人工智能导论概念汇总：知识表示、推理与易混点辨析-北京尧图网络

简介《山东大学人工智能导论概念汇总》面向人工智能入门课程学习者与期末复习人群围绕课程核心概念做系统梳理可辅助建立知识框架、查漏补缺。内容覆盖智能与人工智能的基本界定、知识表示与知识图谱、一阶谓词逻辑、产生式与框架表示法、确定性推理等模块并涉及机器学习、搜索策略、遗传算法与推理方法等相关概念便于按章节回顾重点。压缩包内为1个PDF文件约2.28MB单文件结构适合直接阅读、标注和打印。该汇总已有434人学习适合课前预习、考前串讲与概念辨析也可作为课堂笔记的补充帮助读者快速定位定义、特点与知识之间的联系。1. 人工智能导论概念汇总先把它当成一张“概念地图”人工智能导论概念汇总最容易变成一张背不完的名词表智能、知识表示、谓词逻辑、产生式、框架、知识图谱、归结原理、可信度、模糊推理……每个词单看都认识合在一起就不知道谁管谁。它其实更像一张概念地图把导论课里散落的名词按“是什么—为什么出现—和谁容易混”串起来。打个比方乐高说明书不会教你造塑料但会告诉你每块积木放在哪这份汇总的价值也在于定位而不是替代推导。搞懂它你至少能在看到“一阶谓词逻辑”“归结反演”“可信度方法”时知道它们分别站在知识表示、确定性推理、不确定性推理哪一排。2. 智能、知识与机器学习为什么导论课先讲“人怎么变聪明”2.1 智能不是智商感知、记忆、思维、学习、行为五件事很多人第一次看到“智能是知识与智力的总和”会下意识把它理解成“聪明不聪明”。但在人工智能导论里智能不是智商分数而是一组能力的组合。资料里把它拆成感知能力、记忆与思维能力、学习能力、行为能力也就是表达能力。这个拆法很像一家公司前台负责接收信息档案室负责存储会议室负责分析培训部负责更新能力最后还得有人把结果说出去、做出来。少一环整个系统就转不顺。感知能力对应到机器上就是机器感知主要是机器视觉与机器听觉让计算机获得类似人的感知能力。记忆则负责存储由感知器官感知到的外部信息以及由思维所产生的知识。思维不是“胡思乱想”而是对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理也就是机器思维。学习能力落到机器上就是机器学习使机器具有类似人的学习能力自动获取知识和技能不断改善性能。行为能力则是计算机的表达能力也就是机器行为。智能特征生活里的样子机器里的对应说法感知能力看到红灯、听到喇叭机器视觉、机器听觉记忆与思维记住昨天的事、推理今天怎么办存储信息、处理内外部信息学习能力做错一次后调整做法机器学习自动获取知识和技能行为能力说出来、写下来、动起来机器行为表达能力学习系统也有自己的组成环境、学习、知识库、执行与评价。环境提供信息学习环节从信息里提取可用的东西知识库负责存放执行环节拿知识去行动评价环节再判断效果好不好。这个循环听起来朴素却解释了一个关键点机器学习不是把数据倒进机器就完事它得有“存知识的地方”和“判断好坏的地方”。如果没有评价机器越学越偏也没人知道这就是很多项目翻车的起点。2.2 知识、智力与知识表示经验怎么变成机器能读的形式资料里对知识的定义很直白知识是在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验是一切智能行为的基础。智力则是获取知识并应用知识求解问题的能力。把两者合在一起才构成智能。这个区分很重要知识像食材智力像厨艺食材多不等于菜一定好吃但没有食材厨艺也无从发挥。人工智能系统也一样光有数据不够还得有获取和应用知识的能力。知识还有几个特性相对正确性、不确定性、可表示性与可利用性。相对正确性是说知识不是永远绝对正确它依赖条件和场景不确定性是说很多知识不是非黑即白可表示性是说知识得能被表达出来可利用性是说表达出来之后得能被使用。