Wondershare EdrawMind
Galería de mapas mentales Conceptos básicos de la inteligencia artificial
- 1
Conceptos básicos de la inteligencia artificial
Los conceptos básicos de la inteligencia artificial son algunos métodos relativamente tradicionales que no implican el aprendizaje profundo. Para el aprendizaje profundo, puedes ver otro mapa mental mío. Este artículo resume una descripción general de la inteligencia artificial, los sistemas de conocimiento deterministas, el razonamiento de incertidumbre, la tecnología de búsqueda inteligente, etc.
Editado a las 2024-02-04 00:47:36,
- Breve historia del tiempo
Este es un mapa mental sobre una breve historia del tiempo. "Una breve historia del tiempo" es una obra de divulgación científica con una influencia de gran alcance. No sólo presenta los conceptos básicos de cosmología y relatividad, sino que también analiza los agujeros negros y la expansión. del universo. temas científicos de vanguardia como la inflación y la teoría de cuerdas.
- ¿Cuáles son los métodos de fijación de precios para los subcontratos de proyectos bajo el modelo de contratación general EPC
¿Cuáles son los métodos de fijación de precios para los subcontratos de proyectos bajo el modelo de contratación general EPC? EPC (Ingeniería, Adquisiciones, Construcción) significa que el contratista general es responsable de todo el proceso de diseño, adquisición, construcción e instalación del proyecto, y es responsable de los servicios de operación de prueba.
- Puntos de conocimiento que los ingenieros de Java deben dominar en cada etapa
Los puntos de conocimiento que los ingenieros de Java deben dominar en cada etapa se presentan en detalle y el conocimiento es completo, espero que pueda ser útil para todos.
Conceptos básicos de la inteligencia artificial
- Breve historia del tiempo
Este es un mapa mental sobre una breve historia del tiempo. "Una breve historia del tiempo" es una obra de divulgación científica con una influencia de gran alcance. No sólo presenta los conceptos básicos de cosmología y relatividad, sino que también analiza los agujeros negros y la expansión. del universo. temas científicos de vanguardia como la inflación y la teoría de cuerdas.
- ¿Cuáles son los métodos de fijación de precios para los subcontratos de proyectos bajo el modelo de contratación general EPC
¿Cuáles son los métodos de fijación de precios para los subcontratos de proyectos bajo el modelo de contratación general EPC? EPC (Ingeniería, Adquisiciones, Construcción) significa que el contratista general es responsable de todo el proceso de diseño, adquisición, construcción e instalación del proyecto, y es responsable de los servicios de operación de prueba.
- Puntos de conocimiento que los ingenieros de Java deben dominar en cada etapa
Los puntos de conocimiento que los ingenieros de Java deben dominar en cada etapa se presentan en detalle y el conocimiento es completo, espero que pueda ser útil para todos.
- Recomendados
- Resumen
![[Obras comunitarias] AI Healthcare aplicación y futuro de la atención sanitaria inteligente](https://edrawcloudpublicus.s3.amazonaws.com/work/5169481/2024-5-17/1715970630/thumb.png?x-oss-process=image/resize,w_300,m_lfit)
[Obras comunitarias] AI Healthcare aplicación y futuro de la atención sanitaria inteligente
Conceptos básicos de la inteligencia artificial
Descripción general de la inteligencia artificial
Conceptos básicos de IA
concepto inteligente
inteligencia natural
definición
Se refiere al poder y las habilidades de comportamiento de los humanos y algunos animales.
inteligencia humana natural
Es la capacidad integral de los seres humanos para comprender el mundo objetivo que se manifiesta mediante los procesos de pensamiento y las actividades mentales.
Diferentes visiones y jerarquías de la inteligencia.
Vista
teoria de la mente
La inteligencia proviene de actividades de pensamiento.
teoría del umbral del conocimiento
La inteligencia depende del conocimiento aplicable.
teoría evolutiva
La inteligencia se puede lograr mediante una evolución gradual.
Jerarquía
Capacidades características incluidas en la inteligencia.
Percepción
Habilidades de memoria y pensamiento.
aprendizaje y adaptabilidad
capacidad
Concepto de inteligencia artificial
explicar
Utilice métodos artificiales para lograr inteligencia en las máquinas
Estudiar cómo construir máquinas o sistemas inteligentes, y simular y ampliar la inteligencia artificial.
prueba de Turing
Objetivos de la investigación de inteligencia artificial
El surgimiento y desarrollo de la IA
periodo de gestación
periodo formativo
periodo de aplicación de conocimientos
De la separación escolar a la síntesis
El aprendizaje automático y el aprendizaje profundo marcan el camino
Contenido básico de la investigación de la IA.
La posición subjetiva de la inteligencia artificial.
La intersección de las ciencias naturales y las ciencias sociales
Núcleo: Pensamiento e Inteligencia
Materias básicas: matemáticas, ciencias del pensamiento, informática.
Investigación interdisciplinaria con ciencias del cerebro y ciencias cognitivas.
