第一章

人工智能：又称为机器智能（Machine Intelligence，MI），主要研究用人工的方法和技术开发智能机器或智能系统，以模仿、延伸和扩展人类智能、生物智能、自然智能，以实现机器的智能行为。（用机器模拟或实现人类智能）

智能：

1.从微观角度认识智能（智能产生的根源或机理）：神经元
2.从宏观角度认识智能（智能产生的认知过程和外在表现）
Ø 智能是心理活动或思维过程的结果；
Ø 智能是人类和一些动物在解决问题时表现出的特有的智力或行为；
Ø智能系统通常包括感知、记忆与思维、效应三大部分。狭义的理解认为：智能系统主要完成思维活动。
3.从知识工程的角度认识智能
Ø 从内涵上：智能=知识＋思维；
Ø 从外延上：智能就是发现规律、运用规律的能力和分析问题、解决问题的能力（或者说获取知识、处理知识、存储知识、运用知识的能力）。
4.广义智能观：智能广泛存在于自然界中。

人类智能主要包括方面：

认知能力：人类具有感知、注意力、记忆、语言理解和思维等认知过程。这些能力使得人类能够感知和理解周围的世界，并进行思考和推理。
学习能力：人类能够通过观察、经验积累和学习来获取新知识和技能。人类可以从过去的经验中提取规律，并将其应用于新情境中。
推理能力：人类能够进行逻辑推理和演绎推理，从已知的前提中得出新的结论。这种能力使得人类能够进行问题解决、推断和判断。
创造力：人类具有创造新思想、新概念和新解决方案的能力。创造力涉及到非线性思维、想象力和创新能力。
社交能力：人类具有与他人进行有效沟通、合作和互动的能力。这包括语言交流、情感理解和社交技巧。
情绪智能：人类能够理解和管理自己的情绪，以及识别和理解他人的情绪。情绪智能对于人际关系和决策过程非常重要。
自我意识：人类具备自我意识和自我反思的能力。这意味着人类能够认识自己的思维、情感和行为，并对其进行评估和调整。

人工智能的基本研究内容：

①从人工智能定义出发：
感知与交流的模拟（机器感知）：计算机视觉、模式识别；
记忆、联想、计算、思维的模拟（机器认知）：知识表示与推理；机器学习与发现 输出效应或行为模拟（机器行为）
②从知识工程的角度出发：
知识的获取；知识的表示；知识的存储；知识的处理；知识的运用

人工智能的基本技术：

①知识表示：研究各种知识的形式化方法，要求所采用的方法便于知识在计算机中进行存储、组织。
②推理、计算和搜索：研究各种问题的求解规律，设计可机械执行的智能算子，用以实现问题求解过程。
③系统实现：研究如何实现相关知识的计算机内部表示，将各种智能算子或求解过程转换为程序。

人工智能的研究目标

近期目标：部分或某种程度实现机器智能，使现有的计算机更灵活好 用、更聪明有用。
远期目标：制造智能机器，使其具有看、听、说、写等感知和交互能力，联想、学习、推理、理解等高级思维能力，分析、解决问题和发明创造的能力。

人工智能的研究途径和方法

传统三大研究学派：
1.符号主义学派 ：符号主义是以人脑的心理模型为依据，将问题或知识表示成某种符号，采用符号推演的方法，从宏观上模拟人脑的推理、联想、学习、计算等能力，实现人工智能。
2.连接主义学派 ：通过对大脑微观生理结构的模拟达到对智能的模拟，用人工神经元组成的人工神经网络作为信息和知识的载体，用神经计算实现学习、记忆、联想、识别和推理等功能，模拟人脑的智能行为，使计算机表现出某种智能。
3.行为主义学派 ：行为模拟是模拟人在控制过程中的智能活动和行为特性，如自组织、自学习、自适应、自寻优等，以此来研究和实现人工智能。

