《人工智能》之《非经典推理》

人工智能导论(选择题+判断题) 阅读详情

教材:《人工智能及其应用》,蔡自兴等,2016m清华大学出版社(第5版)

参考书:
在这里插入图片描述


现实世界中的大多数问题是不确定、非完备的。对于这些问题,若采用前面所讨论的确定性推理方法显然是无法解决的。为此,人工智能需要研究不确定性的推理方法,以满足客观问题的需求。

1 经典推理与非经典推理

经典推理指的是传统的命题逻辑、谓词逻辑,而非经典推理一般泛指与经典命题逻辑不同的那些逻辑。现代非经典逻辑的研究始于1910年,最早提出和创立的是美国逻辑学家刘易斯(C.I.Lewis)——建立了模态命题逻辑,波兰的J.卢卡西维茨和美国的E.L.波斯特分别于1920和1921年建立了多值逻辑。

在这里插入图片描述

非经典逻辑大体上分为两类:

  1. 与经典逻辑平行的逻辑,如多值逻辑和模糊逻辑
  2. 对经典逻辑进行扩充的逻辑,如模态逻辑、时态逻辑、动态逻辑

2 不确定性推理

不确定性推理,也称不精确推理,泛指除确定性推理以外的其它各种推理问题,包括不完备、不确定性知识的推理,模糊知识的推理,非单调性推理等。不确定性推理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。

不确定性推理存在三种不确定性,即关于知识的不确定性、关于证据的不确定性和关于结论的不确定性。
在这里插入图片描述
不确定性推理的基本问题

知识和证据都具有某种程度的不确定性,这就为推理机的设计与实现增加了复杂性和难度。

要解决推理方向、推理方法、控制策略等基本问题,还要解决以下问题:

  1. 不确定性的表示和量度
  2. 不确定性匹配
  3. 组合证据不确定性的计算
  4. 不确定性的传递
  5. 不确定性的合成

1.不确定性的表示与量度

  • 知识不确定性的表示
    在这里插入图片描述

  • 证据不确定性的表示——证据的动态强度
    在这里插入图片描述

  • 不确定性的量度
    在这里插入图片描述

2.不确定性匹配

含义:不确定的前提条件与不确定的事实匹配。

不确定性匹配算法及阈值的选择:

  • 不确定性匹配算法:用来计算匹配双方相似程度的算法。
  • 阈值:用来指出相似的“限度”。

3.组合证据不确定性的计算

含义: 前提条件是多个证据的组合

方法: (确定性:Certainty; 证据: Evidence; 结论: Hypothesis)

  1. 最大最小方法,如合取取最小、析取取最大
    C(E1∧E2)=min[C(E1),C(E2)]
    C(E1∨E2)=max[C(E1),C(E2)]
  2. 概率方法,按概率公式
    C(E1∧E2)=C(E1)C(E2) (Ei 彼此独立)
    C(E1∨E2)=C(E1)+C(E2)-C(E1)C(E2)
  3. 有界法
    C(E1∧E2)=max[0, C(E1)+C(E2)-1]
    C(E1∨E2)=min[1, C(E1)+C(E2)]

4.不确定性的传递

含义:

  • 在每一步推理中,如何把证据及知识的不确定性 传递给结论。
    即:C(H)=g1[C(E),f(H,E)]
    表示:由规则前提E的不确定性C(E),规则强度f(H,E),求结论H的不确定性C(H)。(g1是一函数,该函数是根据不同的情况来定义的)
  • 在多步推理中,如何把初始证据的不确定性传递给最终结论

5.结论不确定性的合成

多个不同知识推出同一结论,且每条知识的前提条件是相互独立的证据,即:C(H)=g2[C1(H), C2 (H)]

表示:根据分别由独立的证据E1,E2求出的结论H的不确定性C1(H),C2(H),求出证据E1和E2的组合所导致的结论H的不确定性C(H)(g2是一函数,该函数是根据不同的情况来定义的)。

2.1 不确定性推理模型

不确定性推理模型无统一的模型,种类多,比较著名的有:

  • Shortliffe在1975年结合医疗专家系统MYCIN建立的可信度方法(确定性理论+概率论)
  • Duda在1976年结合探矿专家系统PROSPECTOR建立的主观Bayes推理
  • Dempster Shafer在1976年提出的证据理论
  • Zadeh在1978年提出的可能性理论,1983年提出的模糊逻辑和逻辑推理
  • Nilsson在1986年提出的概率逻辑
  • Judea Pearl在1986年提出的信任网络
  • Bayes提出的Bayes网络

