P10-P11（1）知识表示（2）机器感知（3）机器思维（4）机器学习（5）机器行为3..当前人工智能有哪些学派？（自己查资料）答：目前人工智能的主要学派有下面三家：(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。
(2)连接主义(connectionism)，又称为仿生学派(bionicsism)或生理学派(physiologism)，其主要原理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(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。
4、他们对人工智能在理论上有何不同观？（自己查资料）答：（1）认为人工智能源于数理逻辑（2）认为人工智能源于仿生学（3）认为人工智能源于控制论第二章1.掌握一阶逻辑谓词的表示方法：用于求解将谓词公式化为子句集2.产生式系统的基本结构，各部分的功能以及主要工作过程。
P38-P39（1）规则库规则库是产生式系统求解问题的基础，其知识是否完整、一致，表达是否准确、灵活，对知识的组织是否合理等，将直接到系统的性能。
（2）综合数据库综合数据库又称为事实库、上下文、黑板等。
它是一个用于存放问题求解过程中各种当前信息的数据结构。
（3）控制系统控制系统又称为推理机构，由一组程序组成，负责整个产生式系统的运行，实现对问题的求解。
工作过程：(a) 从规则库中选择与综合数据库中的已知事实进行匹配。
（b）匹配成功的规则可能不止一条，进行冲突消解。
《人工智能基础教程》课程教学大纲
《人工智能基础教程》课程教学大纲课程名称：人工智能导论课程类别：公共基础课适应专业：全校各专业学时学分：2学时/周，共32学时，2学分1.课程性质和任务本课程为以培养学生具备基本的人工智能思维能力为目标，重点培养高职学生的人工智能素养、计算思维能力和人工智能应用能力。
课程使学生初步了解人工智能的概念，发展历程、经典算法、应用领域及对社会的深远影响，主要内容包括：人工智能的历史和发展、大数据与人工智能、专家系统、机器学习、深度学习、计算机视觉、自然语言理解、智能机器人技术。
课程设计理念以提高人工智能素养为切入点，通过生动形象的案例，把目前人工智能领域的热点问题，以科普性、技术性的形式进行展现，让学习者在学习人工智能理论的同时，激发学生学习人工智能知识的兴趣。
2.教学目标（1）知识目标1）了解人工智能的基本概念及发展历史。
2）了解人工智能的研究领域及发展现状。
3）了解大数据与人工智能的关系。
4）熟悉专家系统的结构及应用。
5)熟悉知识表示及常用的搜索算法。
6）熟悉机器学习、深度学习的概念及主流算法。
7）熟悉计算机视觉、自然语言处理的主流技术及应用。
8）熟悉智能机器人技术及应用。
（2）思政与素质目标1）通过人工智能起源与发展的学习，培养学生的科学精神、奋斗精神和开拓创新精神。
2）学习人工智能学科先驱模范事迹，培养学生探索未知、追求真理、勇攀科学高峰的责任感和使命感。
3）通过人工智能发展现状认识，激发学生科技报国的家国情怀和使命担当。
4）通过人工智能安全教育，培养学生遵纪守法，诚实守信，树立正确的世界观、人生观、价值观。
5）通过人工智能中的算法学习，帮助学生建立科学思维、推理机制，培养解决实际问题的能力。
6）通过人工智能应用案例，培养学生精益求精的大国工匠精神及勇攀科学高峰的责任感。
4.教学评价（1）评价形式平时作业（含考勤）+阶段测试（含期中测试）+期末测试。
（2）评分等级评分等级以百分制为标准。
《人工智能》第5章学习智能体-概念学习概念学习
对于某类任务T和性能度量P，如果一个计算机程 序在T上以P衡量的性能随着经验E而自我完善，那 么我们称这个计算机程序在从经验E中学习
11
学习问题的标准描述
西洋跳棋学习问题
任务T：下西洋跳棋 性能标准P：比赛中击败对手的百分比 训练经验E：和自己进行对弈
手写识别学习问题