传统三大学派的研究途径和方法对比

认知基元	认知过程	方法	核心问题
符号	符号处理过程	功能模拟，模拟人类认知系统的记忆、联想、推理等能力，通过数学逻辑方法实现人工智能，擅长模拟人脑的高级认知功能，如推理、决策	知识表示，知识推理和知识运用
神经元	大脑工作过程计算	结构模拟，模拟人的生理神经网络工作过程，实现人工智能。擅长模拟人脑的低级感知功能，如图像、声音的识别和处理	用人工神经元形成的神经网络对人脑功能进行近似和局部的模拟
感知-行为	感知-行为模式	行为模拟，模拟人和动物在于环境的交互、控制过程中的智能活动和行为特性，如反应、适应、学习、寻优等来实现人工智能	与周围环境交互

现代两大学派

1. 符号智能学派（Symbolic Intelligence） 由心理学派、认知学派、语言学派、计算机学派、逻辑学派、数学学派等汇集而成。
   对智能和人工智能持狭义观点，侧重于研究人的抽象思维过程，并把思维过程看成一个抽象的符号处理过程。
2. 计算智能学派（Computational Intelligence） 信息科学、生命科学、认知科学等多学科交叉的产物，是连接主义、行为主义、进化计算、免疫计算、群体智能等研究途径和方法的统称。
   受生物界和自然界规律的启迪，采用数值计算方法模拟并实现人类智能

人工智能的研究领域（应用领域）

博弈(Game Playing) ：国际象棋、中国象棋、围棋
自动定理证明(Automated Theorem Proving)：自动定理证明的吴方法；四色定理证明
专家系统(Expert System)： DENDRAL；PROSPECTOR；AlphaFold； LawGeex
模式识别(Pattern Recognition) ：文字识别：阿拉伯数字手写体识别；语音识别；图像识别：人脸识别，车牌识别； 指纹识别；遥感；医学诊断
机器学习(Machine Learning)：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、信用卡欺诈检测、证券市场分析、DNA序列测序、语音和手写识别等领域。
计算智能(Computational Intelligence)：国防：雷达天线设计，卫星轨道参数优化，战场模拟；科技：机器学习，数据挖掘，图像处理；经济：金融数据分析，证券投资组合，企业现金流管理；工业：功率电子电路优化，电磁过滤，输电网规划；农业：排灌工程，农业用地结构优化，温室控制
自然语言处理（Natural Language Processing)：问答系统：聊天机器人、导购、客服；文学创作：新闻、诗歌、对联；机器翻译：科技论文写作、实时场景同传翻译；情感分析：舆情监控、话题检测；信息检索；信息抽取；推荐系统：新闻、会议、论文、商品等。
分布式人工智能(Distributed Artificial Intelligence)：DAI分为三个基本类型： 多Agent系统（MAS）；分布式问题求解（DPS）；并行人工智能（PAI）
机器人(Robot)：协助或取代人类工作，在生产业、建筑业等艰苦环境下从事危险工作

人工智能的诞生和发展

诞生：1956年夏，十位来自数学、心理学、神经生理学、信息论和计算机方面的专家在美国达特莫斯大学召开一次历时两个月的会议，讨论了机器智能有关问题，会上麦卡锡提议用“人工智能”一词，标志人工智能学科的正式诞生。

发展：

神经元网络时代：40年代中-50年代末，单层网络、M-P模型、感知器等。
通用方法时代：50年代中-60年代中，问题求解策略、算法、推理停留在实验室阶段，没有 面向真实世界的复杂问题，缺乏理解。
知识工程时代：60年代中-80年代初，费根鲍姆提出“知识工程”概念，问题求解过程就是知识处理过程，大型专家系统投入实际应用。知识获取的瓶颈：互联网不普及，没有大数据。
新的神经元网络时代：80年代中-90年代初，BP神经网络解决了多层网学习问题。Hopfield网成功求解旅行商问题，缺乏理论依据和解决大规模问题的能力。
海量信息处理与网络时代：90年代初-2006，统计机器学习大发展，计算机网络带来大数据，大数据为机器学习提供了训练样本。对海量数据进行处理和挖掘促进了机器学习的发展。
深度学习+知识图谱：2006年-：2006年，Hinton提出深度学习，语音、图像方面应用层出不穷。2012年，google提出知识图谱，人工智能的发展进入了数据驱动和知识驱动相融合的阶段。

