人工智能(选择,填空等小题)解读

对于“图灵测试”,美国哲学家约翰·西尔勒提出了异议,他用一个现在称为中文屋子的假设,试图说明即便是一台计算机通过了图灵测试,也不能说它就真的具有了智能。

智能可分为:符号智能、计算智能

人工智能的研究内容包括……

在人工智能的研究中最基本最核心的技术有表示、运算和搜索。

在人工智能的研究发展中有多种不同的主张,3个主要学派。在人工智能的研究发展中有多种不同的主张,其中比较典型的有3个主要学派:符号主义学派、连结主义学派、行为主义学派。

PROLOG语言只有三种语句,它们分别是事实、规则和问题。

Turbo PROLOG中变量是以大写字母或下划线开头的字母、数字和下划线序列;或者只有一个下划线,这后一种变量称为无名变量。

一个完整的Turbo PROLOG程序一般包括常量段、领域段、数据库段、谓词段、目标段和子句段等六个部分。实际编程应用中一个程序不一定要包括上述所有段, 但一个程序至少要有一个predicates(谓词段、clauses(子句段和goal段,相对于其它语言来说goal段,相当于主程序。

一个PROLOG程序, 其问题就相当于主程序, 其规则就相当于子程序, 而其事实就相当于数据。

事实、规则和问题是PROLOG的三种基本语句,在PROLOG程序中的规则和事实可连续排列在一起, 其顺序可随意安排……。

PROLOG中并无专门的分支和循环语句,不过用PROLOG能实现分支和循环程序结构。

PROLOG的基本数据类型及其示例。

表的匹配合一,表头表尾……

图搜索技术是人工智能中的核心技术,这里的图是指由节点和有向边组成的网络。按照连接同一节点的各边间的逻辑关系划分,图可分为或图和与或图。

在图搜索算法中往往要用到CLOSED表和OPEN表两个表,其中前者用来专门记录考查过的节点,后者用来专门登记待考察的节点。

图搜索技术是人工智能中的核心技术,图是指由节点和有向边组成的网络。按照连接同一节点的各边间的逻辑关系划分,图可分为或图和与或图。

对于状态图搜索,人们已经提出了许多策略,它们大体上可以分为盲目搜索和启发式搜索两大类,在启发式搜索中,其关键的问题是启发函数的确定。

启发式搜索未必一定比盲目式搜索好。

问题归约法就是先把问题分解为子问题和子-子问题,然后解决较小的问题。

在与或图中,本原问题对应的是已知条件、直接可得到答案的基本问题等,它的代价为零。

知识表示是人工智能的重要研究内容之一,其主要的表示方法有:状态空间法、问题归约法、谓词逻辑法、语义网络法、框架表示法等。

基于谓词逻辑的归结原理除了能用于对已知结果的证明外,还能用于对未知结果的求解,不过此时需要用到一个辅助谓词。

什么叫文字

纯文字

在基于谓词逻辑的机器推理中常用的归结策略

不含任何文字的子句成为空子句,记为“口”或NIL,它在基于谓词逻辑的计算机推理中具有重要的作用。

原子谓词公式及其否定称为文字,若干个文字的析取式称为一个子句。

子句是若干个文字的析取,谓词公式可以通过若干个步骤的处理转化为子句集;谓词公式G不可满足当且仅当其子句集S不可满足。

产生式系统由三部分组成,它们是产生式规则库、动态数据库和推理机。

产生式与逻辑蕴含式非常相似,逻辑蕴含式是产生式,它只是一种……

产生式的推理可分为正向推理与反向推理。

PROLOG的规则恰好能直接表示产生式规则,PROLOG的事实也恰好能表示产生式系统中的事实,PROLOG的动态数据库也刚好可用来实现产生式系统的动态数据库,程序中的目标也就是产生式系统的运行目标,PROLOG的翻译程序本身就是一个推理机。这就是说,PROLOG语言本身恰好就是一个产生式系统框架或实现工具。

框架适合表达结构性的知识,概念、对象等知识最适于用框架表示;框架的槽就是对象的属性或状态,槽值就是属性值或状态值。不仅如此,框架还可以表示行为(动作,所以,有些过程性事件或情节也可用框架网络来表示。

基于框架的推理是继承,操作有匹配、搜索与填槽。

面向对象知识表示是最结构化的知识表示方法。面向对象知识表示很类似于框架。

语义网络不仅可以表示事物的属性、状态、行为等,而且更适合于表示事务之间的关系或联系有……

语义网络是由节点和边组成的一种有向图,边上的标记就是边的语义。

贝叶斯网络是一种以随机变量为节点, 以条件概率为节点间关系强度的有向无环图。它是描述事物之间因果关系或依赖关系的一种直观图形,其节点一般可代表事件、对象、属性或状态;有向边一般表示节点间的因果关系。

狭义上讲,知识或信息中的不确定性是指描述随机事件或随机现象所表现出的不确定性——这种不确定性一般用概率来刻画。

广义不确定性进一步划分可分为:(狭义不确定性、不确切性(模糊性、不完全性、不一致性、时变性……。

不确定性推理等于符号推演+新都计算

一个完整的机器学习过程包括知识生成过程、经验积累过程和知识运用过程。

机器学习可分为信息、发现和知识三个要素,它们分别是机器学习的对象、方法和目标。

对生物神经元作以适当的结构简化和功能抽象,就得到所谓的人工神经元。常见的神经元特性函数有阈值型、S型、分段线性型。

知识发现的任务有:概念描述、聚类、建模……

能够表征或刻画被识对象类属特征的信息模型称为对象的模式,最常用的模式表示形式有向量和字符串。

在模式识别中,距离分类法又可以分为标准模式法,平均距离法,最邻近法等。

句子并非单词的简单罗列,在对一个句子作词法分析后,还必须对整个句子的语法、语义、语用、作进一步分析,才能产生表示句子语义的目标表示。

自然语言理解包括语音理解和文字理解。几乎所有文字资料都是由语句组成的——因此语句理解是文字理解的基础,亦即语句应该是语言理解的最小单位。而要理解一个语句,需建立起一个和该简单句相对应的机内表达。