任务T：识别和分类图像中的手写文字 性能标准P：分类的正确率 训练经验E：已知分类的手写文字数据库
Humidity Normal
High High High
Wind Strong Strong Strong Strong
Water Warm Warm Warm Cool
Forecast Same Same Change Change
EnjoySport Yes Yes No Yes
29
概念学习任务
< , , , , , >
// 所有的样例都是反例
30
概念学习任务
形式化描述 已知 实例集X ▪ 每个实例x由6个属性描述，每个属性的取值范围已确定 假设集H ▪ 每个假设h描述为6个属性的取值约束的合取 （∩） 目标概念c ▪ 一个布尔函数，变量为实例，即： c:x->{1,0} 训练样例集D ▪ 目标函数（或目标概念）的正例和反例 求解 H中的一假设h，使对于X中任意x，h(x)=c(x)
问题产生器
以当前的假设作为输入，输出一个新的问题，供执行系统去 探索。
23
小结：设计一个学习系统
基本设计方法和步骤
Step1: 明确任务T、性能度量P Step2: 训练经验E Step3: 选择目标函数及其表示 Step4: 选择目标函数的学习算法 Step5: 最终设计
《人工智能》教学大纲
《人工智能》教学大纲人工智能原理及其应用一、说明（一）课程性质随着信息社会和知识经济时代的来临，信息和知识已成为人们的一个热门话题。
然而，在这个话题的背后还蕴含着另外一个更深层的问题——智能。
一般来说，信息是由数据来表达的客观事物，知识是信息经过智能性加工后的产物，智能是用来对信息和知识进行加工的加工器。
在信息社会，人类面对的信息将非常庞大，仅靠人脑表现出来的自然智能是远远不够的，必须开发那种由机器实现的人工智能。
《人工智能导论》是计算机科学与技术专业本科生的一门限选课程。
（二）教学目的使学生掌握人工智能的基本原理、方法及研究应用领域。
了解人工智能中常用的知识表示技术，启发式搜索策略，了解原理以及非确定性推理技术。
通过对典型专家系统的分析、解剖、进一步深入掌握人工智能的主要技术，去解决人工智能的一些实际问题。
增强学生的逻辑思维与实验能力，为人今后处理各门学科的智能奠定基础。
（三）教学内容人工智能的基本原理和方法，人工智能的三个重要研究领域（机器学习、神经网络学习和自然语言理解），人工智能的两个重要应用领域（专家系统和智能决策支持系统）。
（四）教学时数36学时（五）教学方式课堂讲授和上机实验相结合。
二、本文第1章人工智能概述教学要点讨论人工智能的定义、形成过程、研究内容、研究方法、技术特点、应用领域、学派之争及发展趋势。
教学时数3学时教学内容1.1 人工智能及其研究目标（0.5学时）了解人工智能的定义及其研究目标。
1.2 人工智能的产生与发展（0.5学时）了解人工智能产生与发展的四个阶段。
1.3 人工智能研究的基本内容及其特点（0.5学时）了解人工智能研究的基本内容及特点。
1.4 人工智能的研究和应用领域（0.5学时）了解人工智能研究和应用领域。
1.5 人工智能研究的不同学派及其争论（0.5学时）了解三大学派及其理论的争论和研究方法的争论。
1.6 人工智能的近期发展分析（0.5学时）了解更新的理论框架研究，更好的技术集成研究，更成熟的应用方法研究。
《人工智能》--课后习题答案
《人工智能》课后习题答案第一章绪论1.1答：人工智能就是让机器完成那些如果由人来做则需要智能的事情的科学。
人工智能是相对于人的自然智能而言，即用人工的方法和技术，研制智能机器或智能系统来模仿延伸和扩展人的智能，实现智能行为和“机器思维”，解决需要人类专家才能处理的问题。
1.2答：“智能”一词源于拉丁“Legere”，意思是收集、汇集，智能通常用来表示从中进行选择、理解和感觉。
所谓自然智能就是人类和一些动物所具有的智力和行为能力。
智力是针对具体情况的，根据不同的情况有不同的含义。
“智力”是指学会某种技能的能力，而不是指技能本身。
1.3答：专家系统是一个智能的计算机程序，他运用知识和推理步骤来解决只有专家才能解决的复杂问题。
