第一篇：人工智能學習資料

我經常在 TopLanguage 討論組上推薦一些書籍，也經常問里面的牛人們搜羅一些有關的資料，人工智能、機器學習、自然語言處理、知識發(fā)現(xiàn)（特別地，數(shù)據(jù)挖掘）、信息檢索 這些無疑是 CS 領域最好玩的分支了（也是互相緊密聯(lián)系的），這里將最近有關機器學習和人工智能相關的一些學習資源歸一個類：

首先是兩個非常棒的 Wikipedia 條目，我也算是 wikipedia 的重度用戶了，學習一門東西的時候常常發(fā)現(xiàn)是始于 wikipedia 中間經過若干次 google，然后止于某一本或幾本著作。

第一個是“人工智能的歷史”（History of Artificial Intelligence），我在討論組上寫道：

而今天看到的這篇文章是我在 wikipedia 瀏覽至今覺得最好的。文章名為《人工智能的歷史》，順著 AI 發(fā)展時間線娓娓道來，中間穿插無數(shù)牛人故事，且一波三折大氣磅礴，可謂“事實比想象更令人驚訝”。人工智能始于哲學思辨，中間經歷了一個沒有心理學（尤其是認知神經科學的）的幫助的階段，僅通過牛人對人類思維的外在表現(xiàn)的歸納、內省，以及數(shù)學工具進行探索，其間最令人激動的是 Herbert Simon（決策理論之父，諾獎，跨領域牛人）寫的一個自動證明機，證明了羅素的數(shù)學原理中的二十幾個定理，其中有一個定理比原書中的還要優(yōu)雅，Simon 的程序用的是啟發(fā)式搜索，因為公理系統(tǒng)中的證明可以簡化為從條件到結論的樹狀搜索（但由于組合爆炸，所以必須使用啟發(fā)式剪枝）。后來 Simon 又寫了 GPS（General Problem Solver），據(jù)說能解決一些能良好形式化的問題，如漢諾塔。但說到底 Simon 的研究畢竟只觸及了人類思維的一個很小很小的方面 —— Formal Logic，甚至更狹義一點 Deductive Reasoning（即不包含 Inductive Reasoning , Transductive Reasoning(俗稱 analogic thinking）。還有諸多比如 Common Sense、Vision、尤其是最為復雜的 Language、Consciousness 都還謎團未解。還有一個比較有趣的就是有人認為 AI 問題必須要以一個物理的 Body 為支撐，一個能夠感受這個世界的物理規(guī)則的身體本身就是一個強大的信息來源，基于這個信息來源，人類能夠自身與時俱進地總結所謂的 Common-Sense Knowledge（這個就是所謂的 EmboddiedMind 理論。），否則像一些老兄直接手動構建 Common-Sense Knowledge Base，就很傻很天真了，須知人根據(jù)感知系統(tǒng)從自然界獲取知識是一個動態(tài)的自動更新的系統(tǒng)，而手動構建常識庫則無異于古老的 Expert System 的做法。當然，以上只總結了很小一部分我個人覺得比較有趣或新穎的，每個人看到的有趣的地方不一樣，比如里面相當詳細地介紹了神經網絡理論的興衰。所以我強烈建議你看自己一遍，別忘了里面鏈接到其他地方的鏈接。

順便一說，徐宥同學打算找時間把這個條目翻譯出來，這是一個相當長的條目，看不動 E 文的等著看翻譯吧:)

第二個則是“人工智能”（Artificial Intelligence）。當然，還有機器學習等等。從這些條目出發(fā)能夠找到許多非常有用和靠譜的深入?yún)⒖假Y料。

然后是一些書籍

書籍：

1.《Programming Collective Intelligence》，近年出的入門好書，培養(yǎng)興趣是最重要的一環(huán)，一上來看大部頭很容易被嚇走的:P

2.Peter Norvig 的《AI, Modern Approach 2nd》（無爭議的領域經典）。

3.《The Elements of Statistical Learning》，數(shù)學性比較強，可以做參考了。

4.《Foundations of Statistical Natural Language Processing》，自然語言處理領域公認經典。

5.《Data Mining, Concepts and Techniques》，華裔科學家寫的書，相當深入淺出。

6.《Managing Gigabytes》，信息檢索好書。

7.《Information Theory：Inference and Learning Algorithms》，參考書吧，比較深。

相關數(shù)學基礎（參考書，不適合拿來通讀）：

1.線性代數(shù)：這個參考書就不列了，很多。

2.矩陣數(shù)學：《矩陣分析》，Roger Horn。矩陣分析領域無爭議的經典。

3.概率論與統(tǒng)計：《概率論及其應用》，威廉·費勒。也是極牛的書，可數(shù)學味道太重，不適合做機器學習的。于是討論組里的 Du Lei 同學推薦了《All Of Statistics》并說到

機器學習這個方向，統(tǒng)計學也一樣非常重要。推薦All of statistics，這是CMU的一本很簡潔的教科書，注重概念，簡化計算，簡化與Machine Learning無關的概念和統(tǒng)計內容，可以說是很好的快速入門材料。

4.最優(yōu)化方法：《Nonlinear Programming, 2nd》非線性規(guī)劃的參考書。《Convex Optimization》凸優(yōu)化的參考書。此外還有一些書可以參考 wikipedia 上的最優(yōu)化方法條目。要深入理解機器學習方法的技術細節(jié)很多時候（如SVM）需要最優(yōu)化方法作為鋪墊。

王寧同學推薦了好幾本書：

《Machine Learning, Tom Michell》, 1997.老書，牛人。現(xiàn)在看來內容并不算深，很多章節(jié)有點到為止的感覺，但是很適合新手（當然，不能“新”到連算法和概率都不知道）入門。比如決策樹部分就很精彩，并且這幾年沒有特別大的進展，所以并不過時。另外，這本書算是對97年前數(shù)十年機器學習工作的大綜述，參考文獻列表極有價值。國內有翻譯和影印版，不知道絕版否。

《Modern Information Retrieval, Ricardo Baeza-Yates et al》.1999

老書，牛人。貌似第一本完整講述IR的書?？上R這些年進展迅猛，這本書略有些過時了。翻翻做參考還是不錯的。另外，Ricardo同學現(xiàn)在是Yahoo Research for Europe and Latin Ameria的頭頭。