这四点解释了为什么后面要学那么多知识表示方法不是为了把简单事情弄复杂而是因为知识本身就不整齐。知识表示的定义是将人类知识形式化或者模型化。通俗地说就是给知识换一种机器能读的格式。人可以用“如果下雨就带伞”这种自然语言交流机器却需要更明确的结构。知识表示就像把菜谱写成标准步骤多少克盐、几分钟、先放什么后放什么。写得越清楚机器越容易执行写得太含糊机器就只能猜。人工智能本身可以理解为用人工的方法在机器上实现的智能或者说是人们使机器具有类似于人的智能。这个定义里有两个关键词人工的方法、机器上实现。它不要求机器真的像人一样有意识而是要求机器表现出类似人的智能行为。导论课先讲智能、知识、智力再讲知识表示、机器感知、机器学习、机器思维、机器行为是因为后面所有方法都挂在这几个能力上。不先拆开看到“知识图谱”“谓词逻辑”“机器学习”就会觉得它们是天上掉下来的名词。2.3 机器学习、深度学习与人工神经网络三层概念别压成一件事机器学习是使机器具有类似人的学习能力自动地通过学习获取知识和技能不断改善性能实现自我完善。它强调“从经验中变好”不是人工把每条规则都写死。深度学习则是特指基于深层神经网络模型和方法的机器学习它是机器学习里的一个分支不是另一门完全无关的技术。人工神经网络则是用大量简单处理单元经广泛连接而组成的人工网络用来模拟大脑神经系统的结构和功能。三者关系可以这样记机器学习是“会学习”的大类深度学习是其中使用深层网络的流派人工神经网络是网络结构本身。很多初学者把这三个词压成一件事于是看到“深度学习”就以为等于“机器学习”看到“神经网络”就以为等于“深度学习”。更准确的包含关系是人工神经网络是一种结构深度学习是基于深层神经网络模型的机器学习方法机器学习是更大的方法范畴。就像“汽车”是交通工具大类“电动车”是其中一类“电池和电机”是这类车的结构组成。你不能说电池就是电动车也不能说电动车就是所有交通工具。人工智能的发展阶段在资料里被分成三段孕育阶段在1956年以前为人工智能的研究奠定了基础形成阶段是1956年到1969年研究在多个领域取得了许多引人瞩目的成就发展阶段是1970年以后研究在多个领域取得重大突破。这个时间线不需要背得很细但它提醒你人工智能不是突然出现的它先有思想准备再有学科形成然后才在方法与应用上不断推进。导论课把这些基础概念放在前面是为了让你后面看到“推理方法”“搜索策略”“遗传算法”时知道它们都在回答同一个大问题机器怎么表现出智能。3. 知识表示与知识图谱为什么机器要先学会“记笔记”3.1 一阶谓词逻辑把一句话拆成谓词和个体知识表示的第一种常见方法是逻辑表示。资料先区分了命题和命题逻辑命题是非真即假的陈述句命题逻辑研究命题及命题之间关系的符号逻辑系统。它的缺陷也很明确无法把它所描述的事物的结构及逻辑特征反映出来也不能把不同事物间的共同特征表述出来。比如“甲是教师”和“乙是教师”在命题逻辑里可能只是两个不同的命题机器看不出它们共享“教师”这个结构。于是就需要谓词逻辑。谓词的一般形式可以写成 P(x1, x2, …, xn)其中 x1、x2、…、xn 是个体P 是谓词名。通俗地说谓词名描述“关系或属性”个体描述“谁或什么”。例如“甲是教师”可以写成一元谓词 Teacher(甲)。这里的 Teacher 是谓词名甲是个体。谓词公式里常见的连接词有否定、析取、合取、蕴含、等价量词有全称量词和存在量词。连接词的优先级别从高到低排列是否定、合取、析取、蕴含、等价。量词的辖域指位于量词后面的单个谓词或者用括弧括起来的谓词公式在辖域内被约束的变量叫约束变元不受约束的叫自由变元。一阶谓词逻辑表示法的优点有自然性、精确性、严密性、容易实现。