即任何解题能力达到了同领域人类专家水平的计算机程序度可以称为专家系统。
1.4答：自然语言处理—语言翻译系统，金山词霸系列机器人—足球机器人模式识别—Microsoft Cartoon Maker博弈—围棋和跳棋第二章知识表达技术2.1解答：（1）状态空间(State Space)是利用状态变量和操作符号，表示系统或问题的有关知识的符号体系，状态空间是一个四元组（S，O，S0，G）：S—状态集合;O—操作算子集合;S0—初始状态,S0⊂S;G—目的状态,G⊂S,(G可若干具体状态，也可满足某些性质的路径信息描述)从S0结点到G结点的路径被称为求解路径。
状态空间一解是一有限操作算子序列，它使初始状态转换为目标状态：O1 O2 O3 OkS0→−−−S1→−−−S2→−−−……→−−−G其中O1，…，Ok即为状态空间的一个解(解往往不是唯一的)（2）谓词逻辑是命题逻辑的扩充和发展，它将原子命题分解成客体和谓词两个部分。
与命题逻辑中命题公式相对应，谓词逻辑中也有谓词（命题函数）公式、原子谓词公式、复合谓词公式等概念。
一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。
（3）语义网络是一种采用网络形式表示人类知识的方法。
人工智能PPT chapter5_1
22
人工智能及其应用
23
5.2.1 生物神经元
一、信息的产生
神经元间信息的产生、传递和处理是一种电化学活动。
神经元状态： 静息 兴奋 抑制
膜电位： 极 化 去极化 超极化
人工智能及其应用
17
5.1.3 知识学习策略
4、归纳学习 归纳学习是基于归纳推理的一种学习。归纳推理 (Inductive Infrerence)是另一种推理过程。归纳推理 能够对输入的信息进行推广(generalization)并且选择 其中较理想的结果。与逻辑推理比较，归纳推理不是保 真变换，而是“保假”变换，即若推理是假，那么归纳 出的结论也是假的。 比如命题：鸟会飞，有保假性可知，若A不是鸟，那 么A就不会飞。归纳推理是人类最重要的一种思维方式， 它也是发现科学定律和定理的思想武器。按其有无教师 指导，分为实例学习及观察与发现学习。
人工智能及其应用
3
5.1.1 知识学习概述
• 机器学习的定义 是一门研究怎样用计算机来模拟或实现人类学习活动的 学科。它是人工智能中最具有智能特征的前沿研究领域之 一。机器学习(这里指符号学习)是靠学习程序(或称为学习 系统)实现的。学习程序的输入是数据、事实等各种各样的 信息，输出则是知识，即概念、规则(规律)等。
人工智能及其应用
12
5.1.2 知识学习原理
3、学习系统的基本要求 • (1)具有适当的学习环境： 所谓学习系统的环境，是 指学习系统进行学习时的信息来源。 • (2)具有一定的学习能力： 环境仅是为学习系统提供 了相应的信息和条件，要从中学到知识，还必须具有 适当的学习方法和一定的学习能力。 • (3)能够运用所学知识求解问题： 学以致用，对人这 样，对学习系统也是如此。 • (4)能通过学习提高自身性能： 提高自身性能，是学 习系统应该达到的最终目标。也就是说，一个学习系 统应该能够通过 学习增长知识、提高技能、改进性能， 使自己能做一些原来不能做的工作，或者可以把原来 能做的工作做得更好。
人工智能培训ppt
21世纪初，随着大数据、云计 算和深度学习等技术的发展， 人工智能技术得到进一步集成
和应用。
人工智能的应用领域
医疗健康
人工智能在医疗领域的 应用包括医学影像分析 、疾病诊断和治疗辅助
等。
金融
人工智能在金融领域的 应用包括风险评估、智
能投顾和反欺诈等。
自动驾驶
人工智能在自动驾驶领 域的应用包括车辆控制 、路径规划和障碍物识
别等。
智能客服
人工智能在客服领域的 应用包括语音识别、自 然语言处理和智能问答
等。
02 机器学习与深度 学习
机器学习的基本概念
01
02
03
04
机器学习是人工智能的一个子 领域，它使用算法和模型从数 据中学习并做出预测或决策。