Investigación sobre métodos y tecnologías de simulación inteligente.
percepción de la máquina
Visión
audiencia
pensamiento de la máquina
aprendizaje automático
comportamiento de la máquina
Diferentes escuelas de investigación en IA
simbolismo
lógica matemática
ingeniería del conocimiento
conexionismo
biónica
Redes neuronales artificiales
Behaviorismo
cibernética
sistema de conocimiento determinista
Una visión general de los sistemas de conocimiento deterministas
representación del conocimiento
definición de conocimiento
tipos de conocimiento
Requerir
habilidad expresiva
Representación correcta y efectiva
disponibilidad
Propicio para un razonamiento eficaz.
Organizabilidad y mantenibilidad.
pueden organizarse en estructuras de conocimiento de alguna manera
comprensibilidad y alcanzabilidad
Fácil de leer, fácil de entender, fácil de obtener y fácil de implementar
método de visualización
tipo
conocimiento declarativo
El conocimiento mismo y el proceso de uso están separados uno del otro.
conocimiento transicional
Se combinan el conocimiento en sí y el proceso de uso.
método básico
enfoque no estructurado
lógica de predicados
producción
enfoque estructurado
red semántica
marco
razonamiento del conocimiento
definición
estructura
Analizar y sintetizar múltiples juicios para emitir nuevos juicios.
proceso
procesamiento del conocimiento
Principales formas de procesos mentales.
silogismo
Lineal (silogismo lineal)
condición
Probabilidad
método de razonamiento
lógica de razonamiento
interpretación
silogismo
inducción
Supuestos y pruebas
certeza del conocimiento
Seguro
incierto
Implementación de la máquina
Motor de razonamiento (programa que implementa el razonamiento)
Estrategia de control del razonamiento
Clasificación
estrategias de razonamiento
Estrategia de búsqueda
Método determinista de representación del conocimiento.
notación lógica de predicados
Conceptos básicos de la lógica
proposición
Oraciones declarativas (afirmaciones) con significado verdadero o falso
valor de verdad (el significado de una proposición)
V/F
dominio del discurso
El conjunto compuesto por todos los objetos en cuestión también pasa a ser el dominio individual.
predicado
Se utiliza para representar proposiciones en lógica de predicados, como P(x1,x2,...,xn). P:D^n->{T,F}. donde D^n={(x1,x2,...,xn)|x1,x2,xn∈D)
Es un mapeo de D a {T, F}. El valor verdadero es T o F y puede existir de forma independiente.
función
Mapeo de D a D, el valor de la función es el elemento en D, que solo puede existir como un individuo del predicado
conjunción
┐, ∧, ∨, →, ↔
cuantificador
∀, ∃
alcance del cuantificador
Se refiere a un único predicado o fórmula después de un cuantificador.
variables de restricción
La variable con el mismo nombre que el cuantificador en el dominio.
variable libre
Variables sin restricciones
Ejemplo clásico de representación lógica de predicados.
parte de condición
parte de acción
Eliminar tabla
Agregar tabla
Características
ventaja
Natural, claro, preciso, flexible, riguroso, modular y fácil de implementar
defecto
Pobre capacidad de representación del conocimiento.
sólo puede representar conocimiento determinista
Dificultades en la gestión de la base de conocimientos.
Falta de conocimiento de los principios organizativos.
Hay demasiadas combinaciones
Sólo puedo razonar ciegamente
La eficiencia del sistema es baja
Separación del cálculo del razonamiento y el significado del conocimiento.
notación de producción
método básico
hecho
concepto
Un hecho es una declaración que afirma el valor de una variable lingüística o una relación entre múltiples variables lingüísticas.
método de visualización
(objeto, atributo, valor)
(relación, objeto 1, objeto 2)
regla
forma
P->Q
SI A Y B ENTONCES C
característica
ventaja
natural, modular, eficaz
Baja eficiencia e inconveniente para expresar conocimiento estructural.
representación de red semántica
definición
Entidades y relaciones semánticas para expresar conocimiento en grafos dirigidos.
composición
nodo
arco
unidad semántica
(nodo 1, arco, nodo 2)
Elemento de red básico
relaciones semánticas básicas
Relación de instancia: ISA
Significado: es un
Realización: concreta y abstracta
Relación de clasificación (relación de generalización): AKO
significado: un
Realización: subclases y superclases.
Membresía: A-Miembro-de
Significado: ser miembro
Encarnación: individual y colectiva.
Relación de atributos: Tener
Significado: sí
Realización: tener un atributo
Relación de atributos: puede
Significado: puede
Manifestación: poder hacer algo.
Relación de inclusión (relación de agrupamiento): Parte de
Significado: parte de
Encarnación: parte y todo
Nota: No hay herencia de propiedades.
Relación temporal: antes/después
Significado: antes/después
Relación posicional: Locat-on/Locat-under/Locat-at
Significado: arriba/bajo/sobre…
Relación similar: similar a/cerca de
Significado: similar/cercano
razonamiento
heredar
Abstracción pasada a instancia
Cree una tabla de nodos y busque ISA, AKO, A-Member-of
fósforo
encontrar coincidencias
construir un fragmento
característica
ventaja
Estructural, asociativo, natural.
defecto
no rigor
Complejidad
notación de marco
teoría del marco
marco
Siempre que las personas agreguen cosas nuevas al marco, pueden formar una entidad específica.
marco de instancia
Para un marco, después de que las personas completan los detalles, obtienen ejemplos concretos.
sistema de marco
En la teoría del marco, el marco es la unidad básica de conocimiento.