它适合把“所有A都是B”“存在一个A满足B”这类结构说清楚。局限性也很明显不能表示不确定的知识、组合爆炸、效率低。它像一份严谨的合同条款清楚但遇到模糊地带就不好写而且条款一多推理量会迅速膨胀。资料里还提到谓词公式的性质包括永真性、永假性、可满足性、不可满足性、等价性、永真蕴含。这些词看起来抽象其实是在问这个公式在所有情况下都真吗有没有一种情况让它为真它和另一个公式是不是同一个意思后面学归结原理时这些性质会变成判断子句集能不能推出空子句的基础。3.2 产生式与框架规则式笔记和模板式笔记产生式表示法更像“规则式笔记”。确定性规则知识的产生式表示是 P→Q确定性事实性知识可以表示成对象属性值不确定性规则知识可以写成 P→Q置信度不确定性事实性知识可以写成对象属性值置信度。产生式与谓词逻辑中的蕴含式长得很像但区别有两点第一除逻辑蕴含外产生式还包括各种操作、规则、变换、算子、函数等第二蕴含式只能表示精确知识而产生式不仅可以表示精确的知识还可以表示不精确知识。换句话说蕴含式更像逻辑里的“如果P则Q”产生式更像工程里的“看到P就执行Q”后者管得更宽。产生式系统通常由规则库、综合数据库、控制系统组成。规则库用于描述相应领域内知识的产生式集合综合数据库用于存放问题求解过程中各种当前信息控制系统由一组程序组成负责整个产生式系统的运行实现对问题的求解。匹配成功的规则可能不止一条这时就要进行冲突消解。冲突消解可以按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。这个机制很像公司里的审批流程同时满足好几条规则时总得决定先走哪条不然系统就卡住了。# 一个确定性产生式的简化表达 rule { if: [头痛, 流涕], # 前提条件 then: 感冒, # 结论或动作 type: 确定性规则 # 这里不带置信度 } # 不确定性产生式会多一个置信度字段 uncertain_rule { if: [头痛, 流涕], then: 感冒, confidence: 0.7, # 置信度因子表示规则强度 type: 不确定性规则 }这段代码只是把产生式的结构摆出来if 是前提then 是结论或操作confidence 是可选的置信度。确定性规则不需要置信度不确定性规则才需要。参数里的 confidence 不是“概率”的同义词它表示前提与结论之间联系的强度取值通常在 -1 到 1 之间。代码框里的内容在资料里被标成非重点但结构本身值得看懂因为它能帮你区分“事实”和“规则”事实是对象属性值规则是“如果……那么……”。框架表示法则是“模板式笔记”。框架是一种描述所论对象属性的数据结构槽描述所论对象某一方面的属性侧面描述相应属性的一个方面。框架名下面可以列很多槽比如姓名、年龄、性别、职称、部门、住址、工资、开始工作时间、截止时间每个槽还可以有范围和缺省值。当把具体的信息填入槽或侧面后就得到了相应框架的一个事例框架。资料里的教师框架例子可以改写成 A同学的框架姓名 A同学年龄 36性别女职称副教授部门计算机系软件教研室住址〈住址框架〉工资〈工资框架〉。这里的〈住址框架〉和〈工资框架〉说明框架可以嵌套像模板里套模板。框架表示法的特点是结构性、继承性、自然性。结构性来自槽和侧面的组织方式继承性来自框架之间的上下关系子框架可以继承父框架的默认信息自然性来自它接近人填写表格的习惯。它适合描述“一个对象有哪些属性”的结构性知识但遇到流程性、规则性特别强的知识产生式会更顺手。你可以把产生式想成“如果……那么……”的便签把框架想成“人员信息表”。两者不是谁替代谁而是记笔记的不同格式。3.3 知识图谱节点和边为什么比表格更灵活知识图谱的定义是用各种不同的图形等可视化技术描述知识资源及其载体挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。