人工智能教学资料 人工智能笔记.pdfVIP

第?一部分：逻辑（logic） 1-1、概述 逻辑是?人对于知识的定义和解释，主要分为两种 命题逻辑（propositional logic）：?比较基础，适?用于?一些?人?工智能问题 ?一阶逻辑（first order logic）：更有表达能?力，在?人?工智能领域使?用较为??广泛 1-2、命题逻辑（propositional logic） 1-2-1、组成 逻辑常量：真值，假值 命题符号：表?示原?子命题，语义由使?用者定义 括号 连接符：析取（∧），合取（∨），蕴含（ ），等值（ ），?非（ ） 1-2-2、真值表（truth table） 真值表?用来说明命题中的原?子命题为真值或假值的情况下命题的真假 当命题中的原?子命题的真值确定时命题的真值也随之确定 1-2-3、模型与知识库（model and knowledge base） 知识库：多个命题的集合 模型：使得知识库中全部命题都为真时的原?子命题真值组合 1-2-4、恒真命题，?矛盾与导出（tautology, contradiction and entail） 恒真命题：不论命题中的原?子命题的真值，命题都为真 ?矛盾：不论命题中的原?子命题的真值，命题都为假 P导出Q（记为P |= Q）：当命题P为真时，命题Q也为真 此时命题P的模型也是命题Q的模型 1-2-5、优缺点 优点：命题的真假与上下?文?无关 缺点：表达能?力有限 1-3、?一阶谓词逻辑（first-order predicate logic） 1-3-1、组成 对象：表?示?一个具体对象 谓词符号：表?示对象的属性 量词：全称量词（ ），存在量词（ ） 1-3-2、谓词逻辑的作?用域 1、如果量词后?面有括号就作?用在括号范围内 2、如果量词后?面没有括号就负责到连接符之前 3、如果量词后?面还是量词就作?用到后?面那个量词的作?用域 1-3-3、命题证明 ?一般通过转换成对应?比较好证明的等价命题进?行证明 第?二部分：数学基础（foundation of mathematics） 2-1、概率论基础（probability） 乘法定律： 加法定律： 2-2、期望，中位数，众数与?方差（expectation, median, mode and variance） 2-2-1、期望 离散型变量的期望： 连续型变量的期望： 期望的性质： 2-2-2、?几何平均数（geometric mean） 2-2-3、中位数 当X(1..n)为有序时，在n为奇数的情况下： 在n为偶数的情况下： 2-2-4、众数 2-2-5、?方差 2-2-6、协?方差（covariance），协?方差矩阵与相关系数（correlation coefficient） 假设多变量 下的m组数据 协?方差矩阵为： 注：对于样本数据集来说要除的是m - 1，?而不是m 变量Cj和Ck的相关系数为： 注：相关系数只对于两个变量?而?言 例题?一：假设数据样本 其协?方差矩阵为 相关系数为 2-3、数据质量及数据类型 2-3-1、数据质量 精度：数据的聚合程度，?一般通过标准差进?行衡量 偏移量：通过与均值进?行?比较 2-3-2、随机变量类型 离散型随机变量： 伯努利随机变量 泊松随机变量 连续型随机变量： 均匀分布随机变量 正态分布随机变量 2-3-3、数据类型 标定数据(nominal data)：仅具有名称上的含义，没有数学上的含义 有序数据(ordinal data)：具有顺序含义的数据 区间数据(interval data)：某个区间段的数据 ?比例数据(ratio data)：连续型数据 2-4、距离 Minkowski距离 city-block距离 Euclidean距离 Supermum距离 2-5、熵（entropy） 信息熵（单位：bit） 联合熵与条件熵（单位：bit） 第三部分：分类（classification） 3-1、概述 传统分类主要分成两步： 1、训练：将已知类别标签的数据作为训练集对模型（分类器）进?行训练 2、测试：将未知标签的数据作为测试集测试模型（分类器）的准确度 衡量指标：准确性，速度，鲁棒性，可扩展性，可解释性 3-2、决策树(decision tree) 3-2-1、概述 特征：树状结构，内部节点表?示基于某个属性的分裂，分?支表?示不同的属性，叶节点表?示最终的 数据分布 训练过程：初始化所有数据分布在?一个节点（根节点）上，然后这个根节点通过选择属性进?行分 裂。直到没有多余的可以分裂的属性或每个叶节点的样本都是?一个类别的。 测试过程：去掉