广工人工智能2014复习大纲PPT.ppt

表示方法—产生式规则表示法 产生式系统基本结构 推理机 数据库 规则库 知识库 产生式系统结构图 表示方法—产生式规则表示法 产生式系统基本结构 工作存储器(数据库)：存放当前已知的数据，包括推理过程中形成的中间结论。数据是广义的，可以是常量、多元数组、谓词、表示结构等。 产生式规则：每条产生式规则分为左右两个部分。左部表示激活该产生式规则的条件，右部表示调用该产生式规则后所作的动作。条件是一组复杂的模式，规则之间的控制也不是语句的传递，而且满足条件的规则被激活但不一定立即执行，取决于产生式系统的冲突消解策略。 表示方法—产生式规则表示法 产生式系统基本结构 ……. 规则解释程序 匹配器：判断规则条件是否成立。 冲突消解器：选择可调用的规则。 解释器：执行规则的动作。并且在满足结束条件时终止产生式系统运行。 表示方法—产生式规则表示法 推理方法： 正向、 反向、 双向。 表示方法—语义网络表示法 表示形式 每一个要表达的事实用一个“结点”表示，而事实之间的关系用“弧线”表示。即，有向图表示的三元组，（结点1， 弧，结点2）连接而成。 表示方法—语义网络表示法 类属关系：如A-Kind-of、A-Member-of、Is-a 包含关系：如Part-of 属性关系：如have、can 位置关系：如located-on、at、under、inside 相近关系：如similar-to、near-to 时间关系：如before、after 表示方法—语义网络表示法 推理方法 网络匹配：结构上的匹配，包括结点和弧的匹配 继承推理：“具体与抽象”、“个体与集体”的属性继承，即处在具体层的结点可以继承抽象层结点的所有属性。 表示方法—框架表示法 表示方法—框架表示法 推理方法： 匹配：和语义网络一样遵循匹配原理。 槽计算：继承（属性值、属性、限制）， 附加过程，即附加在数据结构上， 启动时计算槽值。 机器学习 — 概述 机器学习模型 学习是建立理论、形成假设和进行归纳推理的过程。 整个过程包括：信息的存储、知识的处理两部分 环境 学习环节 知识库 执行环节 机器学习 — 概述 分类：按学习策略 机械式学习，直接输入新知识（记忆学习） 学习者不需要进行任何推理或知识转换，将知识直接装进机器中。 根据示教学习（传授学习、指点学习） 从老师或其它有结构的事物获取知识。要求学习者将输入语言的知识转换成它本身的内部表示形式。并把新的信息和它原有的知识有机地结合为一体。 ………. 机器学习 — 概述 ………. 通过类推学习（演绎学习） 学习者找出现有知识中所要产生的新概念或技能十分类似的部分。将它们转换或扩大成适合新情况的形式，从而取得新的事实或技能。 从例子中学习（归纳学习） 给学习者提供某一概念的一组正例和反例，学习者归纳出一个总的概念描述，使它适合于所有的正例且排除所有的反例。（目前研究较多的一种方法） ………. 机器学习 — 概述 ………. 类比学习 演绎学习与归纳学习的组合。匹配不同论域的描述、确定公共的结构。以此作为类比映射的基础。寻找公共子结构是归纳推理，而实现类比映射是演绎推理。 实例学习 － 两个空间模型 规则空间 归纳方法：从特殊到一般的推理 ，把已有的知识总结归纳推广。但归纳出来的知识不能保证正确(不怕一万只怕万一)。 归纳方法的过程就是搜索过程，找到包含在少数例子中的正确信息。需要经常检验，用新例子去否定归纳出的错误规则。即解释例子和选择例子的反复，反复于例子空间和规则空间之间。 实例学习 － 两个空间模型 Winston的积木世界中的“拱” 概念的学习。 实例学习 －学习单个概念 变形空间法 变形空间方法以整个规则空间为初始的假设规则集合H，进行一般化或特殊化处理。逐步缩小集合H，最后使H收敛为只含有要求的规则，故称为变形空间。 具体方法：消除候选元素法。 决策树学习（概述） 决策树学习是以实例为基础的归纳学习。 其基本思想是以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处的熵值为零，此时每个叶节点中的实例都属于同一类。 决策树学习（学习） 条件熵 设信源为X，收信者收到信息Y，用条件熵H(X|Y)来描述收信者在收到Y后对X的不确定性估计。设X的符号ai，Y的符号bj，p(ai|bj)为当Y为bj时，X为ai的概率，则有： 样本集的信息熵 设样本数据集为： X=[x1,x2,…,xn] 记X的两个训练子集P+X和P-X分别为正例集和反例集，其中P+和P-分别为两个集合的概率，则样本空间的信息熵为： P=1/2时，H=？ P=1或0时，H=？ 目标 目