Estructura del marco y representación del marco.
Marco<nombre del marco>
Nombre de ranura 1: Nombre lateral 1 valor 1, valor 2,...
sistema de marco
retrato
AKO e ISA
Horizontal
Características de la representación del marco.
ventaja
Estructural, profundo, heredado, natural, capaz de expresar causa y efecto.
defecto
Falta de teoría formal del marco, falta de conocimiento del proceso, dificultad para garantizar la claridad.
Método de razonamiento determinista del conocimiento.
razonamiento de producción
estructura basica
base de datos completa
Almacenar diversa información para el proceso de razonamiento.
estado inicial del problema
hechos de entrada
Conclusiones intermedias y finales.
como base para la selección de procesos de razonamiento
Base de reglas (base de conocimientos)
efecto
Almacena todas las reglas necesarias para el razonamiento.
Es la base de los sistemas de producción para poder razonar.
Requerir
Completo, consistente, preciso, flexible, organizable.
Sistema de control (motor de inferencia)
efecto
Operación del sistema de control
Tarea
Seleccionar partido
Seleccione reglas de la base de reglas de acuerdo con una estrategia determinada y combínelas con hechos conocidos en la base de datos completa
la resolución de conflictos
Para reglas coincidentes exitosamente, ejecútelas de acuerdo con una estrategia determinada.
realizar operaciones
Agregue las conclusiones extraídas a la base de datos completa y continúe la ejecución si hay otras operaciones.
Razonamiento de rescisión
Compruebe si la base de datos sintética contiene el objetivo y detenga la inferencia si es así
Lu Jin explica
Recuerde la secuencia de reglas aplicadas y proporcione una explicación del problema.
método de razonamiento
razonamiento directo
razonamiento inverso
razonamiento híbrido
razonamiento deductivo natural
Base lógica
Equivalencia
estilo yongzhen
reemplazar
unidad
método
Empuja fuerte
razonamiento deductivo inductivo
La base lógica del razonamiento inductivo y deductivo.
verdadero y falso
autenticidad eterna
Cualquiera está satisfecho
Satisfacción (compatibilidad)
Hay al menos un individuo cuyo valor es verdadero.
Falsedad permanente (incompatibilidad)
No satisfecho
paradigma
paradigma de convergencia
Todos los cuantificadores aparecen de forma no negativa al principio de la fórmula y gobiernan toda la fórmula.
paradigma de skolem
Según el paradigma del paquete frontal, todos los cuantificadores existenciales están delante del cuantificador universal.
Conjuntos de cláusulas y su simplificación.
cláusula
Palabra
Fórmula de predicado atómico y su negación.
cláusula
La disyunción de cualquier literal se convierte en cláusula.
cláusula vacía
cláusula sin ningún texto
vacaciones permanentes
Recordar como □ o NIL
conjunto de cláusulas
En lógica de predicados, cualquier fórmula de predicados se puede convertir en un conjunto correspondiente de cláusulas aplicando relaciones de equivalencia y reglas de inferencia.
Simplificación de conjuntos de cláusulas
Eliminar "→" y "↔" en fórmulas de predicados
P→Q se puede escribir como ┐P∨Q
P↔Q se puede escribir como (P∧Q)∨(┐P∧┐Q)
Reducir el alcance de los símbolos de negación para que solo se apliquen a un predicado
┐(┐P) se puede escribir como P
┐(P∧Q) se puede escribir como (┐P)∨(┐Q)
┐(P∨Q) se puede escribir como (┐P)∧(┐Q)
┐(∀x)P(x) se puede escribir como (∃x)┐(P(x))
┐(∃x)P(x) se puede escribir como (∀x)┐(P(x))
Estandarizar las variables
Cambie el nombre del cuantificador para que las variables restringidas por diferentes cuantificadores tengan nombres diferentes.
paradigma de convergencia
Mueve todos los cuantificadores a la izquierda de la fórmula, teniendo cuidado de no cambiar su orden relativo al moverlos.
eliminar el cuantificador existencial
Si hay un cuantificador que no aparece en el alcance del cuantificador universal (es decir, no hay ningún cuantificador global a su izquierda)
Reemplazar la variable de la restricción con una nueva constante individual
Por ejemplo, (∃x)P(x) se puede escribir como P(y)
Si hay un cuantificador en el alcance del cuantificador universal (es decir, no hay ningún cuantificador global a su izquierda)
Reemplace el argumento y con la función Skolem
Si y está dentro del alcance de x, entonces y se puede escribir como f(x)
en formato estándar de Skolem
Reducir la jurisdicción de ∨ para que ∨ solo actúe sobre un predicado
P∨(Q∧R) se puede escribir como (P∨Q)∧P(P∨R)
eliminar el cuantificador universal
Porque todas las variables están restringidas por cuantificadores universales y los cuantificadores globales no tienen nada que ver con el orden.
se puede omitir directamente
Elimina la conjunción ∧
Convierta la fórmula del predicado en un conjunto de cláusulas
Cambiar nombre de variable
El mismo nombre de argumento no aparece en dos cláusulas
característica
No es único debido a la Skolemización, pero no afecta la satisfacibilidad
La condición necesaria y suficiente para que la fórmula del predicado F no pueda satisfacerse es que el conjunto de cláusulas no pueda satisfacerse.