机器学习可以分为监督学习、 无监督学习和强化学习等类型 ，每种类型都有不同的应用场
在自然语言处理领域，机器学习和深度学习技术可以帮 助实现文本分类、情感分析、机器翻译和对话系统等功 能。
在自动驾驶领域，机器学习和深度学习技术可以帮助实 现车辆的自主导航、障碍物检测和路径规划等功能，提 高道路交通的安全性和效率。
03 自然语言处理
自然语言处理的基本概念
自然语言处理（NLP）：是指利用计算机对人类自然语言进行理解和处理的技术， 使计算机能够像人一样读懂、解析和生成人类语言。
情感分析
利用NLP技术分析文本中所表达的情 感倾向，用于舆情监控、市场分析等 领域。
信息检索
通过NLP技术对大量文本进行自动分 类和关键词提取，帮助用户快速找到 所需信息。
04 计算机视觉
计算机视觉的基本概念
计算机视觉定义
计算机视觉是一门研究如何让计 算机模拟或实现人类视觉功能的
《人工智能》详细教学大纲
……………………………………………………………………装……订……线……………………………………………………………………………………………………………《人工智能》教学大纲课程名称：人工智能英语名称：Artificial Intelligence课程代码：130234 课程性质：专业必修学分学时数： 5/80适用专业：计算机应用技术修（制）订人：修（制）订日期：2009年2月审核人：审核日期：审定人：审定日期：一、课程的性质和目的（一）课程性质人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的专业拓展选修课。
通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌握人工智能求解方法的特点。
掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题等。
（二）课程目的1、基本理论要求：课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。
要求学生了解人工智能的主要思想和方法。
2、基本技能要求：学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand域概念和Horn子句的基础上，应用Robinson归结原理进行定理证明；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、D—S证据理论等，利用数值分析中常用方法进行正确计算。
3、职业素质要求：结合实战，初步理解和掌握人工智能的相关技术。
……………………………………………………………………装……订……线……………………………………………………………………………………………………………二、教学内容、重（难）点、教学要求及学时分配第一章：人工智能概述（2学时）1、讲授内容：（1）人工智能的概念（2）人工智能的研究途径和方法（3）人工智能的分之领域（4）人工智能的基本技术（5）人工智能的发展概况2、教学要求：了解：研究途径和方法、人工智能的分之领域、基本技术和发展概况。
- 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)。
36
假设的一般到特殊序
关系“更一般”的精确定义
任给实例x和假设h，说x满足h，当且仅当h(x)=1 令hj和hk是在X上定义的布尔函数，称hj比hk更一般，
当且仅当(xX)[(hk(x)=1)(hj(x)=1)]
记为hj more_general_than_or_equal_to hk，或hj g hk
机器人驾驶学习问题
任务T：通过视觉传感器在四车道高速公路上驾驶 性能标准P：平均无差错行驶里程（差错由人类的监督裁定） 训练经验E：注视人类驾驶时录制的一系列图像和驾驶指令
12
设计一个学习系统
基本设计方法和步骤