《Pattern Classification(2ed)》, Richard O.Duda, Peter E.Hart, David G.Stork

大約也是01年左右的大塊頭，有影印版，彩色。沒讀完，但如果想深入學習ML和IR，前三章（介紹，貝葉斯學習，線性分類器）必修。

還有些經典與我只有一面之緣，沒有資格評價。另外還有兩本小冊子，論文集性質的，倒是講到了了不少前沿和細節(jié)，諸如索引如何壓縮之類?？上嗣?，又被我壓在箱底，下次搬家前怕是難見天日了。

（呵呵，想起來一本：《Mining the Web-Discovering Knowledge from Hypertext Data》）

說一本名氣很大的書：《Data Mining: Practical Machine Learning Tools and Techniques》。Weka 的作者寫的?？上热菀话恪＠碚摬糠痔珕伪。鴮嵺`部分也很脫離實際。DM的入門書已經不少，這一本應該可以不看了。如果要學習了解 Weka，看文檔就好。第二版已經出了，沒讀過，不清楚。

信息檢索方面，Du Lei 同學再次推薦：

信息檢索方面的書現(xiàn)在建議看Stanford的那本《Introduction to Information Retrieval》，這書剛剛正式出版，內容當然up to date。另外信息檢索第一大牛Croft老爺也正在寫教科書，應該很快就要面世了。據(jù)說是非常pratical的一本書。

對信息檢索有興趣的同學，強烈推薦翟成祥博士在北大的暑期學校課程，這里有全slides和閱讀材料：

maximzhao 同學推薦了一本機器學習：

加一本書：Bishop, 《Pattern Recognition and Machine Learning》.沒有影印的，但是網上能下到。經典中的經典。Pattern Classification 和這本書是兩本必讀之書?！禤attern Recognition and Machine Learning》是很新（07年），深入淺出，手不釋卷。

最后，關于人工智能方面（特別地，決策與判斷），再推薦兩本有意思的書，一本是《Simple Heuristics that Makes Us Smart》

另一本是《Bounded Rationality: The Adaptive Toolbox》

不同于計算機學界所采用的統(tǒng)計機器學習方法，這兩本書更多地著眼于人類實際上所采用的認知方式，以下是我在討論組上寫的簡介：

這兩本都是德國ABC研究小組（一個由計算機科學家、認知科學家、神經科學家、經濟學家、數(shù)學家、統(tǒng)計學家等組成的跨學科研究團體）集體寫的，都是引起領域內廣泛關注的書，尤其是前一本，後一本則是對 Herbert Simon（決策科學之父，諾獎獲得者）提出的人類理性模型的擴充研究），可以說是把什么是真正的人類智能這個問題提上了臺面。核心思想是，我們的大腦根本不能做大量的統(tǒng)計計算，使用fancy的數(shù)學手法去解釋和預測這個世界，而是通過簡單而魯棒的啟發(fā)法來面對不確定的世界（比如第一本書中提到的兩個后來非常著名的啟發(fā)法：再認啟發(fā)法（cognition heuristics）和選擇最佳（Take the Best）。當然，這兩本書并沒有排斥統(tǒng)計方法就是了，數(shù)據(jù)量大的時候統(tǒng)計優(yōu)勢就出來了，而數(shù)據(jù)量小的時候統(tǒng)計方法就變得非常糟糕；人類簡單的啟發(fā)法則充分利用生態(tài)環(huán)境中的規(guī)律性（regularities），都做到計算復雜性小且魯棒。

關于第二本書的簡介：

1.誰是 Herbert Simon

2.什么是 Bounded Rationality

3.這本書講啥的：

我一直覺得人類的決策與判斷是一個非常迷人的問題。這本書簡單地說可以看作是《決策與判斷》的更全面更理論的版本。系統(tǒng)且理論化地介紹人類決策與判斷過程中的各種啟發(fā)式方法（heuristics）及其利弊（為什么他們是最優(yōu)化方法在信息不足情況下的快捷且魯棒的逼近，以及為什么在一些情況下會帶來糟糕的后果等，比如學過機器學習的都知道樸素貝葉斯方法在許多情況下往往并不比貝葉斯網絡效果差，而且還速度快；比如多項式插值的維數(shù)越高越容易overfit，而基于低階多項式的分段樣條插值卻被證明是一個非常魯棒的方案）。

在此提一個書中提到的例子，非常有意思：兩個團隊被派去設計一個能夠在場上接住拋過來的棒球的機器人。第一組做了詳細的數(shù)學分析，建立了一個相當復雜的拋物線近似模型（因為還要考慮空氣阻力之類的原因，所以并非嚴格拋物線），用于計算球的落點，以便正確地接到球。顯然這個方案耗資巨大，而且實際運算也需要時間，大家都知道生物的神經網絡中生物電流傳輸只有百米每秒之內，所以 computational complexity 對于生物來說是個寶貴資源，所以這個方案雖然可行，但不夠好。第二組則采訪了真正的運動員，聽取他們總結自己到底是如何接球的感受，然后他們做了這樣一個機器人：這個機器人在球拋出的一開始一半路程啥也不做，等到比較近了才開始跑動，并在跑動中一直保持眼睛于球之間的視角不變，后者就保證了機器人的跑動路線一定會和球的軌跡有交點；整個過程中這個機器人只做非常粗糙的軌跡估算。體會一下你接球的時候是不是眼睛一直都盯著球，然后根據(jù)視線角度來調整跑動方向？實際上人類就是這么干的，這就是 heuristics 的力量。

相對于偏向于心理學以及科普的《決策與判斷》來說，這本書的理論性更強，引用文獻也很多而經典，而且與人工智能和機器學習都有交叉，里面也有不少數(shù)學內容，全書由十幾個章節(jié)構成，每個章節(jié)都是由不同的作者寫的，類似于 paper 一樣的，很嚴謹，也沒啥廢話，跟 《Psychology of Problem Solving》類似。比較適合 geeks 閱讀哈。