Principio de reducción de Robinson
Idea básica
Existe una relación conjuntiva ∧ entre las cláusulas. Por lo tanto, mientras no se cumpla una cláusula, no se cumple el conjunto completo de cláusulas.
Si un conjunto de cláusulas contiene una cláusula vacía, entonces el conjunto de cláusulas no puede satisfacer
Primero, niega la pregunta que quieres probar y agrégala al conjunto de cláusulas. Verifique que el conjunto de cláusulas tenga una cláusula vacía. Si hay una cláusula vacía, significa que la negación de la pregunta es falsa, en caso contrario continúa la reducción. Es verdad si es verdad, no importa cómo lo reduzcas.
Lógica proposicional
razonamiento reductivo
texto complementario
Si P es una fórmula de predicado atómico, entonces P y ┐P son complementarios
bajar a
C1C2 es una cláusula (solo disyunción ∨). C1 tiene L1 y C2 tiene L2. Si L1 y L2 son complementarios, se elimina L1L2. Presione la disyunción ∨ en la parte restante para obtener la nueva cláusula C12. C1 y C2 son cláusulas principales de C12
característica
Los resultados son los mismos, pero el proceso no es único.
en conclusión
C12 es la conclusión lógica de C1 y C2.
Si C1 y C2 son verdaderos, entonces C12 debe ser verdadero.
Después de que C12 reemplaza a C1 y C2, la insatisfacibilidad del nuevo conjunto de cláusulas S1 se puede derivar de la insatisfacibilidad de S
Después de que C12 se une a C1 y C2, la insatisfacción del nuevo conjunto de cláusulas S1 puede inferir mutuamente la insatisfacción de S.
lógica de predicados
reducirse a la lógica
Cuando no hay variables públicas, se realiza una operación de unificación, registrada como {a/y}
Cuando haya variables públicas, reemplácelas primero y luego combínelas en una.
No se pueden eliminar dos parejas al mismo tiempo
Si das vueltas en círculos o no tienes solución, comprueba si hay algún problema con el proceso.
Si hay variables internas que se pueden unificar, primero se deben unificar internamente.
Métodos de razonamiento deductivo.
principio
Método de razonamiento automático basado en el principio de reducción de Robinson.
proceso
fórmula de meta negativa
Pon tus objetivos en un conjunto de fórmulas
Convertir el conjunto de fórmulas en un conjunto de cláusulas
Resumir un conjunto de cláusulas.
Un ejemplo simple de sistema de conocimiento determinista.
Razonamiento de incertidumbre
Conceptos básicos del razonamiento de incertidumbre.
El significado del razonamiento de incertidumbre.
Partiendo de evidencia inicial incierta, utilizando conocimiento incierto para derivar conclusiones inciertas pero razonables o básicamente razonables.
El ámbito de aplicación del razonamiento de incertidumbre.
Conocimientos incompletos e inexactos.
descripción vaga
Múltiples razones llevan a la misma conclusión
El resultado no es único.
Cuestiones básicas en el razonamiento de la incertidumbre
Representación de incertidumbre del conocimiento.
Consideraciones
Capacidad de descripción de problemas, cálculo de incertidumbre en el razonamiento.
significado
El grado de certeza del conocimiento, o fuerza estática.
método de visualización
Probabilidad[0,1]
Credibilidad[-1,1]
Expresión de incertidumbre de la evidencia
Tipo de evidencia
organización de evidencia
evidencia básica
Combinando evidencia
Disyunción o unión. Basado en evidencia básica, existen métodos máximo-mínimo, métodos probabilísticos, métodos acotados, etc.
Fuente de evidencia
inicial, medio
método de visualización
Probabilidad, credibilidad, conjuntos difusos.
Coincidencia incierta
significado
Condiciones previas inciertas coinciden con hechos inciertos
Método de cálculo
Diseñe un algoritmo para calcular el grado de similitud y dar un límite de similitud para ver si cae dentro del límite.
Actualización incierta
Cómo utilizar la incertidumbre en la evidencia para actualizar la incertidumbre en las conclusiones
Diferentes métodos lo manejan de manera diferente
Si la incertidumbre de las conclusiones intermedias se traslada a la revelación final
Coloque la conclusión actual y su incertidumbre en la base de datos como una nueva conclusión y pásela.
Síntesis de conclusiones inciertas
Múltiples conocimientos diferentes conducen a la misma conclusión, pero con diferente credibilidad.
Tipos de razonamiento de incertidumbre
Métodos numéricos
basado en la probabilidad
enfoque de credibilidad
Bayes subjetivo
teoría de la evidencia
razonamiento probabilístico
razonamiento confuso
métodos no numéricos
razonamiento de credibilidad
El concepto de credibilidad.
La credibilidad es el grado en que las personas creen que una determinada cosa o fenómeno es cierto, y tiene un cierto grado de subjetividad.
modelo de inferencia de credibilidad
Representación de reglas
SI E ENTONCES H(CF(H,E))
definición
E es la premisa, H es la conclusión y CF es credibilidad.