不确定性推理的分类:
在这里插入图片描述

3 概率推理

3.1 概率的基本性质和计算公式

样本空间

概念:在概率论中,把试验中每一个可能出现的结果称为试验的一个样本点,由全体样本点构成的集合称为样本空间。

表示:通常,用D表示样本空间,d表示样本点。

例子:在掷币试验中,若用d1表示硬币的正面向上,用d2表示硬币的反面向上,则该试验的样本空间为:D={d1, d2}。

随机事件

概念:由样本点构成的集合称为随机事件。

例子: 在掷币试验中,若用A表示硬币正面向上这一事件,则有A={d1}

运算:

  • 并事件
    事件A与事件B至少有一个发生 记为A∪B
  • 交事件
    事件A与事件B同时发生 记为A∩B
  • 互斥事件
    事件A与B之间满足“A∩B=Φ, A∪B=D ”

频率

在这里插入图片描述

统计概率的性质

在这里插入图片描述

条件概率

在这里插入图片描述

全概率公式

在这里插入图片描述

贝叶斯公式

在这里插入图片描述

3.2 概率推理方法

假设有产生式规则:if E then H,证据(或前提条件) E不确定性的概率为P(E),概率方法不确定性推理的目的就是求出在证据 E 下结论 H 发生的概率P(H|E)。

在这里插入图片描述
这也叫做逆概率方法。
在这里插入图片描述
逆概率方法的优缺点:

4 主观贝叶斯方法

1976年,杜达(R.O.Duda)、哈特(P.E.Hart)等人提出主观Bayes方法,建立了不确定性推理模型,并在地矿勘探专家系统PROSPECTOR中得到了成功的应用。

4.1 知识不确定性的表示

在这里插入图片描述
主观贝叶斯方法的不精确推理过程就是根据前提E的概率P(E),利用规则的LS和LN,把结论H的先验概率P(H)更新为后验概率P(H|E)的过程。
在这里插入图片描述
在这里插入图片描述
这样,就可把取值为[0,1]的P(X)放大为取值[0,+∞)的O(X)。
在这里插入图片描述
红色的两个公式就是修改的贝叶斯公式。

LS的性质
在这里插入图片描述
LN的性质
在这里插入图片描述
LS与LN的关系
在这里插入图片描述

4.2 证据不确定性的表示

主观贝叶斯方法中证据的不确定性也是用概率表示的。
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.3 主观贝叶斯方法的推理过程

  • 若采用初始证据进行推理,则通过用户得到C(E|S),从而根据CP公式可求得 P(H|S)
  • 若采用推理过程中得到的中间结论作为证据进行推理,则通过 EH 公式可求得 P(H|S)

在这里插入图片描述

4.4 主观贝叶斯方法的优缺点

优点:

  1. 具有较坚实的理论基础。
  2. 知识的静态强度 LS 及LN 是由领域专家根据实践经验给出的,推出的结论有较准确的确定性。
  3. 主观Bayes方法是一种比较实用且较灵活的不确定性推理方法。

缺点:

  1. 要求领域专家在给出知识时,同时给出H的先验概率。
  2. Bayes定理中关于事件独立性的要求使主观Bayes方法的应用受到了限制。

5 证据理论

证据理论(theory of evidence):又称D-S理论,是德普斯特(A.P.Dempster)首先提出,沙佛(G.Shafer) 进一步发展起来的一种处理不确定性的理论。它将概率论中的单点赋值扩展为集合赋值,比主观Bayes方法有着更大的灵活性。1981年巴纳特(J. A. Barnett)把该理论引入专家系统,同年卡威(J. Garvey)等人用它实现不确定性推理。

5.1 证据理论的形式化描述

设 D 是变量 x 所有可能取值的集合,且 D 中的元素是互斥的,在任一时刻 x 都取且只能取 D 中的某一个元素为值,则称 D 为 x 的样本空间。

在证据理论中,D 的任何一个子集 A 都对应于一个关于 x 的命题,称该命题为“ x 的值是在 A 中”。设 x :所看到的颜色,D={红,黄,蓝},则 A={红}表示“ x 是红色”;A={红,蓝}表示“x 或者是红色,或者是蓝色”。

1.概率分配函数
在这里插入图片描述
2.信任函数

在这里插入图片描述
3.似然函数
在这里插入图片描述
似然函数的另一种计算方法:
在这里插入图片描述
4.信任函数与似然函数的关系
在这里插入图片描述
在这里插入图片描述
5.概率分配函数的正交和
在这里插入图片描述
在这里插入图片描述