另外，對理論的技術細節(jié)看不下去的也建議看看《決策與判斷》這類書（以及像《別做正常的傻瓜》這樣的傻瓜科普讀本），對自己在生活中做決策有莫大的好處。人類決策與判斷中使用了很多的 heuristics，很不幸的是，其中許多都是在適應幾十萬年前的社會環(huán)境中建立起來的，并不適合于現(xiàn)代社會，所以了解這些思維中的缺點、盲點，對自己成為一個良好的決策者有很大的好處，而且這本身也是一個非常有趣的領域。

（完）

第二篇：人工智能學習

人工智能學習-知識要點總結 [Nirvana 發(fā)表于 2005-1-2 13:32:24]

人工智能是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等多種學科研究的基礎上發(fā)展起來的，是一門綜合性邊緣學科，延伸人腦的功能，實現(xiàn)了腦力勞動的自動化。

1、認知科學認為智能的核心是思維，知識闕值理論認為智能行為取決于知識的數(shù)量及其一般化程度，智能就是在巨大搜索空間中迅速找到一個滿意解的能力；進化理論的核心是用控制取代表示，取消概念、模型及顯示表示知識，否定抽象對于智能及智能模擬的必要性，強調分結構對于智能進化的可能性與必要性。綜合上述觀點，認為智能是知識與智力的總和，具有如下特征：

（1）記憶與思維能力，（2）學習能力及自適應能力，（3）行為能力。

人工智能是人造智能，是一門研究如何構造智能機器（智能計算機）或智能系統(tǒng)，使它能模擬、延伸、擴展人類智能的學科。通過圖靈測試可以判斷一個系統(tǒng)是否具有智能和智能的水平。

人工智能研究內容：

（1）機器感知（2）機器思維（3）機器學習（4）機器行為（5）智能系統(tǒng)構造技術

人工智能研究途徑：

（1）符號處理（2）網絡連接機制（3）系統(tǒng)集成2、知識是智能的基礎，對人工智能的研究必須以知識為中心來進行，由于對知識的表示、利用、獲取等的研究取得較大進展，特別是不確定性知識表示與推理取得的突破，建立了主觀Bayes理論、確定性理論、證據(jù)理論、可能性理論，對人工智能其他領域（如模式識別，自然語言理解等）的發(fā)展提供了支持。數(shù)據(jù)是信息的載體和表示，信息是數(shù)據(jù)在特定場合的具體含義，信息是數(shù)據(jù)的語義；把有關信息關聯(lián)在一起所形成的信息結構叫知識。具有：相對正確性，不確定性，可表示性，可利用性等特征；按作用范圍分為常識性知識，領域性知識；按作用及表示分為事實性知識，過程性知識，控制性知識。按確定性分為確定性知識，不確定性知識；按結構及表現(xiàn)形式分為邏輯性知識，形象性知識；從抽象的，整體的觀點來劃分可分為零級知識，一級知識，二級知識。知識表示方法總體上分為符號表示法，連接機制表示法；目前用得較多的知識表示方法主要有：一階謂詞邏輯表示，產生式，框架，語義網絡，腳本，過程，Petrio網，面向對象表示法。選擇知識表示法時，要注意以下幾個方面：

（1）充分表示領域知識（2）有利于對知識的利用（3）便于對知識的組織、維護與管理（4）便于理解和實現(xiàn)

3、產生式系統(tǒng)構成：規(guī)則庫，控制系統(tǒng)，綜合數(shù)據(jù)庫。綜合數(shù)據(jù)庫中已知事實表示：（特性 對象 值可信度因子）控制系統(tǒng)的求解過程是一個不斷地從規(guī)則庫中選取可用規(guī)則與綜合數(shù)據(jù)庫中已知事實進行匹配的過程。產生式系統(tǒng)分類：按推理方向分為前向、后向和雙向產生式系統(tǒng)；按表示知識的確定性可分為確定性及不確定性產生式系統(tǒng)；按數(shù)據(jù)庫性質及結構特征進行分類為可交換的產生式系統(tǒng)，可分解的產生式系統(tǒng)，可恢復的產生式系統(tǒng)。框架是一種描述所論對象屬性的數(shù)據(jù)結構，由槽結構組成，槽分為若干側面。問題求解主要通過匹配和填槽實現(xiàn)的；產生式表示法主要用于描述事物間的因果關系，框架表示法主要用于描述事物內部結構及事物間的類屬關系。語義網絡是通過概念及其語義關系來表達知識的一種網絡圖。一個過程規(guī)則包括激發(fā)條件，演繹操作，狀態(tài)轉換及返回四個部分。

4、推理就是按某種策略由已知判斷推出另一判斷的思維過程。按從新判斷推出的途徑來劃分，推理可分為演繹推理、歸納推理和默認推理；按所用知識確定性分為確定性推理，不確定性推理；按推出的結論是否單調地增加來劃分為單調推理，非單調推理；按是否運用與問題有關的啟發(fā)性知識分為啟發(fā)式推理，非啟發(fā)式推理；按基于方法的分為基于知識的推理，統(tǒng)計推理，直覺推理。推理的控制策略：推理方向，搜索策略，沖突消解策略，求解策略和限制策略。推理方向可確定推理的驅動方式：正向推理，逆向推理，混合推理及雙向推理。

從一組已知為真的事實出發(fā)，直接運用經典邏輯的推理規(guī)則推出結論的過程稱為自然演繹推理，基本推理規(guī)則是P規(guī)則，T規(guī)則，假言推理，拒絕式推理等：