CF(H,E)
El rango de valores es [-1,1]
CF(H,E)=MB(H,E)-MD(H,E)
definición
MB es crecimiento de la confianza
MD es la tasa de crecimiento de la desconfianza.
en conclusión
Mutuamente excluyentes, uno de los dos debe ser 0
El rango de valores es [-1,1]
Puede empujar hacia adelante y hacia atrás
MB(H)=MD(┐H)
MB(H)MB(┐H)=0
La credibilidad no es probabilidad y no satisface P(H) P(┐H)=1
calcular
Calcular la confianza de una sola pieza de evidencia en una conclusión.
Actualizar fórmula
CF(H)=CF(H,E)*máx(0,CF(E))
No considerar que el impacto de CF sea falso sobre H
Combinando evidencia
Conjunción y: toma el valor mínimo
Disyunción o: tomar el valor máximo
Calcular la confianza de una sola pieza de evidencia en una conclusión.
Fórmula sintética
Si no se puede completar la división, redondee a dos decimales.
solicitud
Sistema experto en diagnóstico hematológico MYCIN
Razonamiento bayesiano subjetivo
Conceptos básicos de la teoría de la probabilidad
Fórmula de probabilidad total, probabilidad bayesiana
modelo de inferencia
método principal
Actualizar la probabilidad posterior de H
Representación de reglas
SI E ENTONCES (LS,LN) H
definición
(LS,LN)
Se utilizan para representar la intensidad del conocimiento.
LS
medida de suficiencia
LN
medida de necesidad
BUEY)
función de probabilidad
P(x)=0↔O(x)=0
P(x)=1↔O(x)=∞
O(X)=P(X)/(1-P(X))
P(X)=O(X)/(1 O(X))
en conclusión
O(H|E)=LS*O(H)
O(H|┐E)=LN*O(H)
naturaleza
LS
LS>1
E apoya a H. Cuanto más grande es LS, más E apoya a H.
Cuando LS se acerca a ∞, P(H|E) se acerca a 1, lo que significa que E hará que H sea verdadera.
LS=1
E no tiene ningún efecto sobre H
LS<1
E no soporta H. Cuanto más pequeño es LS, más completamente E no soporta H.
Cuando LS = 0, P (H | E) = 0, lo que significa que E hará que H sea falso
LN
Reemplace la E en LS con ┐E
calcular
Calcular la confianza de una sola pieza de evidencia en una conclusión.
Actualizar fórmula
Cuando E es definitivamente cierta
Cuando E es definitivamente falsa
Cuando E no tiene nada que ver con S
Otros casos
Combinando evidencia
Mira P(E|S)
Conjunción y: Tome el valor mínimo y descarte directamente la evidencia más grande.
Disyuntiva o: tomar el valor máximo y descartar directamente la prueba más pequeña
Calcular la confianza de múltiples pruebas en una conclusión.
En medio del cálculo, la composición se sintetiza y puede heredarse más adelante.
solicitud
Sistema experto en exploración geológica y minera PROSPECTOR
razonamiento confuso
conjunto difuso
concepto
μF es la función de pertenencia y F es el conjunto difuso de U
Cuanto mayor es μ(u), mayor es el grado de membresía.
Los conjuntos difusos y sus funciones de membresía no son equivalentes
expresar
Discreto
Aviso
/ es el delimitador, no el signo de división
Es un conector, no un signo más.
Cuando el grado de membresía es 0, se puede omitir, pero no se recomienda.
ejemplo
F=1/20 0,8/30
Continuo
ejemplo
Método de representación general
Aviso
∫ es un símbolo relacional, no un símbolo integral en matemáticas.
Operación
F⊆G
Para cualquier u perteneciente a U, existe μF(u)<=μF(u)
F∪G
Para cada u, tome el valor máximo de los dos
F∩G
Para cada u, tome el valor mínimo de los dos
Subtema 2
┐F (complemento)
Para cada u, tome 1-μF(u)
coincidencia de conceptos difusos
distancia semántica
definición
ejemplo
efecto
idoneidad
definición
1-d(F,G)
Se puede dar un umbral para determinar si dos conceptos coinciden.
cercanía
Tenga en cuenta que el producto exterior debe complementar los elementos omitidos con una membresía de 0.
relación difusa
definición
Similar al producto cartesiano
La construcción de relaciones difusas
definición
Similar al producto cartesiano, primero se toma el valor menor y luego el valor mayor.
ejemplo
U es fila, V es columna
Síntesis de relaciones difusas
definición
Similar a la multiplicación de matrices, al calcular cada posición, "tome primero la pequeña y luego la grande".
ejemplo
transformación de desenfoque
La síntesis de operaciones y relaciones difusas.
Método de inferencia difusa
Según el modo de razonamiento dado, se realiza mediante la síntesis de conjuntos difusos y relaciones difusas.
Representación difusa del conocimiento
regla
SI x es F ENTONCES y es G
evidencia
x es F`
Método de inferencia difusa
razonamiento hipotético confuso
definición
ejemplo
razonamiento difuso resistente
definición
ejemplo
silogismo hipotético
definición
ejemplo
Tecnología de búsqueda inteligente
Resumen de búsqueda
significado
buscar
Utilizar el conocimiento para construir una ruta de razonamiento con el menor costo.
