<<人工智能>>笔记

记录下自学《人工智能：一种现代的方法(第 3 版)》的笔记

第一部分

第一章: 绪论

1.1 人工智能是什么

四象限:

像人一样(思考/行动)
合理的(思考/行动)

是否像人	是否合理
像人一样思考	合理的思考
像人一样行动	合理的一样行动

• 像人一样行动: 图灵测试
  • 自然语言处理
  • 知识表示
  • 自动推理
  • 机器学习
  • 进阶: 完全的图灵测试
    • 机器人视觉: 以感知物体
    • 机器人学: 以操纵和移动对象
  • 然而通过图灵测试并不是计算机科学家追求的目标

    • 只有在莱特兄弟停止模仿鸟并开始使用风洞且开始了解空气动力学后后，对『人工飞行』的追求才获得成功。航空工程的教材不会把其领域目标定义为制造『能完全像鸽子一样飞行的机器，以致他们可以骗过其他真鸽子』

• 像人一样思考: 认知建模
  • 认知科学: 通过将来自 AI 的计算机模型和来自心理学的实验技术结合, 试图构建出一种精确且可测试的人类思维理论
• 合理的思考: "思维法则"的途径
  • 亚里士多德首先试图严格定义"正确思考" => 三段论可以在给定正确前提时总产生正确结论
  • 逻辑主义流派试图依靠这样的程序来创建智能系统
  • 存在的障碍:
    1. 将非形式的知识进行形式化定义并不容易, 特别是当知识并不能完全肯定时(例如预测股票涨跌)
    2. "原则上"可解和实际上可解存在巨大的鸿沟. 求解几百条事实规则形成的状态爆炸可以耗尽任何计算资源----除非推理过程中有更高层次的指导(例如: 启发函数)
• 合理的行动
  • Agent 指能够行动的某种东西
  • 合理途径和其他途径相比有两个优点:
    1. 比"思维法则"更一般化 => 因为正确的推理只是实现合理性的几种可能机制之一(例如, 当信息不足时, 面向运气式穿迷宫相比暴力搜集信息也可能会有更好的结果)
    2. 比其他基于人类行为/人类思维途径更经得起科学的检验 => 合理可以在数学上予以明确定义并完全通用
  • 完美的合理性在复杂环境中并不可行, 但完美合理性分析是一个良好出发点.
    • 实践中可以考虑有限合理性

1.2 人工智能的基础

• 人工智能简史
  • 哲学时代
    • 维也纳学派: 逻辑实证主义. 该学说任务所有知识都可用最终与对应于感知输入的观察语句相联系的逻辑理论来刻画.
    • 2300 年后对亚里士多德提出算法的一个实现 => 通用问题解决系统(GPS, General Problem Solver, 艾伦·纽厄尔 & 赫伯特·西蒙), 又称回归规划系统
      • 亚里士多德主张通过目标与行动结果的知识之间的逻辑关系证明行动是正当的
    • 基于目标的分析是有用的, 但没有说明当多个行动均可达到目标时, 或当没有行动可完全达到目标时该做什么. 约翰·斯图亚特·密尔的功利主义为在人类所有活动领域推广了理性决策准则的思想(政治学乱入…)
  • 数学时代
    • 哲学家们标出了人工智能的一些基本思想. 但跃迁到正式科学需要在三个基础领域拥有一定水准的数学形式体系
      • 逻辑
      • 计算
      • 概率
    • 关键词
      • 易处理性: 解决一个问题的实例所需时间随实例的规模成指数级增长, 则称该问题为不易处理的
      • 一个重点就是区分: 多项式级的问题和指数级问题. 以及尽可能将大问题拆解为多个易处理的多项式级的子问题
      • 如何确认什么问题是易处理的?
        • NP-完全理论. 一般来说, NP 完全的问题是不易处理的(虽然目前尚无法证明, 但一般默认是正确的)
        • P 类问题：所有可以在多项式时间内求解的判定问题构成 P 类问题。判定问题：判断是否有一种能够解决某一类问题的能行算法的研究课题。
        • NP 类问题：所有的非确定性多项式时间可解的判定问题构成 NP 类问题。
        • NPC 问题：NP 中的某些问题的复杂性与整个类的复杂性相关联.这些问题中任何一个如果存在多项式时间的算法,那么所有 NP 问题都是多项式时间可解的.这些问题被称为 NP-完全问题(NPC 问题)。
    • 概率
      • 贝叶斯规则构成了人工智能系统中, 大多数用于不确定推理的现代方法的基础
  • 经济学部分
    • 基础问题
      • 我们应该如何决策以便收益最大
      • 当他人不合作时我们应该如何做到这样
      • 当收益遥遥无期时我们应该如何做到这样
    • 决策理论
      • 博弈游戏
    • 运筹学
    • 基于满意度的模型 => 足够好的决策, 而非最佳决策
  • 神经科学
  • 心理学
    • 认知心理学
  • 计算机工程
  • 控制论
  • 语言学
    • 乔姆斯基: 语言学的三种模型/句法结构
    • 计算语言学/自然语言处理

1.3 人工智能的历史

略过

• 目前(2000~2010 年)发展的比较好的几个领域
  • 语音识别领域
    • 隐马尔可夫模型(Hidden Markov models, HMMs)
  • 机器翻译
  • 神经网络 => 数据挖掘
  • 贝叶斯网络
  • 极大数据集带来的自展学习, 能够带来更好的效果
    • 一个普通算法使用一亿个单词的未标注训练数据, 好过最有名的算法使用 100 万个单词
    • AI 中的"知识瓶颈", 在数据集极大时, 可以有明显的缓解(对应于目前(2020)的数据标注行业)
• 总结
  • 机器人汽车
  • 语音识别
  • 自主规划与调度
  • 博弈(棋类游戏)
  • 垃圾信息过滤
  • 后勤规划
  • 机器人技术
  • 机器翻译

第二章: 智能 Agent

@todo

教材看到了第三章, 发现里面用了很多高等数学/线性代数知识, 如果相关知识作为背景, 教材只能当段子看----这是我所不乐意的. 因此笔记部分暂时弃坑, 先去补充高等数学知识, 回头再补

第二部分: 问题求解

第三章: 通过搜索进行问题求解