它也可以被看作一张图图中的节点表示实体或概念而图中的边则由属性或关系构成。这个定义里有三个关键词实体或概念、属性或关系、图。表格擅长一行一行记录知识图谱擅长把“谁和谁有什么关系”摊开来看。比如“A同学—就读于—某高校”“某高校—位于—某地”节点和边一连关系就出来了。知识图谱的逻辑结构包括模式层与数据层。数据层由一系列的事实组成知识以事实为单位进行存储模式层构建在数据层之上是知识图谱的核心。这个分层很像数据库里的表结构和实际数据模式层告诉你“有哪些类型的概念、允许哪些关系”数据层告诉你“具体有哪些事实”。资源对象则分为结构化数据、半结构化数据和非结构化数据。结构化数据是知识定义和表示都比较完备的数据半结构化数据是部分数据结构化但存在大量结构化程度较低的数据非结构化数据是没有定义和规范约束的“自由”数据。知识图谱的构建方式有自顶向下和自底向上两种。自顶向下先定模式再填数据自底向上先从数据里抽实体关系再归纳模式。语义网络和知识图谱经常被放在一起提。语义网络也是用节点表示概念或对象、用边表示关系适合表达联想式的知识结构知识图谱更强调实体关系的大规模组织、模式层与数据层的分离以及从多源数据中构建。两者不是完全对立语义网络更像早期的图式知识表示思路知识图谱更像在此基础上发展出来的工程化知识组织方式。资料里把语义网络作为知识表示方法之一带过把知识图谱单独展开这个安排本身就说明前者偏“表示思想”后者偏“体系架构”。表示方法最像什么适合表示主要短板一阶谓词逻辑严谨的合同条款精确的结构化知识难表示不确定知识推理易组合爆炸产生式如果……那么……的便签规则、操作、经验效率不高难表达结构性知识框架人员信息表、模板对象属性、默认值、继承流程性规则不如产生式直接语义网络概念联想图概念之间的关联容易缺少统一模式约束知识图谱带模式层的关系网络实体、关系、多源知识组织构建和维护成本不低4. 从确定性推理到不确定性推理推理方法到底在推什么4.1 推理不是玄学从已知事实到结论的几条路推理的定义是从已知事实出发并运用已掌握的知识找出其中蕴涵的事实或归纳出新的事实。它听起来像“思考”但在人工智能里它更像一条有输入、有规则、有输出的流水线。输入是已知事实和知识规则是推理规则输出是新结论。推理方法可以按不同角度分类演绎推理是从全称判断推导出单称判断的过程即由一般性知识推出适合于某一具体情况的结论归纳推理是从足够多的事例中归纳出一般性结论的推理过程是一种从个别到一般的推理。完全归纳推理考察了相应事物的全部对象不完全归纳推理只考察部分对象。默认推理又叫缺省推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。按确定性分确定性推理是推理时所用的知识与证据都是确定的推出的结论也是确定的其真值或者为真或者为假不确定性推理是推理时所用的知识与证据不都是确定的推出的结论也是不确定的。按单调性分单调推理随着推理向前推进及新知识的加入推出的结论越来越接近最终目标非单调推理则可能因为新知识的加入不仅没有加强已推出的结论反而要否定它使推理退回到前面的某一步重新开始。这个区别很像改方案单调推理是不断补充细节非单调推理是发现新证据后推翻旧结论。按方向分正向推理是以已知事实作为出发点的一种推理也叫事实驱动推理逆向推理是以某个假设目标作为出发点的一种推理也叫目标驱动推理混合推理有两种先正向后逆向先进行正向推理帮助选择某个目标从已知事实演绎出部分结果然后再用逆向推理证实该目标或提高其可信度先逆向后正向先假设一个目标进行逆向推理然后再利用逆向推理中得到的信息进行正向推理以推出更多结论。