Busqueda inteligente
Un algoritmo que utiliza información intermedia obtenida durante el proceso de búsqueda para guiar la búsqueda en la dirección óptima.
tipo
Basado en la búsqueda espacial.
espacio de Estados
un algoritmo
Un algoritmo*
Y/O ÁRBOL
método de reducción de problemas
árbol de juego
Algoritmo máximo/mínimo
poda α-β
Basado en algoritmo aleatorio
Mecanismo de evolución
algoritmo genético
optimización inmune
algoritmo inmune
Optimización de la población
Algoritmo de colonia de hormigas
Algoritmo de enjambre granular
modelo estadístico
Algoritmo modelo Carlo
Otros metodos
Algoritmo de búsqueda de escalada de colinas
algoritmo de recocido simulado
Método de resolución de problemas del espacio de estados.
Representación del problema del espacio de estados
estado
Una estructura de datos que representa el estado del problema de cada paso en el proceso de resolución del problema, que puede representarse mediante un vector.
funcionar
También llamado operador, transforma un estado en otro y describe la relación entre estados.
espacio de Estados
Se utiliza para describir todos los estados de un problema y las relaciones entre estados, que pueden representarse mediante un triple (S, F, G)
S
estado inicial
F
Conjunto de operaciones
GRAMO
estado objetivo
se puede representar mediante un gráfico dirigido
El nodo representa el estado
Los bordes representan operaciones
Proceso de resolución de problemas
Elija el estado y la acción adecuados
A partir de un estado inicial, cree una secuencia de operaciones utilizando una operación a la vez hasta alcanzar el estado objetivo.
La secuencia de operadores utilizados desde el estado inicial hasta el estado objetivo es una solución
Método de resolución de especificación de problemas.
Idea básica
Descomponer o transformar de manera equivalente el problema en una serie de subproblemas simples.
El proceso de realizar una búsqueda en un gráfico AND-OR con el objetivo de indicar que el nodo inicial tiene solución. Es decir, la búsqueda no es encontrar una ruta al nodo objetivo, sino encontrar un árbol de soluciones.
método de visualización
Y/O ÁRBOL
definición
nodo final
Nodo sin nodos secundarios
Nodo de terminación
problema original
Preguntas que se pueden responder directamente (salida recursiva)
El nodo correspondiente al problema original.
Nodos solubles
Cualquier nodo terminal es un nodo solucionable.
Si es un nodo 'OR', cuando al menos uno de sus nodos secundarios es un punto resoluble, es un punto resoluble.
Si es un nodo 'Y', cuando todos los nodos secundarios son puntos resolubles, es un punto resoluble.
árbol de soluciones
Consiste en puntos de préstamo con solución y, a partir de los nodos con solución, se puede deducir que el nodo inicial es un punto de préstamo con solución. Dicho subárbol es un árbol de solución.
Estrategias ciegas para la búsqueda.
profundidad y amplitud
Búsqueda heurística del espacio de estados.
información inspiradora
Información que puede guiar tu búsqueda
función de valoración
Estimar la importancia del nodo
f(n)=g(n) h(n)
g(n)
El costo real desde el nodo inicial S0 hasta el nodo n
h(n)
El costo estimado de la ruta óptima desde n hasta el nodo objetivo Sn
un algoritmo
Seleccione una expansión con la estimación más pequeña de todos los nodos en la tabla Abrir
Un algoritmo*
Haga las siguientes restricciones sobre g(n) y h(n) en el algoritmo A
g(n) es la estimación del costo mínimo g*(n), y g(n)>0
h(n) es el límite inferior del costo mínimo h*(n), es decir, h(n)<=h*(n)
Búsqueda heurística con/o árboles
El costo de resolver el árbol.
Si n es el nodo terminal, el costo h(n)=0
Si n es un nodo OR
Costo h(n)=(costo del nodo hijo costo del nodo n al nodo hijo) valor mínimo
Si n es un nodo AND
y método de consideración
Costo h(n)=(costo del nodo secundario desde el nodo n al nodo secundario) y luego suma
método de costo máximo
Costo h(n)=(costo del nodo hijo costo del nodo n al nodo hijo) valor máximo
Si n es un nodo final, pero no un nodo terminal
Costo h(n)=∞
árbol de esperanza
El árbol que tiene más probabilidades de convertirse en el árbol de solución óptima durante el proceso de búsqueda.
Generalmente, se expanden dos capas a la vez.
Búsqueda heurística de árboles de juego.
juego
Características
Tu propio turno es "O", y el turno del oponente es "Y"
Alternar con o nodos
proceso minimax
Genere un árbol de juego parcial y evalúe los nodos de las hojas.
nodo de hoja
Se toma un valor positivo cuando es beneficioso para nosotros y un valor negativo cuando es beneficioso para la otra parte.
nodo no hoja
Empujar hacia arriba desde los nudos de las hojas.
Para nuestro nodo, seleccionamos el nodo con la valoración más grande cada vez, por lo que el valor de nuestro nodo debe ser el valor máximo del nodo sucesor.
Para el nodo oponente, cada vez se selecciona el nodo con la valoración más pequeña, por lo que el valor de nuestro nodo debe ser el valor mínimo del nodo sucesor.
poda α-β
Las aristas generan nodos y las aristas evalúan nodos.