6.2 证据理论的不确定性推理模型

信任函数Bel(A)和似然函数Pl(A)分别表示命题A的信任度的下限和上限,同时也可用来表示知识强度的下限和上限。从信任函数和似然函数的定义看,它们都是建立在概率分配函数之上的,可见不同的概率分配函数将得到不同的推理模型。

下面就给出一个特殊的概率分配函数,并在其上建立推理模型。

1.概率分配函数与类概率函数

在这里插入图片描述
在这里插入图片描述
2.知识不确定性的表示

在这里插入图片描述

3.证据不确定性的表示

在这里插入图片描述
4.组合证据的不确定性的表示
在这里插入图片描述
5.不确定性的更新
在这里插入图片描述
在这里插入图片描述

7 贝叶斯网络

7.1 概率图模型

概率图模型是一种用图结构来描述多元随机变量之间条件独立关系的概率模型。图中的每个节点都对应一个随机变量,可以是观察变量,隐变量或是未知参数等;每个连接表示两个 随机变量之间具有依赖关系。
在这里插入图片描述

7.2 贝叶斯网络的基本概念

贝叶斯网络是表示变量间概率依赖关系的有向无环图,每个节点表示领域变量,每条边表示变量间的概率依赖关系。

贝叶斯网络用有向无环图表示:

  • 结点代表证据或结论,权代表证据或结论的可信度
  • 弧代表证据与结论之间的因果关系(即规则),权代表规则的可信度

在这里插入图片描述

局部马尔可夫性质
在这里插入图片描述
什么样的图是一个贝叶斯网络?
在这里插入图片描述
条件概率表(Condition Probability Table,CPT)

  • 每个节点都对应着一个CPT,指明了该变量与父节点之间概率依赖的数量关系。
  • 对所有父结点的一种指派,确定子结点的发生概率。

在这里插入图片描述
条件独立性

在贝叶斯网络中,如果两个节点是直接连接的,它们肯定是非条件独立的,是直接因果关系。父节点是“因”,子节点是“果”。如果两个节点不是直接连接的,但可以由一条经过其他节点的路径来连接,那么这两个节点之间的条件独立性就比较复杂。
在这里插入图片描述

7.3 贝叶斯网络的构造

贝叶斯网络的构造方法:

  1. 确定变量及其解释
  2. 建立符合条件独立的有向无环图
  3. 确定局部的概率分布(CPT)

当贝叶斯网络提供了足够的条件概率,足以计算出任何联合概率,则称此贝叶斯网络是可计算的,即可推理的。

7.4 贝叶斯网络的推理模式

因果推理

在这里插入图片描述
在这里插入图片描述

诊断推理

在这里插入图片描述
在这里插入图片描述

辩解推理

在这里插入图片描述
在这里插入图片描述

7.5 贝叶斯网络的总结

贝叶斯网络所依赖的一个核心概念是:条件独立(Conditional Independence)。

  • 贝叶斯网络是表示不确定性知识的一种有效方法
  • 贝叶斯网络的参数学习与结构学习是比较活跃的研究领域
  • 贝叶斯网络的推理能够计算出任何给定事件在给定条件下发生的可能性
  • 贝叶斯网络具有广阔的应用前景
XTU | 人工智能入门复习总结 写在前面 本文严禁转载,只限于学习交流。 课件分享在这里了。 还有人工智能标准化白皮书(2018版)也一并分享了。 绪论 人工智能的定义与发展 定义 一般解释:人工智能就是用 人工的方法在 机器(计算机)上实现的智能,或称 机器智能; 人工智能(学科):从学科的角度来说,人工智能是一门研究如何 构造智能机器或智能系统,使之能模拟、延伸、扩展人类智能的学科; 人工智能... 阅读详情

相关推荐

Richard O.Duda 模式分类第二版习题连同答案(全英文)(详细全面)