Step1: 明确任务T、性能度量P Step2: 训练经验E Step3: 选择目标函数及其表示 Step4: 选择目标函数的学习算法 Step5: 最终设计
对于集合B中的任意棋局b，V(b)定义如下
如果b是一最终的胜局，那么V(b)=100 如果b是一最终的负局，那么V(b)=-100 如果b是一最终的和局，那么V(b)=0 如果b不是最终棋局，那么V(b)=V(b’)，其中b’是从b开始双方都采取最优对弈后可达到的
终局
问题
递归定义 运算效率低 不可操作
引言：学习智能体
机器学习基本概念
概念学习
概念学习的定义 一个例子 作为搜索问题的概念学习 FIND-S 候选消除算法
25
概念学习问题的定义
什么是概念
许多机器学习涉及到从特殊训练样例中得到一般概念 概念可被看作一个对象或事件集合，它是从更大的集合中选
取的子集，或在这个较大集合中定义的布尔函数
< , , , , , >
// 所有的样例都是反例
30
概念学习任务
形式化描述 已知 实例集X ▪ 每个实例x由6个属性描述，每个属性的取值范围已确定 假设集H ▪ 每个假设h描述为6个属性的取值约束的合取 （∩） 目标概念c ▪ 一个布尔函数，变量为实例，即： c:x->{1,0} 训练样例集D ▪ 目标函数（或目标概念）的正例和反例 求解 H中的一假设h，使对于X中任意x，h(x)=c(x)
另一方面，越有表现力的描述需要越多的训练数据，使程序 能从它表示的多种假设中选择
18
Step3 选择目标函数及其表示
一个简单的表示法
对于任何给定的棋盘状态，函数V可以通过以下棋盘参数的 线性组合来计算。 x1，黑子的数量 x2，红子的数量 x3，黑王的数量 x4，红王的数量 x5，被红子威胁的黑子数量 x6，被黑子威胁的红子数量
8
大纲
引言：学习智能体 机器学习基本概念 概念学习
9
机器学习的成功案例
学习识别人类的讲话
语音识别
学习驾驶车辆
ALVINN
学习分类新的天文结构
学习以世界级的水平对弈西洋双陆棋
TD-Gammon
通过百万次的与自己对弈来学习策略
10
什么是机器学习
什么是机器学习
计算机程序通过经验来提高某种任务处理性能的过 程
把智能体放置在真实环境中而不是写出所有的规则
学习可以修正智能体的决策机制以提高性能
3
待学习的组件
智能体的组件包括
条件-行动规则 世界的演变知识 效用信息 目标 …..
例：训练出租车司机
教官喊刹车 尝试在不同的路面上刹车
6
反馈类型
监督式学习(Supervised learning)
通常要完美地学习V的可操作的形式非常困难
一般地，我们仅希望学习算法得到近似的目标函数V’，因此学习目标函数的过程常称为 函数逼近
17
Step3 选择目标函数及其表示
函数的不同表示方法 状态表 二次多项式函数 神经网络
注意
一方面，我们总希望选区一个非常有表现力的描述，以最大 可能地逼近理想的目标函数
表示假设的形式（目标函数的表示）
实例的各属性约束的合取式
令每个假设为6个约束（或变量）的向量，每个约束对应一 个属性可取值范围
？任意本属性可接受的值
明确指定的属性值
不接受任何值
假设的例子
<?, Cold, High, ?, ?, ?, ?>
// 所有的样例都是正例
3. 输出假设h
39
Find-S：寻找极大特殊假设
Find-S算法在例子EnjoySport上的应用
h<, , , , , > h<Sunny, Warm, Normal, Strong, Warm,
Find-S：寻找极大特殊假设
使用more_general_than偏序的搜索算法
从H中最特殊假设开始，然后在假设覆盖正例失败时将其 一般化
Find-S算法 1. 将h初始化为H中最特殊假设 2. 对每个正例x
– 对h的每个属性约束ai 如果x满足ai 那么不做任何处理 否则将h中ai替换为x满足的另一个更一般约束
归纳假设的一个基本假定
对于未见实例最好的假设就是与训练数据最佳拟合的假设
归纳学习假设
任一假设如果在足够大的训练样例集中很好地逼近目标函数， 它也能在未见实例中很好地逼近目标函数。
33
