人工智能概论-浙江大学控制学院.PDFVIP

人工智能概论人工智能概论人工智能概论人工智能概论 主讲：张建明（控制系） E-mail: jmzhang@iipc.zju.edu.cn MMobilbile:1358801172013588011720 杭州杭州• 浙江大学浙江大学• 1 回顾回顾：不确定知识与推理不确定知识与推理  不确定性不确定性  概率  推理  独立和贝叶斯规则独立和贝叶斯规则  贝叶斯网络  贝叶斯网络的语义贝叶斯网络的语义  构造贝叶斯网络  贝叶斯网络的精确推理  贝叶斯网络的近似推理贝叶斯网络的近似推理 2 回顾回顾：不确定知识与推理不确定知识与推理  在复杂的动态的或难以接近的环境中，不确 定性是不可避免的定性是不可避免的  不确定性信息意味着演绎推理中可能进行的 很多简化很多简化不再有效有效  概率表达了智能体无法得到关于语句真值的概率表达了智能体无法得到关于语句真值的 确定决策的程度，基本概率语句包括简单命 题和复合命题上的先验概率和条件概率题和复合命题上的先验概率和条件概率  贝叶斯法则允许通过已知的条件概率计算未 知的概率 3 回顾回顾：不确定知识与推理不确定知识与推理  贝叶斯网络贝叶斯网络：：一种不确定知识表示方法种不确定知识表示方法  贝叶斯网络是一个节点对应于随机变量的有向无环图，每个 节点在给定父节点下都有节点在给定父节点下都有一个条件概率分布个条件概率分布，，提供了提供了一种表种表 示域中的条件独立关系的简洁方式  贝叶斯网络指定了全联合概率分布贝叶斯网络指定了全联合概率分布，，每每一个联合条目被定义个联合条目被定义 为局部条件分布中的对应条目的乘积  混合贝叶斯网络包含离散随机变量和连续随机变量  贝叶斯网络推理意味着给定一个证据变量集合后，计算一个 查询变量集合的概率分布 • 精确推理算法：变量消元法，尽可能高效地计算条件概率的乘积的 和 •• 随机近似技术随机近似技术：：似然加权似然加权、马尔科夫链蒙特卡洛算法能提供对网络马尔科夫链蒙特卡洛算法能提供对网络 的真实后验概率的合理估计，并能处理比精确算法规模大得多的网 4 络 学习学习  学习智能体  归纳学习归纳学习  决策树学习  学习性能衡量  实例学习实例学习  基于范例的学习基于范例的学习  解释学习 5 学习学习 对于未知环境来说学习是必须的，因为设计者 不是无所不知的不是无所不知的 学习是学习是一种很有用的系统构造方法种很有用的系统构造方法，让智能体让智能体 自己去揭露现实胜于事先告诉它 学习对智能体的决策机制进行改进来改善性能学习对智能体的决策机制进行改进来改善性能 6 学习智能体学习智能体 Performance element： 根据感知选择行为 Learningg element ：用来用来 改进执行组件 Critic：用来对主体进行评 判的一种固定标准（单单依 赖感知学习组件无法知道主 体的好坏；如果不固定，无 法进行学习。） Problem Generator：为 了得到更多的经验或者数据， 而对执行组件提出尝试的要 求求 （（否则执行组件总是按照否则执行组件