双向推理则是正向推理与逆向推理同时进行且在推理过程中的某一步骤上“碰头”。启发式推理和非启发式推理的区别在于是否使用启发性知识也就是与问题有关且能加快推理过程、提高搜索效率的知识。冲突消解策略在产生式系统里尤其重要按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。多条规则同时匹配时系统不能随便选一条否则结果可能不稳定。这里的“玄学”感往往来自冲突消解没有讲清楚不是规则不对而是优先级没定好。4.2 确定性推理的硬核流程自然演绎、子句集与归结反演自然演绎推理是从一组已知为真的事实出发运用经典逻辑的推理规则推出结论的过程。常用规则有 P规则、T规则、假言推理、拒取式推理。P规则即前提引入T规则即推理规则假言推理是 PP→Q ⇒ Q拒取式推理是 P→Q﹁Q ⇒ ﹁P。资料里有一个“甲老师喜欢容易的课程”的例子凡是容易的课程甲老师都喜欢C班的课程都是容易的ds 是 C班的一门课程求证甲老师喜欢 ds。把事实写成谓词公式后推理链就是 C(ds)→EASY(ds)→LIKE(甲, ds)。这个例子不长但它把“自然演绎”讲透了从已知事实出发一步一步用规则推。真正让初学者头疼的是谓词公式化为子句集。资料给出的核心判断是Q 为 P1, P2, …, Pn 的逻辑结论当且仅当 (P1∧P2∧…∧Pn)∧¬Q 是不可满足的。换句话说要证明结论可以把结论否定掉再看前提加否定结论会不会矛盾。子句集化的步骤可以整理成九步消去谓词公式中的“→”和“↔”符号用等价式把蕴含和等价换成否定、析取、合取。把否定符号移到紧靠谓词的位置用到双重否定律、德·摩根定律、量词转换律。变量标准化去掉重名变量。消去存在量词。存在量词不出现在全称量词辖域内时换个变量存在量词出现在一个或多个全称量词辖域内时用 Skolem 函数代替存在量词量化的变量这个过程叫 Skolem 化。化为前束形前束形等于前缀加母式前缀是全称量词串母式是不含量词的谓词公式。化为 Skolem 标准形写成全称量词串加子句的合取式。略去全称量词。消去合取词把合取拆成一个个子句。子句变量标准化让不同子句的变量名不冲突。这九步不需要一次背到滚瓜烂熟但要知道每一步在解决什么问题前两步在换符号第三步在防重名第四步在处理“存在”第五步在把量词赶到前面第六步在统一成标准形后三步在把公式拆成子句。谓词公式不可满足的充要条件是其子句集不可满足这句话是后面归结反演的地基。归结原理的基本思想是子句集中子句之间是合取关系只要有一个子句不可满足则子句集就不可满足。检查子句集 S 中是否包含空子句若包含则 S 不可满足若不包含就在 S 中选择合适的子句进行归结一旦归结出空子句就说明 S 是不可满足的。命题逻辑中的归结很直观设 C1 与 C2 是子句集中的任意两个子句如果 C1 中的文字 L1 与 C2 中的文字 L2 互补那么从 C1 和 C2 中分别消去 L1 和 L2并将两个子句中余下的部分析取构成一个新子句 C12。例如 ¬P∨Q 和 ¬Q∨R 可以归结出 ¬P∨R。归结式是其亲本子句的逻辑结论用归结式代替亲本子句后新子句集与原集合在不可满足意义上等价。谓词逻辑中的归结还要多做一步找到最一般合一再做二元归结。归结反演就是应用归结原理证明定理的过程。步骤是将已知前提表示为谓词公式 F将待证明的结论表示为谓词公式 Q并否定得到 ¬Q把谓词公式集 {F, ¬Q} 化为子句集 S对 S 中的子句进行归结并把每次归结得到的归结式并入 S反复进行若出现空子句则停止归结此时证明 Q 为真。资料里有一个招聘录取例子A、B、C 三人应试三人中至少录取一人如果录取 A 而不录取 B则一定录取 C如果录取 B则一定录取 C求证公司一定录取 C。