大纲
引言：学习智能体
机器学习基本概念
概念学习
概念学习的定义 一个例子 作为搜索问题的概念学习 FIND-S 候选消除算法
《人工智能》第5章
学习智能体-概念学习
巢文涵
chaowenhan@ G1001/G931 北航计算机学院智能信息研究所 2020年10月25日星期日
大纲
引言：学习智能体 机器学习基本概念 概念学习
2
学习
学习对于未知环境是必要的
设计者缺乏全知
学习作为系统的一种构造方法是有用的
学习的定义
对于某类任务T和性能度量P，如果一个计算机程 序在T上以P衡量的性能随着经验E而自我完善，那 么我们称这个计算机程序在从经验E中学习
11
学习问题的标准描述
西洋跳棋学习问题
任务T：下西洋跳棋 性能标准P：比赛中击败对手的百分比 训练经验E：和自己进行对弈
手写识别学习问题
任务T：识别和分类图像中的手写文字 性能标准P：分类的正确率 训练经验E：已知分类的手写文字数据库
子 学习器可以完全控制棋局和（间接的）训练分类，就像没有施教者时
它和自己对弈进行学习一样
训练样例的分布能多好地表示实例分布
最终系统的性能P是通过后者来衡量的
15
Step3 选择目标函数及其表示
目标函数ChooseMove
ChooseMove: BM
接受合法棋局集合中的棋盘状态作为输入，并从合法走 子集合中选择某个走子作为输出
训练过程
从学习器可得到的间接训练经验中导出上面的训练样例 调整系数wi，最佳拟合这些训练样例
20
Step4 : 选择目标函数逼近算法
调整权值
误差平方和最小
E
(V tra (b i)n V ˆ(b )2)
b,V tra (b)i n训 练样例
算法：最小均方法，LMS Least Mean Squares
目标函数
V(b)=w0+w1x1+w2x2+…+w6x6 其中，w0…w6是权值，表示不同棋局特征的相对重要性 至此，问题转化为学习目标函数中的系数（即权值）
19
Step4 : 选择目标函数逼近算法
每个训练样例表示成二元对
<b，Vtrain(b)> b是棋盘状态，Vtrain(b)是训练值 比如，<<x1=0,x2=0,x3=1,x4=0,x5=0,x6=0>,100>
Aldo进行水上运动的日子，表示为布尔函数EnjoySport
给定一个样例集D
每个样例表示为属性的集合
任务目的
基于某天的各属性，预测EnjoySport的值
28
概念学习任务
Example 1 2 3 4
Sky Sunny Sunny Rainy Sunny
AirTemp Warm Warm Cold Warm
34
作为搜索的概念学习
概念学习可以看作一个搜索的过程
搜索范围：假设的表示所隐含定义的整个空间 搜索目标：能够最好地拟合训练样例的假设
当假设的表示形式选定后，那么就隐含地为学习算法 确定了所有假设的空间
例子EnjoySport的假设空间，如果属性Sky有3种可能的值， 而AirTemp、Humidity、Wind、Water和 Forecast都只有两 种可能值 实例空间X：包含3×2×2×2×2×2=96种不同的实例 假设空间H
问题产生器
以当前的假设作为输入，输出一个新的问题，供执行系统去 探索。
23
小结：设计一个学习系统
基本设计方法和步骤
Step1: 明确任务T、性能度量P Step2: 训练经验E Step3: 选择目标函数及其表示 Step4: 选择目标函数的学习算法 Step5: 最终设计
24
大纲
▪ 包含5×4×4×4×4×4=5120种语法不同的假设 ▪ 由于：包含有符号的假设将每个实例都分类为反例。因此，语义
不同的假设只有1+4×3×3×3×3×3=973个。
35
假设的一般到特殊序
假设的一般到特殊序关系
考虑下面两个假设
h1=<sunny, ?, ?, Strong, ?, ?> h2=<Sunny, ?, ?, ?, ?, ?>
概念学习问题的定义
给定一个样例集合及每个样例是否属于某个概念的标注，怎 样推断出该概念的一般定义，又称从样例中逼近布尔函数
26
大纲