木人舟的博客

人工智能文章系列 第1章：AI绪论与概述 第2.1章：知识表示 第2.2章：知识图谱 第3章：确定性推理 第4章：不确定性推理方法 第5章：搜索求解策略 第6章：专家系统 第7章：群智能算法 第8章：机器学习概述 第9章：神经网络 概述1）本章先讨论不确定性推理中的基本问题；2）然后介绍基于概率论的有关理论发展起来的不确定性推理方法，主要介绍“贝叶斯方法、可信度方法、证据理论等”；3）最后介绍目前在专家系统、信息处理、自动控制等领域广泛应用的依据模糊理论发展起来的模糊推理方法。 不确定性 - 概念与重要性 不确定性(Uncertainty)：事先不能准确知道某件事件或某种决策的发生、过程或结果。 现实世界中的大多数问题是不精确、非完备的。对于这些问题，若采用精确性推理方法显然无法解决。 不确定性是智能问题的本质特征，智能主要反映在求解不确定性问题的能力上。无论是人类智能还是人工智能，都离不开不确定性的处理。因此，“不确定性推理模型”是人工智能和专家系统的一个核心研究课题。 不确定性广泛出现在“哲学、统计学、经济学、金融学、保险学”等领域。 不确定性的分类 类型 分类举 ...

人工智能文章系列 第1章：AI绪论与概述 第2.1章：知识表示 第2.2章：知识图谱 第3章：确定性推理 第4章：不确定性推理方法 第5章：搜索求解策略 第6章：专家系统 第7章：群智能算法 第8章：机器学习概述 第9章：神经网络 概述上一章：讨论了“知识与知识表示”，可以把知识用某种模式表示出来存储到计算机中，但为使计算机具有智能，还必须使它具有思维能力。 本章：1）推理是求解问题的一种重要方法。因此，推理方法成为人工智能的一个重要研究课题。2）目前已提出多种可在计算机上实现自动推理的方法。 基本概念 - 定义、要素推理：从初始证据（已知事实）出发，按某种策略或规则，不断运用知识库中的已知知识，逐步推出结论的过程，或者归纳出新事实的思维过程。 两个基本要素： 事实/证据：推理的出发点、推理时应该使用的知识 知识：使推理得以向前推进，并逐步达到最终目标的依据 推理机：在AI系统中，推理过程通常由推理机来实现，它通常是一组程序，用来控制协调整个系统。 推理过程、案例 推理方式及其分类 推理方式分类 - 按推出结论的途径演绎推理（从一般到个别）由一般性知识推出适合于某 ...

人工智能文章系列 第1章：AI绪论与概述 第2.1章：知识表示 第2.2章：知识图谱 第3章：确定性推理 第4章：不确定性推理方法 第5章：搜索求解策略 第6章：专家系统 第7章：群智能算法 第8章：机器学习概述 第9章：神经网络 概述本章首先介绍“知识与知识表示”的概念，然后介绍“谓词逻辑、产生式、框架、语义网络”等当前人工智能中应用广泛的知识表示方法。然后，简要介绍知识图谱，为后面介绍推理方法、专家系统等奠定基础。 概述 - 起源（万维网） 万维网以文本和链接描述信息，用户通过超链接浏览互联网上的各类资源，也可以通过互联网将自己的信息发布出去。 万维网(world wide web，Web1.0)：是以链接为中心的信息系统(Linked information system)。 概述 - 语义网络表示法 语义网(semantic web，Web3.0)：通过给万维网上的文档（如：HTML文档、XML文档）添加能够被计算机所理解的语义“元数据”（外语：Meta data），从而使整个互联网成为一个通用的信息交换媒介。 语义网是一种智能网络，它不但能够理解词语和概念，而且还能够理 ...

人工智能文章系列 第1章：AI绪论与概述 第2.1章：知识表示 第2.2章：知识图谱 第3章：确定性推理 第4章：不确定性推理方法 第5章：搜索求解策略 第6章：专家系统 第7章：群智能算法 第8章：机器学习概述 第9章：神经网络 概述本章首先介绍“知识与知识表示”的概念，然后介绍“谓词逻辑、产生式、框架、语义网络”等当前人工智能中应用广泛的知识表示方法。然后，简要介绍知识图谱，为后面介绍推理方法、专家系统等奠定基础。 知识 - 概念 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。 把有关信息关联在一起所形成的信息结构成为知识。 知识反映了客观世界中事物之间的关系，不同事物或者相同事物间的不同关系形成了不同的知识 “雪是白色的。” ——这一条知识被称为“事实” 如果 头痛且流涕，则 有可能患了感冒。 —用“如果…，则…”关联起来形成的知识称为“规则 知识 - 特性 相对正确性 不确定性 可表示性与可利用性 任何知识都是在一定的条件及环境下产生的，在这种条件及环境下才是正确的。 举例：“1+1=2” 十进制的条件下正 ...