P規(guī)則：任何步驟可引入前提A

T規(guī)則：前面步驟有一個或多個公式永真蘊涵公式S，可引入S

假言推理：P，P—>Q=> Q

拒絕式推理：P—>Q, 非Q=>非P

歸結演繹推理中，空字句是不滿足的，因此歸結的目標是通過歸結使字句集中包含空字句，從而證明原命題的不可滿足性。歸結式是親本字句的邏輯結論。

不確定性推理是從不確定性的初始證據(jù)出發(fā)，通過運用不確定性的知識，最終推出具有一定程度的不確定性但卻是合理或者近乎合理的理論的思維過程。

不確定推理的基本問題：推理方向，推理方法，控制策略，不確定性的表示和度量，不確定性匹配，不確定性傳遞算法，不確定性的合成。

知識的不確定性稱為知識的靜態(tài)強度；證據(jù)的不確定性稱為動態(tài)強度

5、組合證據(jù)的不確定性算法：

最大最小方法

概率方法

有界方法

不確定性傳遞算法：

結論不確定性的合成：

6、主觀Bayes方法：

（1）知識不確定性表示（產生式規(guī)則）：

（2）證據(jù)不確定性表示：

（3）組合證據(jù)不確定性的算法：

（4）不確定性傳遞算法：

（5）結論不確定性的合成算法：

7、可信度方法：（C-F模型是基于可信度表示的不確定性推理的基本方法）

在可信度推理方法中的Ｃ-F模型里，可信度CF(H,E)的含義是：CF(H,E)>0表示Ｅ的出現(xiàn)增加了Ｈ的可信度；CF(H,E)=0表示Ｅ的出現(xiàn)與Ｈ可信度無關；CF(H,E)<0表示Ｅ的出現(xiàn)降低了Ｈ的可信度。

（1）知識不確定性表示：

（2）證據(jù)不確定性表示：

（3）組合證據(jù)不確定性算法：

（4）不確定性傳遞算法：

（5）結論不確定性合成算法（推理網絡）：

8、證據(jù)理論是用集合表示命題的，D是變量x所有可能取值的集合，且D中的元素是互斥的，在任一時刻x都取且只能取D中某一元素為值，則稱D為x的樣本空間。

信任函數(shù)與似然函數(shù)的關系：Pl(A)>=Bel(A), Bel(A)表示對A為真的信任程度，Pl(A)表示對A為非假的信任程度。Pl(A)-Bel(A)表示對Ａ不知道的程度，即既非對Ａ信任又不信任的那部分。

知識的不確定表示：IF E THEN H={h1,h2,…,hn} CF={c1,c2,…,cn}ＣＦ是可信度因子

含有模糊概念、模糊數(shù)據(jù)或帶有確信程度的語句稱為模糊命題。一般表示形式為：

x is A(CF)x是論域上的變量，Ａ是模糊數(shù)，ＣＦ是該模糊命題的確信程度或

相應事件發(fā)生的可能性程度。

10、人工智能解決的問題：結構不良，非結構化；盲目搜索按預定的控制策略進行搜索，在搜索過程中獲得的中間信息不用來改進控制策略；啟發(fā)式搜索加入了與問題有關的啟發(fā)性信息，用以指導搜索朝著最有希望的方向前進，加速問題的求解過程并找到最優(yōu)解。

狀態(tài)空間表示法：（Ｓ，Ｆ，Ｇ）

11、專家系統(tǒng)就是一種在相關領域中具有專家水平解題能力的智能程序系統(tǒng)，它能運用領域專家多年積累的經驗與專門知識，模擬人類專家的思維過程，求解需要專家才能解決的困難問題。

特征：專家知識，有效推理，獲取知識能力，靈活性，透明性，交互性，復雜性

專家系統(tǒng)與常規(guī)計算機程序比較：＊

(1)常規(guī)程序＝數(shù)據(jù)結構＋算法，專家系統(tǒng)＝知識＋推理

(2)常規(guī)程序分為數(shù)據(jù)級＋程序級，專家系統(tǒng)數(shù)據(jù)級＋知識庫級＋控制級

(3)常規(guī)程序面向數(shù)值計算和數(shù)據(jù)處理，專家系統(tǒng)本質上是面向符號處理的(4)常規(guī)程序處理的數(shù)據(jù)多是精確的，專家系統(tǒng)處理不精確，模糊知識

(5)解釋功能

(6)都是程序系統(tǒng)

12、機器學習是要使計算機能模擬人的學習行為，自動地通過學習獲取知識和技能，不斷改善性能，實現(xiàn)自我完善：

三個方面的研究內容：（１）學習機理研究（２）學習方法研究（３）面向任務研究

學習系統(tǒng)是指能夠在一定程度上實現(xiàn)機器學習的系統(tǒng)，能夠從某個過程或環(huán)境的未知特征中學到有關信息，并且能把學到的信息用于未來的估計、分類、決策或控制，以便改進系統(tǒng)的性能。在結構上主要包括：學習環(huán)境，學習機構，執(zhí)行與評估機構和知識庫四個部分；各種符號學習方法中推理能力最強的學習方法是機械式學習，推理能力最弱的方法是觀察和發(fā)現(xiàn)，神經網絡學習獲得的知識被存儲在神經元之間的連接中。

學習系統(tǒng)具有的條件能力：

(1)具有適當?shù)膶W習環(huán)境

(2)具有一定學習能力

(3)能應用學到的知識求解問題

(4)能提高系統(tǒng)的性能

第三篇：《人工智能》學習報告

深圳大學碩士研究生課程作業(yè)—人工智能

《人工智能》學習報告

深圳大學機電與控制工程學院彭建柳

學號：0943010210

1.引言

人工智能(Artificial Intelligence，AI)，曾經有一部電影，著名導演斯蒂文?斯皮爾伯格的科幻片《人工智能》(A.I.)對許多人的頭腦又一次產生了震動，引起了一些人士了解并探索人工智能領域的興趣。人工智能對于普通人來說是那樣的可望而不可及，然而它卻吸引了無數(shù)研究人員為之奉獻才智，從美國的麻省理工學院(MIT)、卡內基-梅隆大學(CMU)到IBM公司，再到日本的本田公司、SONY公司以及國內的清華大學、中科院等科研院所，全世界的實驗室都在進行著AI技術的實驗。

一直以來，關于人工智能的理論，我一直認為是科學的前沿，理解起來較為飄渺。但是，從本學期《人工智能》課程的學習中，本人較系統(tǒng)的接觸到了關于人工智能的理論，從有限的課程中，通過老師的詳細介紹和查閱人工智能方面的書籍，學習了關于人工智能幾個主要方面的知識，如模糊控制、專家系統(tǒng)、神經網絡等。下面是本人關于人工智能理論的一些基本認識。