把前提写成 P(A)∨P(B)∨P(C)、¬P(A)∨P(B)∨P(C)、¬P(B)∨P(C)再否定结论得到 ¬P(C)归结出 P(B)∨P(C)再归结出 P(C)最后与 ¬P(C) 归结出 NIL也就是空子句。这个链条走通结论就成立了。归结原理还可以用来求解问题而不只是证明命题。步骤是已知前提 F 用谓词公式表示并化为子句集 S把待求解的问题 Q 用谓词公式表示并否定 Q再与 ANSWER 构成析取式¬Q∨ANSWER把¬Q∨ANSWER化为子句集并入 S得到 S对 S 应用归结原理若得到归结式 ANSWER则答案就在 ANSWER 中。资料里的“谁是小张的老师”就是这种题Teacher(甲,乙)、Classmate(乙,丙)、同班同学共享老师规则再加上 ¬Teacher(A,丙)∨ANSWER(A)归结后得到 ANSWER(甲)。这里的 ANSWER 不是普通谓词它相当于在推理过程中留一个“答案槽”最后槽里填什么答案就是什么。提示做归结反演时先把结论否定再化子句集不要反过来。顺序错了后面归结再熟也容易白忙。4.3 不确定性推理可信度、证据理论和模糊推理各管什么现实里的知识很少非黑即白。不确定性推理就是从不确定性的初始证据出发通过运用不确定性的知识最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。它不追求“绝对真”而是追求“有多大把握”。这部分常见三条路线可信度方法、证据理论、模糊推理。可信度方法用可信度因子表示知识的不确定性。知识不确定性的表示是 if P then Q (CF(Q,P))CF(Q,P) 反映前提条件与结论的联系强度取值范围是 [-1, 1]。CF(H,E)0 表示证据的出现与否与 H 无关CF(E)1 表示能肯定它为真CF(E)0 表示未获得任何相关的观察CF(E)-1 表示能肯定它为假。组合证据不确定性的算法是多个单一证据的合取 EE1 AND E2 AND … AND En则 CF(E)min{CF(E1), CF(E2), …, CF(E n)}析取则取 max。不确定性的传递算法是 CF(H)CF(H,E)×max{0, CF(E)}当 CF(E)0 时CF(H)0。结论不确定性的合成则分正负情况处理。def combine_cf(cf1, cf2): # 两个可信度都为正用 CF1 CF2 - CF1*CF2 if cf1 0 and cf2 0: return cf1 cf2 - cf1 * cf2 # 一正一负用 (CF1 CF2) / (1 - min(|CF1|, |CF2|)) if cf1 * cf2 0: return (cf1 cf2) / (1 - min(abs(cf1), abs(cf2))) # 两个都为负用 CF1 CF2 CF1*CF2 return cf1 cf2 cf1 * cf2 # 资料例题里的两个正可信度合成 print(combine_cf(0.28, 0.48)) # 约 0.6256这段代码只演示可信度合成的三种情况。参数 cf1、cf2 是两条知识对同一个结论的可信度返回值是合成后的可信度。正正合成会互相增强正负合成会互相抵消负负合成会变得更负。它提醒你可信度不是简单取平均也不是直接相加。资料里的例题先算 CF1(H)0.8×max{0,0.35}0.28CF2(H)0.6×max{0,0.8}0.48CF3(H)-0.5×max{0,0.54}-0.27然后先合成两个正的得到 0.63再与负的合成得到约 0.49。每一步都在处理“证据有多确定”和“规则有多强”这两个量。证据理论处理的是“信任程度”的分配。概率分配函数作用于子集而不是单个元素这一点和普通概率不同。