人工智能文章系列 第1章：AI绪论与概述 第2.1章：知识表示 第2.2章：知识图谱 第3章：确定性推理 第4章：不确定性推理方法 第5章：搜索求解策略 第6章：专家系统 第7章：群智能算法 第8章：机器学习概述 第9章：神经网络 概述本章在研究人类社会科技革命演进的基础上，介绍人工智能的形成、定义、特征等；同时梳理人工智能发展简史，列举不同时期的重要里程碑事件，分析其技术和产业发展趋势，说明人工智能对社会发展的影响，并帮助学生了解就业方向。 参考资料 本系列文章的内容主要参考了王万良教授的人工智能导论与吴飞的人工智能导论模型与算法 其他的参考引用内容，如图片与插画等等绝大多数都来源与知乎，csdn与博客园等博客网站，如有侵权，联系侵删 人类社会4次科技革命 信息革命的4次浪潮 注：时间层面，中国延后10年左右。 生产要素演进变迁 农耕社会 机械革命 电力革命 信息革命 智能革命 生产力 人力 ,水力 ,火等 蒸汽机 、机械工具 、精密机床 强电：电力应用、 弱电：电子应用 、无线电：电场与 磁场 、机电一体化 计算机、互联网 、手机、 物联网 人工智 ...

前言我在写这篇文章前，也搜索过很多相关git clone速度很慢的解决方法，但是很多很麻烦，或者是非常的不稳定，我在自己无意间尝试中发现了一个可以很稳定给git clone提速的方法，那就是通过使用代理的方法来进行提速，因此如果你没有一个可靠且稳定的梯子，接下来的就不用看了 尝试过的方法(未成功)既然有成功，那么在探索过程中也必定会有失败的方法，下面也介绍一下我试过的没啥用的方法，给各位避雷，不用花时间去刻意尝试了😊😊 更改github的hosts/使用steam++（用处不大）这两个方法本质上都是一样的，就是改hosts，网上说(不是我说的哈，与本人没有任何的关系)是github的dns会被不定时污染，所以访问起来特别的慢 典中典🤣，然后通过给定github的hosts，让dns能够解析到ping值低的服务器上。但是这种方法对git clone 的下载速度没啥用（亲测），不过有时候访问github网页还是行的，具体的可以参照这个https://github.com/521xueweihan/GitHub520.git 将github的项目导入到gitee中(有用，但 ...

运行环境推荐 anaconda3，集成了常用的用于科学计算的包，以及python解释器(本例使用的解释器版本为3.11.5) 编辑器或者IDE：Vscode或者pycharm 程序实现摘要本文将SGA遗传算法按照ppt的编写分为八个模块(python文件)进行阐述 分别是： geneEncoding.py ga.py(主功能模块，运行此模块即可运行遗传算法) best.py calfitValue.py calobjValue.py crossover.py mutation.py selection.py 具体的流程图解释如下： 种群初始化：对参数进行编码，适应度函数的设计，以及初始群体的设定 适应度计算：为每次群体中的个体赋予适应度，方便后面遗传操作的进行 选择操作：对群体进行选择，选择出适应度值较大的一部分优势群体； 交叉操作：对优势种群进行 “交配”，更容易产生优秀的个体； 变异操作：对染色体中的基因用一定的变异方法进行变异 下面以计算函数最大值为例，阐述SGA的具体步骤 基因编码在本例中，染色体的编码方式采用二进制编码，即用若干二进制数表示一个个体，将 ...

题目要求介绍 本文算法测试用的数据集为空手道俱乐部，其中空手道俱乐部的数据集可通过这个链接进行下载•http://vlado.fmf.uni-lj.si/pub/networks/data/Ucinet/UciData.htm#zachary 摘要本文旨在解决复杂网络中任意子节点之间的网络最短距离问题。首先介绍了复杂网络的概念和特点，包括小世界特性、无标度特性等。然后以空手道俱乐部网络为例，展示了如何将邻接矩阵转换为邻接表，并绘制网络图。接着设计了模块化的程序框架，采用状态压缩动态规划 + Dijkstra算法来计算任意m个节点之间的最短距离。最后给出了m=2,3,4,5,>5时的计算结果，并以直方图形式可视化。结果表明，在空手道俱乐部网络中，大多数节点之间的最短距离分布在一个中等范围内，说明大多数成员之间的社交关系维持在一个不亲不疏的状态。总体来说，本文提出了一种有效的方法来分析复杂网络中节点之间的最短距离分布，为研究复杂网络的拓扑结构提供了参考。 背景介绍复杂网络（Complex Networks）是一种描述系统中元素间复杂连接关系的网络结构，其特点在于节点数量 ...

运行环境推荐 anaconda3，集成了常用的用于科学计算的包，以及对应的Python解释器(本例使用的解释器版本为3.9.12) 编辑器：VScode 摘要本文将以迷宫探索最优路径为例，讲解A *搜索算法原理及其程序实现。 在原理讲解部分，首先从为什么要使用A *搜索算法和A *搜索算法的全局最优逻辑出发，讲解A *算法的原理。其次对A *的行动函数g(n)和启发函数h(n)的细节进行了讲解说明，并补充了启发函数的选择对于A *算法的影响。 在程序实现部分，首先从程序流程框图出发，解释A *算法的流程。其次按函数的类划分并讲解主要代码，接着展示程序的运行结果，最后对A *算法进行总结分析。 原理讲解为什么要使用A*搜索算法？搜索算法的核心是从起点出发，找到一条到达目标的最优（路径最短/成本最低/两者兼具）的路径。 根据不同需求，我们通常会选择：广度优先搜索（BFS）、Dijkstra算法（统一成本搜索）和贪婪优先搜索之一，下面我们逐个分析其优劣。 广度优先算法：不考虑每一步的移动成本，不断拓展边界，直到边界到达目标点，通常耗费大量时间。 Dijkstra算法 ...