2.人工智能的形成與發(fā)展

說到人工智能，首先先認識下自動控制理論，自動控制理論從形成到發(fā)展至今，已經經歷了六十多年的歷程，其主要分為三個階段：

務和現(xiàn)實模型的描述、符號和環(huán)境的識別以及知識庫和推理機的開發(fā)上，即智能控制的關鍵問題不是設計常規(guī)控制器，而是研制智能機器的模型。此外，智能控制的核心在高層控制，即組織控制。高層控制是對實際環(huán)境或過程進行組織、決策和規(guī)劃，以實現(xiàn)問題求解。為了完成這些任務，需要采用符號信息處理、啟發(fā)式程序設計、知識表示、自動推理和決策等有關技術。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的“智能”。

隨著人工智能和計算機技術的發(fā)展，已經有可能把自動控制和人工智能以及系統(tǒng)科學中一些有關學科分支(如系統(tǒng)工程、系統(tǒng)學、運籌學、信息論)結合起來，建立一種適用于復雜系統(tǒng)的控制理論和技術。智能控制正是在這種條件下產生的。它是自動控制技術的最新發(fā)展階段，也是用計算機模擬人類智能進行控制的研究領域。1965年，傅京孫首先提出把人工智能的啟發(fā)式推理規(guī)則用于學習控制系統(tǒng)。1985年，在美國首次召開了智能控制學術討論會。1987年又在美國召開了智能控制的首屆國際學術會議，標志著智能控制作為一個新的學科分支得到承認。智能控制具有交叉學科和定量與定性相結合的分析方法和特點。

3.模糊控制

在傳統(tǒng)的控制領域里，控制系統(tǒng)動態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關鍵，系統(tǒng)動態(tài)的信息越詳細，則越能達到精確控制的目的。然而，對于復雜的系統(tǒng)，由于變量太多，往往難以正確的描述系統(tǒng)的動態(tài)，于是工程師便利用各種方法來簡化系統(tǒng)動態(tài)，以達成控制的目的，但卻不盡理想。換言之，傳統(tǒng)的控制理論對于明確系統(tǒng)有強而有力的控制能力，但對于過于復雜或難以精確描述的系統(tǒng)，則顯得無能為力了。因此便嘗試著以模糊數(shù)學來處理這些控制問題。通過課堂中，導師生動的講解，以及引用到生活當中鮮活的例子，如冰箱溫度的模糊控制，智能汽車的行駛路線控制等等，充分的認識到，模糊控制在當今社會的應用已經很廣泛，只是理論知識的缺乏而感覺不到它們的存在。

一般控制架構包括：定義變量、模糊化、知識庫、邏輯判斷及反模糊化，詳細如下：

(1)定義變量：也就是決定程序被觀察的狀況及考慮控制的動作，例如在一般控制問題上，輸入變量有輸出誤差E與輸出誤差之變化率CE，而控制變量

則為下一個狀態(tài)之輸入U。其中E、CE、U統(tǒng)稱為模糊變量。

(2)模糊化（fuzzify）：將輸入值以適當?shù)谋壤D換到論域的數(shù)值，利用口語化變量來描述測量物理量的過程，依適合的語言值（linguisitc value）求該值相對之隸屬度，此口語化變量我們稱之為模糊子集合（fuzzy subsets）。

(3)知識庫：包括數(shù)據(jù)庫（data base）與規(guī)則庫（rule base）兩部分，其中數(shù)據(jù)庫是提供處理模糊數(shù)據(jù)之相關定義；而規(guī)則庫則藉由一群語言控制規(guī)則描述控制目標和策略。

(4)邏輯判斷：模仿人類下判斷時的模糊概念，運用模糊邏輯和模糊推論法進行推論，而得到模糊控制訊號。此部分是模糊控制器的精髓所在。

(5)解模糊化（defuzzify）：將推論所得到的模糊值轉換為明確的控制訊號，做為系統(tǒng)的輸入值。

模糊控制很重要的一點就是模糊規(guī)則的制定，其規(guī)則制定的來源主要由專家的經驗和知識、操作員的操作模式、自學習提供。模糊規(guī)則的形式則分為狀態(tài)評估和目標評估兩種。但都是以模糊控制為基礎，達到自動控制的目的。

4.專家系統(tǒng)

專家系統(tǒng)(expert system)是人工智能應用研究最活躍和最廣泛的課題之

一。運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種復雜的、具體的問題，達到與專家具有同等解決問題能力的計算機智能程序系統(tǒng)。它能對決策的過程作出解釋，并有學習功能，即能自動增長解決問題所需的知識。

專家系統(tǒng)的發(fā)展已經歷了3個階段，正向第四代過渡和發(fā)展。第一代專家系統(tǒng)（dendral、macsyma等）以高度專業(yè)化、求解專門問題的能力強為特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統(tǒng)（mycin、casnet、prospector、hearsay等）屬單學科專業(yè)型、應用型系統(tǒng)，其體系結構較完整，移植性方面也有所改善，而且在系統(tǒng)的人機接口、解釋機制、知識獲取技術、不確定推理技術、增強專家系統(tǒng)的知識表示和推理方法的啟發(fā)性、通用性等方面都有所改進。第三代專家系統(tǒng)屬多學科綜合型系統(tǒng)，采用多種人工智能語言，綜合采用各種知識表示方法和多種推理機制及控制策略，并開始運用各種知識工程語言、骨架系統(tǒng)及專家系統(tǒng)開發(fā)工具和

環(huán)境來研制大型綜合專家系統(tǒng)。在總結前三代專家系統(tǒng)的設計方法和實現(xiàn)技術的基礎上，已開始采用大型多專家協(xié)作系統(tǒng)、多種知識表示、綜合知識庫、自組織解題機制、多學科協(xié)同解題與并行推理、專家系統(tǒng)工具與環(huán)境、人工神經網絡知識獲取及學習機制等最新人工智能技術來實現(xiàn)具有多知識庫、多主體的第四代專家系統(tǒng)。

對專家系統(tǒng)可以按不同的方法分類。通常，可以按應用領域、知識表示方法、控制策略、任務類型等分類。如按任務類型來劃分，常見的有解釋型、預測型、診斷型、調試型、維護型、規(guī)劃型、設計型、監(jiān)督型、控制型、教育型等。

