【正文】 [COMMIT(X) ? PUNISHED(X)]}，表示： 如果由于某個 X是人而受到法律管制，則這個人犯了罪就一定要受到懲罰。n 謂詞公式：用連詞 （ ?, ?, ?等） 把原子謂詞公式組成的合適公式。Q P+Q蘊(yùn)涵 ： Implication(if) P?Q P?Q P ? Q等價 ： Equivalence(iff) P?Q P?Q P?Q全稱量詞 ： Universal (all) (?x) P(x) ?x P(x) ?x P(x) 存在量詞 ：Existential(exists)(?x) P(x) ?x P(x) ?x P(x)關(guān)系 ： Relation R(x, y) (R x y) Rxy xRy2. 常用的謂詞公式表示方法對照表103. 謂詞公式的表達(dá)方法舉例n 實(shí)例 1n 試用謂詞演算表示如下英文句子： “For every set x, there is a set y, such that the cardinality of y is greater than the cardinality of x.”n 對應(yīng)的謂詞公式： (?x) {SET(x) ? (?y) (?u) (?v) [SET(y) ? CARD(y, u) ? CARD(x, v) ?G(u,v)]}n 實(shí)例 2n “世上決沒有無緣無故的愛，也沒有無緣無故的恨。 b）模塊性 ：產(chǎn)生式是規(guī)則庫中的最基本的知識單元，形式相同，易于模塊化管理。由于規(guī)則庫一般都比較龐大，而匹配又是一件十分費(fèi)時的工作，因此，其工作效率不高。如： 化學(xué)反應(yīng) 方面的知識。18 框架表示法 1. 框架理論 1975年美國著名 AI學(xué)者 Minsky在其論文 “A framework for representing knowledge”中提出了框架理論，并把它 作為理解視覺、自然語言對話及其它復(fù)雜行為的基礎(chǔ) 。 語義網(wǎng)絡(luò)的基本思想 ：在這種網(wǎng)絡(luò)中，用 “ 節(jié)點(diǎn) ” 代替概念，用節(jié)點(diǎn)間的 “ 連接弧 ”( 稱為 聯(lián)想弧 )代替概念之間的關(guān)系，因此，語義網(wǎng)絡(luò)又稱 聯(lián)想網(wǎng)絡(luò) 。 b） 聯(lián)想性 ：它最初是作為人類聯(lián)想記憶模型提出來的。通過推理網(wǎng)絡(luò)而實(shí)現(xiàn)的推理不能保證其正確性。腳本與框架類似，由一組槽組成，用來表示特定領(lǐng)域內(nèi)一些事件的發(fā)生序列。 劇本的組成 （ 1） 進(jìn)入條件 ：指出劇本所描述的事件可能發(fā)生的先決條件，即事件發(fā)生的 前提條件 。 （ 5） 結(jié)局 ：給出劇本所描述的事件發(fā)生以后必須滿足的條件。37 人工神經(jīng)網(wǎng)絡(luò) n 生理神經(jīng)元的結(jié)構(gòu)n 人工神經(jīng)網(wǎng)絡(luò)的組成n 人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)描述n 典型的人工神經(jīng)網(wǎng)絡(luò)n BP網(wǎng)簡介【注】：關(guān)于人工神經(jīng)網(wǎng)絡(luò)的詳細(xì)原理及應(yīng)用可參見： Martin T. Hagan 等著 , 戴葵 等譯 .《神經(jīng)網(wǎng)絡(luò)設(shè)計》 , 機(jī)械工業(yè)出版社 , 2023.38 神經(jīng)元的組成部分示意圖39 生理神經(jīng)元的結(jié)構(gòu)說明n 神經(jīng)元由兩部分組成 n 細(xì)胞體 (cell body或 soma)n 突 (process)：實(shí)現(xiàn)神經(jīng)元間的信息傳遞n 軸突 (axon)：長度可達(dá) 1m，把本神經(jīng)元的輸出發(fā)送至其它相連接的神經(jīng)元 n 樹突 (dendrite)：一般較短，且分枝很多，與其它神經(jīng)元的軸突相連，以接收來自其它神經(jīng)元的生物信號 n 突觸 (synapse)：是軸突的末端與樹突進(jìn)行信號傳遞的界面，通過突觸向其它神經(jīng)元發(fā)送信息。n 處理單元： 對生理神經(jīng)元的模擬；n 有向弧： 軸突 突觸 樹突對的模擬，有向弧的權(quán)值表示兩處理單元間相互作用的強(qiáng)弱。n 1986年 , Rumelhart Mclelland首次提出n 至今應(yīng)用最廣的人工神經(jīng)網(wǎng)絡(luò) n 由于 BP算法過程包含從輸出節(jié)點(diǎn)開始，反向地向第一隱含層 (即最接近輸入層的隱含層 )傳播由總誤差引起的權(quán)值修正，所以稱為 “反向傳播 ”。48BP網(wǎng)的簡單實(shí)例－解決 XOR問題n 作用函數(shù) f(ai)為閾值型，即1111輸入層 隱含層 輸出層49利用 BP網(wǎng)解決 XOR問題（續(xù)）n 上部隱含層 完成一個線性分類n 輸入模式 (0, 0)為一類，輸出 0n (0, 1), (1, 0), (1, 1)為另一類，輸出 1n 下部隱含層 完成另一個線性分類n (0, 0), (0, 1), (1, 0) 為一類，輸出 0n (1, 1)為另一類，輸出 1n 兩個隱含神經(jīng)元已對輸入空間進(jìn)行了初步劃分，這種預(yù)處理實(shí)際上完成了對輸入空間的特征抽象，從而為實(shí)現(xiàn)復(fù)雜的模式分類奠定了基礎(chǔ)。 ”n 機(jī)器學(xué)習(xí)是 “神經(jīng)科學(xué)（含認(rèn)知科學(xué)）＋數(shù)學(xué)＋計算 ”的有機(jī)結(jié)合61 機(jī)器學(xué)習(xí)的地位和作用n 機(jī)器學(xué)習(xí)是 AI的核心研究內(nèi)容n 已成為整個計算機(jī)領(lǐng)域中 最活躍、應(yīng)用潛力最明顯 的領(lǐng)域之一 n 美國航空航天局 JPL實(shí)驗(yàn)室的科學(xué)家們在 2023年 9月出版的《 Science》上撰文指出： “機(jī)器學(xué)習(xí)對科學(xué)研究的整個過程正起到越來越大的支持作用， …… ，該領(lǐng)域在今后的若干年內(nèi)將取得穩(wěn)定而快速的發(fā)展。n SLTSVM所堅(jiān)持的基本信念n 實(shí)際問題中存在較大數(shù)目的一些 “弱特征 ”，它們 “巧妙的 ”線性組合可較好地逼近未知的依賴關(guān)系。在每個子集中尋找最小經(jīng)驗(yàn)風(fēng)險 ,在子集間折衷考慮經(jīng)驗(yàn)風(fēng)險和置信范圍 ,取得實(shí)際風(fēng)險的最小。n SVM考慮尋找一個滿足分類要求的超平面 ,并且使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn) ,也就是尋找一個分類面使它兩側(cè)的空白區(qū)域 (margin)最大。n 分類函數(shù)只涉及到訓(xùn)練樣本之間的內(nèi)積運(yùn)算 (xi SVM的理論基礎(chǔ)比 NN更堅(jiān)實(shí)，更像一門嚴(yán)謹(jǐn)?shù)?“科學(xué) ”（三要素：問題的表示、問題的解決、證明）168。 NN設(shè)計者需要用高超的工程技巧彌補(bǔ)了數(shù)學(xué)上的缺陷84 SVM的 主要應(yīng)用領(lǐng)域n 手寫數(shù)字識別n 語音識別n 人臉識別n 文本分類n ……85 隱馬爾可夫模型 (HMM)n 馬爾可夫模型的由來n 馬爾可夫過程n 一個實(shí)驗(yàn) —— 球缸模型n HMM的基本原理n HMM的形式化描述n HMM的三個基本問題n HMM的三個主要算法86馬爾可夫模型（ MM）的由來 n 1870年，俄國有機(jī)化學(xué)家 Vladimir V. Markovnikov第一次提出 Markov Model（ MM）n MM本質(zhì)上是一種隨機(jī)過程n HMM是一個 二重 Markov隨機(jī)過程 ，包括具有狀態(tài)轉(zhuǎn)移概率的 Markov鏈和輸出觀測值的隨機(jī)過程n HMM的狀態(tài)是不確定或不可見的，只有通過觀測序列的隨機(jī)過程才能表現(xiàn)出來n 最成功的應(yīng)用領(lǐng)域之一 —— 語音識別87 Markov過程n 過程或系統(tǒng)在時刻 T0所處狀態(tài)為已知的條件下，過程在時刻 TT0所處狀態(tài)的條件分布與過程在時刻 t0之前所處的狀態(tài)無關(guān)。n 根據(jù)這個缸中彩球顏色的概率分布，隨機(jī)選擇一個球，記下球的顏色，記為 O1，再把球放回缸中。n HMM是一個雙重隨機(jī)過程，兩個組成部分：n 馬爾可夫鏈 ：描述狀態(tài)的轉(zhuǎn)移，用 轉(zhuǎn)移概率描述。n BaumWelch 算法 （解決問題 3）n 這個算法實(shí)際上是解決 HMM訓(xùn)練，即 HMM參數(shù)估計問題，或者說，給定一個觀察值序列 O，該算法能確定一個模型 λ ，使 P(O| λ)最大。n 知識發(fā)現(xiàn) （ Knowledge Discovery in Database）：是用數(shù)據(jù)庫管理系統(tǒng)來存儲數(shù)據(jù)，用機(jī)器學(xué)習(xí)的方法來分析數(shù)據(jù)，挖掘大量數(shù)據(jù)背后隱藏的知識，也稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)。n ……110THANKS FOR YOUR PRESENCE!“We are a scientific society devoted to the study of artificial intelligence. Our incorporating charter, with the characteristic precision of legal documents goes no further than to record the words ‘a(chǎn)rtificial intelligence’ as an indicator of our proper object of concern. Of the semantics behind these terms, by its silence, it leaves it to us, the society, to determine.” by Allen Newell, “AAAI President’s Message” (1980)111演講完畢，謝謝觀看！