知识工程

“知识工程”的提出：专家系统的成功源于专门知识在智能模拟中的重要作用。在此基础上，费根鲍姆提出了“知识工程”的概念，使人们更加深刻地认识到知识的重要性。

人工智能系统应该是一个知识信息处理系统，知识获取、知识表示和知识利用是其中三个基本问题。

在人工智能的发展中，知识工程发挥了重要作用。具体而言，它对人工智能的发展有以下几个方面的重要作用：

1.知识获取：知识工程通过开发知识获取技术，使计算机能够从各种来源获取知识，包括专家知识、文本数据、互联网等。这样，计算机可以基于大量的知识进行推理和决策。

2.知识表示：知识工程致力于研究和设计有效的知识表示方法，将领域专家的知识以机器可理解的方式表示出来。这样，计算机可以更好地理解和利用知识。

3.知识推理：知识工程提供了丰富的推理机制和方法，使计算机能够根据已有知识进行推理、解决问题和做出决策。这样，计算机具备了类似于人类专家的推理能力。

4.知识应用：知识工程使得人工智能系统能够将知识应用于各种领域，如医疗诊断、工业控制、金融分析等。通过将专家的知识和经验转化为计算机可执行的规则和模型，知识工程推动了人工智能技术在实际应用中的发展。

你认为未来人工智能会超过人类智能吗？为什么？

观点1：人工智能将超过人类智能

支持这个观点的理由包括：

1. 快速进步的技术：人工智能领域正经历着快速的技术进步，包括深度学习、强化学习、自然语言处理等方面。这些技术的不断发展有望使人工智能系统在各个领域取得更加出色的表现，最终超越人类的认知能力。

2. 无限存储和处理能力：相比于人类的大脑，计算机拥有巨大的存储和处理能力。随着硬件技术的不断进步，计算机的计算能力和存储容量将继续增长，为人工智能系统提供更多的资源来模拟和超越人类的智能。

3. 算法优化和自我进化：未来可能出现更加先进和智能的算法，能够对自身进行优化和进化。这样的算法将能够学习和改进自己的性能，不断提高自身的智能水平，最终超越人类智能的局限性。

观点2：人工智能不会超过人类智能

支持这个观点的理由包括：

1. 深层次理解和情感认知：人类智能具有深层次的理解和情感认知能力，能够将经验、情感和价值观综合考虑，并作出复杂的决策。目前的人工智能系统在这方面仍然存在巨大的挑战。

2. 创造性思维和直觉：人类智能在创造性思维和直觉方面具有独特的优势。这些能力涉及到非线性和非逻辑的思维模式，对于解决新颖的问题和面对不确定性具有重要意义。人工智能系统目前尚未实现与人类在这方面的匹敌。

3. 社会和伦理考量：超越人类智能引发了许多伦理和社会问题，如权力集中、失业和隐私等。人工智能的发展应该受到伦理和社会的制约，以确保技术的发展符合人类的利益和价值观。

第六章

机器学习(Machine Learning)：机器对自身行为的修正或性能的改善，按学习策略主要分为：
符号学习；统计学习；连接学习；深度学习

机器学习系统的基本结构

机器学习系统的基本结构包括数据收集和预处理、模型构建和训练、以及模型评估和应用三个部分。

1. 数据收集和预处理：收集原始数据并进行预处理，包括数据清洗、处理缺失值、异常值和噪声，以及选择和构造适当的特征，以提供高质量的数据给模型。

2. 模型构建和训练：选择适合任务的机器学习算法或模型结构，使用标记的训练数据来调整模型的参数或权重，使其能够从数据中学习并进行预测或决策。

3. 模型评估和应用：使用评估数据集来评估模型的性能和准确度，以了解模型在新数据上的泛化能力，进行超参数调优，最后将训练好的模型部署到实际应用中，对新的输入数据进行预测或决策。