信任函数 Bel(A) 表示对 A 为真的总的信任程度Bel(∅)M(∅)0。似然函数 Pl(A) 又叫不可驳斥函数、上限函数表示对 A 为非假的信任程度Pl(A)1-Bel(¬A)。资料里举了 D{红黄蓝} 的例子M({红})0.3、M({黄})0、M({红黄})0.2则 Bel({红、黄})0.300.20.5Pl({蓝})1-Bel(¬{蓝})1-Bel({红黄})1-0.50.5。概率分配函数的正交和用来合并两个证据源如果 K≠0正交和 M 也是一个概率分配函数如果 K0则不存在正交和 M称 M1 与 M2 矛盾。基于证据理论的不确定性推理通常先建立样本空间 D再给出基本概率分配函数然后计算所关心子集的信任函数值和似然函数值最后据此得出结论。模糊推理处理的是“边界不清楚”的概念。模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数描述其属于一个集合的强度这个实数叫隶属度集合中所有元素的隶属度全体构成集合的隶属函数。模糊集合可以用 Zadeh 表示法、序偶表示法、向量表示法来表示。模糊集合之间有包含关系、相等关系也有交并补运算和代数运算。模糊关系描述两个模糊集合中的元素之间关联程度模糊关系的合成对应到矩阵时乘法用 min加法用 max。模糊推理得到的结论或操作往往是一个模糊向量还要经过模糊决策转化为确定值常见方法有最大隶属法、加权平均判决法、中位数法。通俗地说可信度方法在问“我有多相信”证据理论在问“证据把信任分给了哪些集合”模糊推理在问“这个说法有多属于某个类别”。三者都在处理不确定但切入点不同。5. 常见易混区别五组看起来像双胞胎的概念5.1 知识表示和知识图谱都是表示知识差别在哪易混点知识表示和知识图谱都带“知识”两个字很多人以为知识图谱就是知识表示的另一个名字。为什么混知识图谱确实是一种表示和组织知识的方式它出现在“知识表示”这一章里前后文又都在讲实体、关系、属性看起来像同一层概念。加上语义网络、框架、产生式也都在讲“怎么把知识存起来”更容易糊成一片。怎么区分知识表示是方法大类指的是将人类知识形式化或者模型化的各种手段知识图谱是其中一种偏图结构的组织方式强调节点表示实体或概念、边表示属性或关系还分模式层与数据层。换句话说知识表示回答“知识能用什么形式写下来”知识图谱回答“用图的方式怎么把实体关系组织起来”。一阶谓词逻辑、产生式、框架、语义网络都可以算知识表示方法知识图谱则是更工程化的一种知识组织体系。5.2 产生式和蕴含式箭头长得像脾气不一样易混点产生式 P→Q 和谓词逻辑里的蕴含式都写成“P 推出 Q”看起来只是换了个名字。为什么混两者都用箭头都表达条件与结论的关系考试里又经常放在一起比较不仔细看就会把产生式当成蕴含式的别名。怎么区分产生式除了逻辑蕴含还包括各种操作、规则、变换、算子、函数等它可以表示精确知识也可以表示不精确知识蕴含式只能表示精确知识。看有没有置信度、看后面是不是动作或操作是很快的判断方法。如果规则写成“如果头痛且流涕则感冒0.7”这更像产生式如果写成“P→Q”并且只讨论真值那更像逻辑蕴含。产生式是工程化的规则表达蕴含式是逻辑里的真值关系。5.3 确定性推理和不确定性推理输入和输出都要看易混点两者都叫推理都有前提和结论初学者容易只根据“结论看起来对不对”来判断用哪种。为什么混现实中的推理题经常既有确定事实又有“可能”“大概”这样的词而教材里的确定性推理也会用自然语言举例看上去并不“硬”。怎么区分确定性推理所用的知识与证据都是确定的推出的结论也是确定的真值或者为真或者为假不确定性推理所用的知识与证据不都是确定的结论也不确定但要求合理或近乎合理。判断时看两头输入知识有没有置信度、证据是否带不确定性输出结论是“真/假”还是“有多大可信度”。