Nuestro nodo-> valor α: el valor máximo del nodo hijo actual
Nodo opuesto-> valor β: el valor mínimo del nodo secundario actual
El valor predeterminado es "yo" voy primero
método de poda
poda alfa
Si el valor beta de cualquier nodo oponente es menor o igual al valor alfa del nodo predecesor, la búsqueda se detendrá.
El nodo raíz del subárbol podado está en el nivel α, que es poda α.
poda β
Si el valor α de cualquiera de nuestros nodos es mayor o igual que el valor β del nodo predecesor, la búsqueda se detendrá.
El nodo raíz del subárbol podado está en el nivel β, que es poda β.
algoritmo genético
definición
proceso
codificación
tipo
codificación binaria
definición
Transformar la estructura del problema original en la estructura de cadena de bits del cromosoma.
funcionar
Primero determine la longitud l, que está relacionada con el dominio de la variable y la precisión del cálculo.
defecto
En binario, 7 y 8 son muy similares, pero hay una gran diferencia entre 0111 y 1000 (Hamming Cliff)
código gris
definición
Una mejora de la codificación binaria que requiere que la codificación de dos números enteros consecutivos solo pueda diferir en un bit de código.
funcionar
codificación real
Características
punto flotante
Ámbito de aplicación
Alta precisión, multidimensional
Codificación de caracteres
función de fitness
Funciones de fitness más utilizadas
función de fitness original
ventaja
Refleja directamente el objetivo original.
defecto
Pueden aparecer números negativos
función de fitness estándar
extremadamente pequeño
excelente
transformación acelerada
Operaciones básicas
Seleccione la acción
Selección de proporción
Ruleta
Cuanto mayor sea el valor de aptitud, mayor será la posibilidad de ser seleccionado.
estanque de cría
ordenar selección
opciones competitivas
Selección de torneo
operación cruzada
definición
recombinación genética parcial
tipo
cruce binario
cruce de un solo punto
Sin cambios antes de cierto punto, intercambio después de cierto punto
Cruz de dos puntos
Un intercambio entre dos puntos, sin cambios antes y después.
cruce multipunto
cruzar uniformemente
cruce sustancial
operación de mutación
tipo
mutación binaria
Cambia entre 0↔1
variación sustancial
En el proceso de evolución biológica, la selección funciona a través de la herencia y la mutación y, al mismo tiempo, la mutación y la herencia se desarrollan en la dirección de la adaptación al medio ambiente.
aprendizaje automático
Descripción general del aprendizaje automático
concepto de aprendizaje
Perspectiva psicológica del aprendizaje.
Basado en la ciencia del cerebro y la ciencia cognitiva.
Clasificación
perspectiva conexionista
La esencia del aprendizaje es la formación de conexiones.
perspectiva epistemológica
La esencia del aprendizaje es el cambio de la estructura cognitiva en la mente del alumno.
Cambiar
Comportamiento
potencial de comportamiento
centro
Marcado por cambios en el comportamiento y el potencial de comportamiento.
Cambios de comportamiento causados por la experiencia.
Los cambios de comportamiento duran más
Una perspectiva de inteligencia artificial sobre el aprendizaje.
adquisición de conocimientos
centro
mejora de habilidades
resultado
explicación general
Conceptos de aprendizaje automático
¿Qué es el aprendizaje automático?
Simulación automática del aprendizaje humano.
Contenido principal de la investigación
simulación cognitiva
Análisis teorico
investigación orientada a tareas
sistema de aprendizaje automático
Tener un ambiente de aprendizaje apropiado.
Tener cierta capacidad de aprendizaje.
Capacidad para utilizar los conocimientos aprendidos para resolver problemas.
Mejora tu propio rendimiento a través del aprendizaje
Tipos de aprendizaje automático
¿Existe orientación de un mentor?
aprendizaje supervisado
Estilo de aprendizaje clasificado
aprendizaje sin supervisión
enfoque de aprendizaje generativo
aprendiendo estrategias
Aprendizaje de memoria, enseñanza aprendizaje, aprendizaje deductivo, aprendizaje inductivo
Áreas de aplicación
Aprendizaje idéntico a experto, aprendizaje de robots, aprendizaje de comprensión del lenguaje natural
Modelo básico de sistema de aprendizaje automático.
ambiente
El sistema de aprendizaje percibe una colección de información externa, que también es una fuente externa.
sesión de aprendizaje
Organizar, analizar y formar información proporcionada por el medio ambiente y colocarla en la base de conocimientos.
base de conocimientos
Almacenar información procesada
Enlace de ejecución
Realizar tareas basadas en la base de conocimientos.
aprendizaje de memoria
Búsqueda memorizada
Cambia espacio por tiempo
estructura de almacenamiento
estabilidad ambiental
Compensación entre memoria y computación
Programa de damas de Simon
Aprende con el ejemplo
tipo
fuente de ejemplo
Profesores, propios alumnos, entorno externo.
Tipo de ejemplo
Utilice sólo ejemplos positivos
Utilice ejemplos positivos y negativos.
Modelo
espacio muestral
colección de ejemplos
proceso de inducción
El proceso inductivo de abstraer el conocimiento general a partir de ejemplos.
espacio regular
colección de varias leyes
Proceso de verificación
Seleccione nuevas instancias del espacio de ejemplo para verificar y modificar aún más las reglas que acabamos de resumir.