簡而言之，專家系統(tǒng)是一種模擬人類專家解決領域問題的計算機程序系統(tǒng)。

5.神經網絡

由于神經網絡是多學科交叉的產物，各個相關的學科領域對神經網絡都有各自的看法，因此，關于神經網絡的定義，在科學界存在許多不同的見解。目前使用得最廣泛的是T.Koholen的定義，即“神經網絡是由具有適應性的簡單單元組成的廣泛并行互連的網絡，它的組織能夠模擬生物神經系統(tǒng)對真實世界物體所作出的交互反應?！?/p>

人工神經網絡是模擬人思維的第二種方式。這是一個非線性動力學系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統(tǒng)所能實現(xiàn)的行為卻是極其豐富多彩的。

6.小結

關于人工智能的學習，我現(xiàn)在所學習到的僅僅是皮毛。但對于一個剛剛接觸人工智能學習的學生，了解如模糊控制、專家系統(tǒng)、神經網絡等人工智能的知識入門尤為重要，為將來進一步學習人工智能的理論打下基礎，并將理論應用于生活和工作當中，這才是學習的最終目的。

參考文獻：

《人工智能控制》作者：蔡自興，出 版 社：化學工業(yè)出版社，2005-7-1

第四篇：人工智能學習論文

20107932唐雪琴

人工智能研究最新進展綜述

一、研究領域

在大多數(shù)數(shù)學科中存在著幾個不同的研究領域，每個領域都有著特有的感興趣的研究課題、研究技術和術語。在人工智能中，這樣的領域包括自然語言處理、自動定理證明、自動程序設計、智能檢索、智能調度、機器學習、專家系統(tǒng)、機器人學、智能控制、模式識別、視覺系統(tǒng)、神經網絡、agent、計算智能、問題求解、人工生命、人工智能方法、程序設計語言等。

在過去50多年里，已經建立了一些具有人工智能的計算機系統(tǒng)；例如，能夠求解微分方程的，下棋的，設計分析集成電路的，合成人類自然語言的，檢索情報的，診斷疾病以及控制控制太空飛行器、地面移動機器人和水下機器人的具有不同程度人工智能的計算機系統(tǒng)。人工智能是一種外向型的學科，它不但要求研究它的人懂得人工智能的知識，而且要求有比較扎實的數(shù)學基礎，哲學和生物學基礎，只有這樣才可能讓一臺什么也不知道的機器模擬人的思維。因為人工智能的研究領域十分廣闊，它總的來說是面向應用的，也就說什么地方有人在工作，它就可以用在什么地方，因為人工智能的最根本目的還是要模擬人類的思維。參照人在各種活動中的功能，我們可以得到人工智能的領域也不過就是代替人的活動而已。哪個領域有人進行的智力活動，哪個領域就是人工智能研究的領域。人工智能就是為了應用機器的長處來幫助人類進行智力活動。人工智能研究的目的就是要模擬人類神經系統(tǒng)的功能。

二、各領域國內外研究現(xiàn)狀（進展成果）近年來，人工智能的研究和應用出現(xiàn)了許多新的領域，它們是傳統(tǒng)人工智能的延伸和擴展。在新世紀開始的時候，這些新研究已引起人們的更密切關注。這些新領域有分布式人工智能與艾真體（agent）、計算智能與進化計算、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)，以及人工生命等。下面逐一加以概略介紹。

1、分布式人工智能與艾真體

分布式人工智能（Distributed AI，DAI）是分布式計算與人工智能結合的結果。DAI系統(tǒng)以魯棒性作為控制系統(tǒng)質量的標準，并具有互操作性，即不同的異構系統(tǒng)在快速變化的環(huán)境中具有交換信息和協(xié)同工作的能力。

分布式人工智能的研究目標是要創(chuàng)建一種能夠描述自然系統(tǒng)和社會系統(tǒng)的精確概念模型。DAI中的智能并非獨立存在的概念，只能在團體協(xié)作中實現(xiàn)，因而其主要研究問題是各艾真體間的合作與對話，包括分布式問題求解和多艾真體系統(tǒng)（Multiagent System，MAS）兩領域。其中，分布式問題求解把一個具體的求解問題劃分為多個相互合作和知識共享的模塊或結點。多艾真體系統(tǒng)則研究各艾真體間智能行為的協(xié)調，包括規(guī)劃、知識、技術和動作的協(xié)調。這兩個研究領域都要研究知識、資源和控制的劃分問題，但分布式問題求解往往含有一個全局的概念模型、問題和成功標準，而MAS則含有多個局部的概念模型、問題和成功標準。

MAS更能體現(xiàn)人類的社會智能，具有更大的靈活性和適應性，更適合開放和動

態(tài)的世界環(huán)境，因而倍受重視，已成為人工智能以至計算機科學和控制科學與工程的研究熱點。當前，艾真體和MAS的研究包括理論、體系結構、語言、合作與協(xié)調、通訊和交互技術、MAS學習和應用等。MAS已在自動駕駛、機器人導航、機場管理、電力管理和信息檢索等方面獲得應用。

2、計算智能與進化計算

計算智能（Computing Intelligence）涉及神經計算、模糊計算、進化計算等研究領域。其中，神經計算和模糊計算已有較長的研究歷史，而進化計算則是較新的研究領域。在此僅對進化計算加以說明。

進化計算（Evolutionary Computation）是指一類以達爾文進化論為依據(jù)來設計、控制和優(yōu)化人工系統(tǒng)的技術和方法的總稱，它包括遺傳算法（Genetic Algorithms）、進化策略（Evolutionary Strategies）和進化規(guī)劃（Evolutionary Programming）。它們遵循相同的指導思想，但彼此存在一定差別。同時，進化計算的研究關注學科的交叉和廣泛的應用背景，因而引入了許多新的方法和特征，彼此間難于分類，這些都統(tǒng)稱為進化計算方法。目前，進化計算被廣泛運用于許多復雜系統(tǒng)的自適應控制和復雜優(yōu)化問題等研究領域，如并行計算、機器學習、電路設計、神經網絡、基于艾真體的仿真、元胞自動機等。