这些部分相互关联，构成了一个完整的机器学习系统。数据收集和预处理阶段准备和处理数据，模型构建和训练阶段学习数据中的模式和规律，模型评估和应用阶段评估模型性能并将其应用于实际场景中。

概念学习：从训练样例(输入,输出)中推断出目标函数 f 或该函数的逼近，能够对未知样本确定其为正例或反例。
例：从动物集合中选出猫的目标函数f

f(猫)=true;   f(其他动物）=false；

概念学习的过程可以概括为以下步骤：

1. 数据收集：收集具有标签或类别的训练样本，这些样本包含不同类别的实例。

2. 特征提取：从训练样本中提取出能够描述概念的特征。这些特征可以是数值、文本、图像等不同类型的描述符。

3. 概念表示：使用提取的特征来表示概念或类别。可以使用不同的模型或表示方法，如逻辑规则、决策树、神经网络等。

4. 假设空间搜索：根据训练样本中的正例（属于概念的实例）和反例（不属于概念的实例），在定义的假设空间中搜索适当的概念表示。搜索的过程可以是基于规则的、基于实例的、基于优化的等不同方法。

5. 假设评估和更新：评估生成的假设或概念表示与训练样本的匹配程度，并根据评估结果对假设进行更新或优化。

6. 概念应用：将学习到的概念应用于新的未见样本，进行分类或预测。

决策树的学习算法思想

采用自顶向下构建
 步1 按某标准选取一个属性为根节点，
 以该属性的全部不同取值为分支将样本集S划分为若干子集。
 
 步2 考察每一个子集，看样本的类别是否相同。
  若相同，以该子集的类别标签为叶子节点；
否则，选取一个不同于祖先节点的属性重复前述步骤，
直到每个子集全部样本的类别标签都相同，得到所有的叶子节点为止。

第八章

自然语言处理：指用计算机来分析、处理自然语言，让计算机理解并能表达自然语言，实现人与计算机的自然语言交流。

自然语言理解(Natural Language Understanding, NLU)： 自然语言理解研究用计算机模拟人的语言交际过程，使计 算机能理解和运用人类自然语言，实现人机之间的自然语言通信，以代替人的部分脑力劳动，包括查询资料、解答 问题、摘录文献、汇编资料以及一切有关自然语言信息的 加工处理。

自然语言生成(Natural Language Generation, NLG)：自然语言生成是研究使计算机具有人一样的表达和写作的 功能，即能够根据一些关键信息及其在机器内部的表达形式，经过一个规划过程，自动生成一段高质量的自然语言 文本。

自然语言的特点

新词不断出现，很难完全收入词典
自然语言的表达非常灵活，很难完全形式化
自然语言充满歧义，很难完全消解
自然语言中有各种语言创新，机器很难应付

自然语言处理涉及的层次

1.语音分析
语言分析是一个相对独立的模块，包括声音到文字的转换、文字到声音的转换、声音信号的处理等方面。
2.词法分析
找出组成句子的一个个词语，确定词语的词性信息，为句法分析和语义分析作准备。
3.句法分析
对输入的句子进行分析以得到句子的句法结构的处理过程。
4.语义分析
确定文字所表达的意思。
5.语用分析
结合语境知识更充分地理解语言的含义。

自然语言处理应用

1. 问答系统：自然语言交互、聊天机器人、导购、客服
2. 文学创作：科技论文写作，新闻、诗歌、对联。
3. 机器翻译：科技论文写作、实时场景同传翻译
4. 情感分析：舆情监控
5. 信息检索：搜索引擎
6. 信息抽取：从无结构的文本中抽取结构化的信息
7. 推荐系统：新闻、会议、论文、商品等。