如果题目里出现可信度因子、信任函数、隶属度基本就进入不确定性推理的地盘了。5.4 可信度和概率都在说“有多大可能”来源不同易混点可信度 CF 取值在 -1 到 1 之间概率取值在 0 到 1 之间很多人把 CF0.8 直接理解成“80% 概率”。为什么混两者都在描述把握程度数字又都是小数不追定义就很容易混用。证据理论里还出现概率分配函数更容易把可信度和概率搅在一起。怎么区分可信度是根据经验对一个事物或现象为真的相信程度CF0 表示证据出现与否与结论无关CF 可以为负概率建立在概率公理和频率解释上通常不小于 0。证据理论里的概率分配函数作用于子集而普通概率作用于元素这也是一个明显区别。可信度更像专家打分概率更像统计模型给出的频率估计。看到“经验相信程度”就往可信度想看到“子集信任分配”就往证据理论想。5.5 机器学习、深度学习和人工神经网络包含关系别倒着说易混点三个词总一起出现很多人以为深度学习就是机器学习人工神经网络就是深度学习。为什么混深度学习确实属于机器学习深度学习又确实基于深层神经网络三层关系挨得太近新闻里还经常混着用不刻意区分就很容易说反。怎么区分机器学习是使机器具有类似人的学习能力、自动获取知识和技能、不断改善性能的大类深度学习是特指基于深层神经网络模型和方法的机器学习是机器学习的一个分支人工神经网络是用大量简单处理单元经广泛连接组成的人工网络用来模拟大脑神经系统的结构和功能它是结构层面的东西。可以记成机器学习是“学习”这件事深度学习是“用深层网络来学习”的流派人工神经网络是“网络结构”。说“深度学习属于机器学习”没问题说“机器学习就是深度学习”就窄了说“神经网络是深度学习常用的结构”没问题说“神经网络等于深度学习”也不准确。易混组一句话区分知识表示 vs 知识图谱前者是方法大类后者是图结构的知识组织方式产生式 vs 蕴含式前者可带操作和不精确知识后者只表示精确逻辑关系确定性推理 vs 不确定性推理看知识和证据是否确定结论是否确定可信度 vs 概率前者是经验相信程度后者是概率公理与频率体系机器学习 vs 深度学习 vs 人工神经网络大类、分支、结构三层包含关系6. 什么时候用这份概念汇总什么时候别硬背三个判断场景这份人工智能导论概念汇总最适合用在“建立地图”和“考前查定义”这两个场景。比如你已经上过课但一看到知识表示、确定性推理、不确定性推理就分不清谁在前谁在后这时按目录把概念过一遍用一句话解释每个名词再用一个最小例子验证效率会很高。资料里把代码框里的内容标成非重点这个标记也很有用它告诉你复习优先级但不等于代码里的逻辑可以不看。像产生式的 if-then本文还有配套的精品资源点击获取

人工智能导论概念汇总：知识表示、推理与易混点辨析

相关推荐

Archery SQL审核查询平台实战：工单、回滚、优化与实例管理

Git Flow分支模型：高效团队协作的代码管理实践

BUUCTF PWN题解：二进制漏洞利用实战技巧

更多资讯

MySQL自增ID耗尽应急方案与分布式ID设计

大模型时代的数据标注：从成本项到资产项，高质量数据基础设施如何搭建

网络安全高薪职位解析与职业发展指南

MalwareClassification 数据划分与泄漏：可信分类评估实战

工业HMI图标设计规范：从语义编码到现场验证

OpenCV性能优化实战：从算法到工程的全面提速

今日更新

AI辅助技术栈评估：提升研发决策效率60%

从生成Token到直接决策：Jev如何重塑AI Agent工程实践

32G统一内存跑大模型：内存账、TPS实测与端云分流

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？