達爾文進化論是一種魯棒的搜索和優(yōu)化機制，對計算機科學，特別是對人工智能的發(fā)展產生了很大的影響。大多數(shù)生物體通過自然選擇和有性生殖進行進化。自然選擇決定了群體中哪些個體能夠生存和繁殖，有性生殖保證了后代基因中的混合和重組。自然選擇的原則是適者生存，即物競天擇，優(yōu)勝劣汰。

直到幾年前，遺傳算法、進化規(guī)劃、進化策略三個領域的研究才開始交流，并發(fā)現(xiàn)它們的共同理論基礎是生物進化論。因此，把這三種方法統(tǒng)稱為進化計算，而把相應的算法稱為進化算法。

3、數(shù)據(jù)挖掘與知識發(fā)現(xiàn)

知識獲取是知識信息處理的關鍵問題之一。20世紀80年代人們在知識發(fā)現(xiàn)方面取得了一定的進展。利用樣本，通過歸納學習，或者與神經計算結合起來進行知識獲取已有一些試驗系統(tǒng)。數(shù)據(jù)挖掘和知識發(fā)現(xiàn)是90年代初期新崛起的一個活躍的研究領域。在數(shù)據(jù)庫基礎上實現(xiàn)的知識發(fā)現(xiàn)系統(tǒng)，通過綜合運用統(tǒng)計學、粗糙集、模糊數(shù)學、機器學習和專家系統(tǒng)等多種學習手段和方法，從大量的數(shù)據(jù)中提煉出抽象的知識，從而揭示出蘊涵在這些數(shù)據(jù)背后的客觀世界的內在聯(lián)系和本質規(guī)律，實現(xiàn)知識的自動獲取。這是一個富有挑戰(zhàn)性、并具有廣闊應用前景的研究課題。

從數(shù)據(jù)庫獲取知識，即從數(shù)據(jù)中挖掘并發(fā)現(xiàn)知識，首先要解決被發(fā)現(xiàn)知識的表達問題。最好的表達方式是自然語言，因為它是人類的思維和交流語言。知識表示的最根本問題就是如何形成用自然語言表達的概念。

機器知識發(fā)現(xiàn)始于1974年，并在此后十年中獲得一些進展。這些進展往往與專家系統(tǒng)的知識獲取研究有關。到20世紀80年代末，數(shù)據(jù)挖掘取得突破。越來越多的研究者加入到知識發(fā)現(xiàn)和數(shù)據(jù)挖掘的研究行列。現(xiàn)在，知識發(fā)現(xiàn)和數(shù)據(jù)挖掘已成為人工智能研究的又一熱點。

比較成功的知識發(fā)現(xiàn)系統(tǒng)有用于超級市場商品數(shù)據(jù)分析、解釋和報告的CoverStory系統(tǒng)，用于概念性數(shù)據(jù)分析和查尋感興趣關系的集成化系統(tǒng)EXPLORA，交互式大型數(shù)據(jù)庫分析工具KDW，用于自動分析大規(guī)模天空觀測數(shù)據(jù)的SKICAT系統(tǒng)，以及通用的數(shù)據(jù)庫知識發(fā)現(xiàn)系統(tǒng)KDD等。

4、人工生命

人工生命（Artificial Life，ALife）的概念是由美國圣菲研究所非線性研究組的蘭頓（Langton）于1987年提出的，旨在用計算機和精密機械等人工媒介生成或構造出能夠表現(xiàn)自然生命系統(tǒng)行為特征的仿真系統(tǒng)或模型系統(tǒng)。自然生命系統(tǒng)行為具有自組織、自復制、自修復等特征以及形成這些特征的混沌動力學、進化和環(huán)境適應。

人工生命所研究的人造系統(tǒng)能夠演示具有自然生命系統(tǒng)特征的行為，在“生命之所能”（life as it could be）的廣闊范圍內深入研究“生命之所知”（life as we know it）的實質。只有從“生命之所能”的廣泛內容來考察生命，才能真正理解生物的本質。人工生命與生命的形式化基礎有關。生物學從問題的頂層開始，把器官、組織、細胞、細胞膜，直到分子，以探索生命的奧秘和機理。人工生命則從問題的底層開始，把器官作為簡單機構的宏觀群體來考察，自底向上進行綜合，把簡單的由規(guī)則支配的對象構成更大的集合，并在交互作用中研究非線性系統(tǒng)的類似生命的全局動力學特性。

人工生命的理論和方法有別于傳統(tǒng)人工智能和神經網絡的理論和方法。人工生命把生命現(xiàn)象所體現(xiàn)的自適應機理通過計算機進行仿真，對相關非線性對象進行更真實的動態(tài)描述和動態(tài)特征研究。

人工生命學科的研究內容包括生命現(xiàn)象的仿生系統(tǒng)、人工建模與仿真、進化動力學、人工生命的計算理論、進化與學習綜合系統(tǒng)以及人工生命的應用等。比較典型的人工生命研究有計算機病毒、計算機進程、進化機器人、自催化網絡、細胞自動機、人工核苷酸和人工腦等。

三、學了人工智能課程的收獲

（1）了解人工智能的概念和人工智能的發(fā)展，了解國際人工智能的主要流派和路線，了解國內人工智能研究的基本情況，熟悉人工智能的研究領域。

（2）較詳細地論述知識表示的各種主要方法。重點掌握了狀態(tài)空間法、問題歸約法和謂詞邏輯法，熟悉語義網絡法，了解知識表示的其他方法，如框架法、劇本法、過程法等。

（3）掌握了盲目搜索和啟發(fā)式搜索的基本原理和算法，特別是寬度優(yōu)先搜索、深度優(yōu)先搜索、等代價搜索、啟發(fā)式搜索、有序搜索、A*算法等。了解博弈樹搜索、遺傳算法和模擬退火算法的基本方法。