Los ejemplos positivos producen conceptos, mientras que los contraejemplos no amplían la extensión y los contraejemplos la estrechan.
método inductivo
constante a variable
eliminar condiciones
Agregar opciones (∨ operación)
Ajuste de curvas (método de mínimos cuadrados)
Aprendizaje del árbol de decisión
El concepto de árbol de decisión.
En un árbol de decisión, existe una relación conjuntiva entre todos los atributos en el mismo camino.
algoritmo ID3
concepto
Un algoritmo de aprendizaje basado en la velocidad decreciente de la entropía de la información como criterio de selección de atributos.
Divida los subárboles según el principio de maximizar la disminución de la entropía de la información y construya gradualmente un árbol de decisiones.
entropía de la información
definición
La entropía de la información es una medida de la incertidumbre general de la fuente de información. Cuanto menor es su valor, menor es la incertidumbre de la fuente de información.
Fórmula de cuantificación de entropía
La probabilidad y la entropía de la información son dos caras de la misma moneda de eventos aleatorios
Probabilidad
¿Qué posibilidades hay de que suceda algo?
Caracterizando la certeza
entropía de la información
¿Cuántas posibilidades tiene algo?
Caracterizando la incertidumbre
calcular
Distribuidos equitativamente
Un evento tiene m situaciones igualmente probables, entonces su entropía es norte=log(m)
base
2
bits
Común, predeterminado
mi
nat
Cálculo diferencial
10
Campana
lingüística
distribución general
definición
entender
entropía conjunta
ganancia de información
definición
Una medida de la diferencia entre dos cantidades de información.
entropía de información ponderada
fórmula
paso
(4)
Calcular la entropía de la información E(S,X)
Nota: S es un nodo. Si es un nodo secundario, todo S debajo debe reemplazarse por Si i es el número del nodo secundario.
Para cada atributo xi por separado
Calcule su correspondiente entropía de información ponderada E(S,xi)
Primero escriba qué elementos y proporciones hay en St, calcule la entropía de información E(St,X) de St y repita este proceso hasta completar todos los cálculos.
Luego ingrese la fórmula para calcular E((S,X),xi)
Calcule su ganancia de información correspondiente G(S,Xi)
Ampliar el atributo con mayor ganancia de información.
Aprendizaje de conexión de redes neuronales artificiales
Descripción general
Redes neuronales artificiales
concepto
Las neuronas artificiales están conectadas topológicamente.
abreviatura
ANA
estructura
entrada, cálculo, salida
Aprendizaje conectado
Completar la corrección y estabilización de los pesos de conexión sináptica.
Clasificación
capa poco profunda
sensor
red BP
Red Hopfield
Profundo
Mecanismo biológico de la red neuronal artificial.
estructura
dendritas
ingresar
cuerpo de la célula
calcular
axón
producción
tipo
Clasificación según el número de protuberancias.
Clasificación según las propiedades electrofisiológicas de las neuronas.
Clasificación según la función de las neuronas.
Estructura y modelo de neuronas artificiales y redes neuronales artificiales.
Estructura y modelo
neuronas artificiales
estructura
modelo MP
tipo
tipo de umbral
Tipo lineal por partes fuertemente saturado
tipo S
Tipo acumulativo subumbral
El modelo neuronal puede verse como un clasificador simple.
Redes neuronales artificiales
concepto
Una red formada por la interconexión de neuronas artificiales
Clasificación
Características
procesamiento masivamente paralelo
Almacenamiento distribuido de información.
tener capacidad de aprendizaje
La estructura de interconexión (topología) de las redes neuronales artificiales.
red de avance
concepto
Contiene solo uniones directas
red de avance de capa única
Solo contiene una capa de entrada y una capa de salida, y solo las neuronas de la capa de salida son nodos computables.
red de avance multicapa
Además de la capa de entrada y la capa de salida, también contiene al menos una o más capas ocultas.
red BP
red de retroalimentación
concepto
Puede contener conexiones de retroalimentación y conexiones de bucle.
red de retroalimentación de una sola capa
Red de retroalimentación sin capas ocultas
red de retroalimentación multicapa
Red de retroalimentación con capa oculta.
Red Hopfield
La estabilidad se describe mediante la función de energía.
Modelo superficial de red neuronal artificial.
modelo de perceptrón
Objetivo
Clasificar la entrada externa
Si la entrada externa es linealmente separable (que satisface Σ (Wij * xi-θj) = 0), entonces se puede dividir en dos categorías.
La topología de red de un perceptrón de una sola capa es una red de alimentación directa de una sola capa.
El perceptrón de una sola capa resuelve problemas linealmente separables
Un perceptrón de una sola capa contiene una capa de entrada y una capa de salida.
perceptrón
En realidad, el perceptrón clasifica diferentes puntos construyendo un hiperplano.
El concepto de aprendizaje se introdujo por primera vez en el perceptrón, que simulaba hasta cierto punto la función de aprendizaje del cerebro humano.
La mayor diferencia entre el modelo de perceptrón y el de neuronas es que el modelo de perceptrón puede aprender de muestras de entrenamiento.