（4）掌握了消解原理、規(guī)則演繹系統(tǒng)和產生式系統(tǒng)的技術、了解不確定性推理、非單調推理的概念。

（5）概括性地了解了人工智能的主要應用領域，如專家系統(tǒng)、機器學習、規(guī)劃系統(tǒng)、自然語言理解和智能控制等。

（6）基本了解人工智能程序設計的語言和工具。

四、對人工智能研究的展望

對現(xiàn)代社會的影響有多大？工業(yè)領域，尤其是制造業(yè)，已成功地使用了人工智能技術，包括智能設計、虛擬制造、在線分析、智能調度、仿真和規(guī)劃等。金融業(yè)，股票商利用智能系統(tǒng)輔助其分析，判斷和決策；應用卡欺詐檢測系統(tǒng)業(yè)已得到普遍應用。人工智能還滲透到人們的日常生活，CAD，CAM，CAI，CAP，CIMS等一系列智能產品給大家?guī)砹藰O大的方便，它還改變了傳統(tǒng)的通信方式，語音撥號，手寫短信的智能手機越來越人性化。

人工智能還影響了你們的文化和娛樂生活，引發(fā)人們更深層次的精神和哲學層面的思考，從施瓦辛格主演的《終結者》系列，到基努.里維斯主演的《黑客帝國》系列以及斯皮爾伯格導演的《人工智能》，都有意無意的提出了同樣的問題：我們應該如何看待人工智能？如何看待具有智能的機器？會不會有一天機器的智能將超過人的智能？問題的答案也許千差萬別，我個人認為上述擔心不太可能成為現(xiàn)實，因為我們理解人工智能并不是讓它取代人類智能，而是讓它模擬人類智能，從而更好地為人類服務。

當前人工智能技術發(fā)展迅速，新思想，新理論，新技術不斷涌現(xiàn)，如模糊技術，模糊--神經網絡，遺傳算法，進化程序設計，混沌理論，人工生命，計算智能等。以Agent概念為基礎的分布式人工智能正在異軍突起，特別是對于軟件的開發(fā)，“面向Agent技術”將是繼“面向對象技術”后的又一突破。從萬維網到人工智能的研究正在如火如荼的開展。

五、對課程的建議

（1）能夠結合現(xiàn)在最新研究成果著重講解重點知識，以及講述在一些研究成果中人工智能那些知識被應用。

（2）多推薦一些過于人工智能方面的電影，如：《終結者》系列、《黑客帝國》

系列、《人工智能》等，從而增加同學對這門課程學習的興趣。

（3）條件允許的話，可以安排一些實驗課程，讓同學們自己制作一些簡單的作品，增強同學對人工智能的興趣，加強同學之間的學習。

（4）課堂上多講解一些人工智能在各個領域方面的應用，以及著重闡述一些

新的和正在研究的人工智能方法與技術，讓同學們可以了解近期發(fā)展起來的方法和技術，在講解時最好多舉例，再結合原理進行講解，更助于同學們對人工智能的理解。

第五篇：《人工智能導論》學習心得體會

《人工智能導論》學習心得

大學第一次接觸《人工智能導論》這門課,通過老師的講解,我對人工智能有了一些簡單的感性認識，我覺得人工智能是一門具有挑戰(zhàn)性的科學，想要學好這門課程必須要懂得計算機知識以及基本的算法認識。人工智能包括了十分廣泛的科學，它由不同的領域組成，例如機器學習，計算機視覺等，總的來說，人工智能研究的主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。雖然在此門課程中對算法的實現(xiàn)不能獨立完成，但在一些簡單的基本的算法上還是有一定的理解和認識。我也在此次課程設計的過程中不斷的學習，反復的調式和思考問題，終于在我的堅持下能夠很好地理解算法轉換為實際代碼的過程，也對算法有了更加清晰的思路。因此，我更加確信在自己的不斷努力下總是會有收獲的，只有堅持下去，才有成功的希望。

人工智能在很多領域得到了發(fā)展川在我們的日常生活中發(fā)揮了重要的作用。如:機器翻譯,機器翻譯是利用計算機把一種自然語言轉換成其他語言的過程。用以完成這一過程的軟件系統(tǒng)叫做機器翻譯系統(tǒng),利用這個系統(tǒng)我們可以很方使的完成一些語言翻譯工作。目前,照內的機器翻譯軟件有很多,富有代表性的當屬金山，它可以迅速的咨詢英文單詞和句子翻譯,重要的是它還可以提供多種語言為用戶提供了極大的便利。

人工智能：像人一樣思考，理性的思考；像人一樣行動，理性的行動，如果你與一臺機器進行對話，它能回答你的問題并且感受不到是機器在回答的話，就說這臺機器具有智能。當然并不是通過測試就說明有智能，但現(xiàn)階段的研究主要還是弱人工智能：模仿人腦的基本功能，感知、記憶、學習和決策等，向著強人工智能以及超級人工智能發(fā)展的話還有很長的一段路要走，中間有著巨大的鴻溝。

人工智能經歷3起2落，現(xiàn)在是機器學習階段，人工智能現(xiàn)在最熱門的領域：機器學習，自然語言處理，圖像，而在金融領域：智能投顧，高頻交易；互聯(lián)網領域：語音助手，機器翻譯，文本智能識別，聽歌識曲，刷臉解鎖（以色列的一項技術），拍照優(yōu)化，相冊分類，影像處理，AR特效，影像內容審核及分類；智能規(guī)劃決策：博弈論（囚徒困境）；自動駕駛領域：感知-認知-決策-控制-執(zhí)行；公共安全領域；教育領域；泛信息處理（百度和谷歌可以關鍵字檢索速度很快，哈希算法）；醫(yī)療健康領域；工業(yè)制造領域；零售領域；廣告營銷領域；交通出行領域；智能客服領域

一些大公司在人工智能領域的投入和研究對于推動人工智能的發(fā)展起到了很大的作用，最值得一提的就是谷歌。谷歌的免費搜索表面上是為了方便人們的查詢，但這款搜索引擎推出的初衷就是為了幫助人工智能的深度學習，通過上億的用戶一次又一次地查詢，來鍛煉人工智能的學習能力，由于我的水平還很低，對于深度學習還不敢妄自揣測。但是，近年來谷歌公司在人工智能方面的突破一項接著一項，為人們熟知的便是智能汽車。不得不說，人工智能想要進一步發(fā)展，必須依靠這些大公司的研究和不斷推廣，由經濟促創(chuàng)新。