这个是模式分类第二版的习题和程序答案,非常全面,唯一的缺点是全英文。当然,我相信你学到这个地步,那点英文已经算不上事了 给出一些里面的英文供你参考一下(有些符号复制过来有些问题,所以仅供参考) 1、Because of the symmetry property of the ROC curve, the point (Phit, Pfalse) and the point (1 − Phit, 1 − Pfalse) will go through the same curve corresponding to some fixed d. For case B, (0.1, 0.3) is also a point on ROC curve that (0.9, 0.7) lies. We can compare this point with case A, going through (0.8, 0.3) and the help of Fig. 2.20 in the text, we can see that case A has a higher discriminability d'. 2、That is, the two different thresholds do not provide any additional information and conveys the same information as only one observation. As explained in part (a), this kind of result would not allow us to determine da'. 3、We can see that for some n, the ratio will be small if s is small, and that the ratio will be large if s is large. This implies that with n increasing, if x is unlikely to be 1 in the first n tests (i.e., small s), it would be unlikely to be 1 in the (n + 1)st test, and thus s remains small. On the contrary, if there are more 1s than 0s in the first n tests (i.e., large s), it is very likely that in the (n + 1)st test the x remains 1, and thus retains s large.

人工智能 4.不确定性推理方法

目录   概述 不确定性推理的含义 基本问题 不确定性推理的类型 可信度推理模型 知识不确定性的表示: 可信度的定义: 可信度的性质 证据不确定性的表示 不确定性的更新 结论不确定性的合成 主观Bayes方法的概率论基础 全概率公式 Bayes公式 推导 知识不确定性的表示 证据不确定性的表示 不确定性的更新 概述 不确定性推理的含义 泛指除精确推理以外...

越开源越幸运 3万+

matlab内读取文件目录时斜杠和反斜杠的使用

@matlab内读取文件目录时斜杠和反斜杠的使用TOC matlab内读取文件目录时,斜杠和反斜杠的使用 最近被斜杠和反斜杠弄晕了,于是总结了一下,在此和大家分享一下。 代码 clear; clc; close all; I1= imread('..\zs1.jpg'); %和代码文件夹同目录的图片 (纯反斜杠) I2= imread('../zs2/zs2.j...

weixin_44456694的博客 6575

人工智能——主观贝叶斯方法(主要是公式)

目录条件概率全概率公式贝叶斯公式贝叶斯公式2.0知识不确定性的表示知识表示方法充分性度量LS必要性度量LN几率函数贝叶斯公式的几率似然性形式贝叶斯公式的必率似然性形式LS的性质LN的性质LS与LN的关系证据不确定性的表示不确定性推理计算确定性证据不确定性证据杜达公式杜达公式解释结论不确定性的合成和更新算法合成算法更新算法 条件概率 全概率公式 贝叶斯公式 贝叶斯公式2.0 知识不确定性的表示 知识表示方法 充分性度量LS 必要性度量LN 几率函数 贝叶斯公式的几率似然性形式 贝叶斯公式的必

ivhs的博客 3676

[软考]系统架构设计师 备考经验分享(一) - 备考计划篇

前言 上周末刚刚结束了软考架构师的考试,自我感觉考的还可以,大概率是过了。 两次参加软考,一次中级嵌入式,一次高级架构师,都是备考不到两个月时间,尤其是架构师这次考试内容和本职工作有不小的差别,并且需要同时备考三个科目,在高强度地备考中感觉是摸索出到了一点软考的技巧与经验。 打算趁还记得,赶紧写几篇文章做下梳理总结,算是给将来自己考系分、高项或者其他考试做个记录,也希望能够帮到正在备考的大家。 先把第一步,个人的备考计划分享给大家。 自身情况分析 首先,请大家一定先明确三个问题,这三个问题会直接影响到你的

_ 6406

欢乐熊大话蓝牙知识16:蓝牙是怎么找设备的?扫描与广播的“对话内幕”

蓝牙是怎么找设备的?扫描与广播的对话技术介绍

hoony123的博客 1382

人工智能原理及其应用---主观Bayes推理

主观Bayes推理

qq_48529664的博客 2057

图神经网络实战——利用节点回归预测网络流量

在机器学习中,回归指的是对连续值的预测。通常与分类形成鲜明对比,分类的目标是找到正确的类别(即离散值,而非连续值)。在图数据中,分类和回归分别对应于节点分类和节点回归。在本节中,我们将尝试预测每个节点的连续值,而非分类变量。

盼小辉丶的博客 1万+

《人工智能及其应用》课程笔记(四)第4章 非经典推理

本章内容 熟悉经典推理和非经典推理的区别 掌握不确定推理的基本概念 掌握概率推理方法 掌握主观贝叶斯推理方法 掌握可信度推理方法 了解证据理论的基本知识 4.1 经典推理和非经典推理 非经典推理和经典推理的区别表现在: 推理方法。经典采用演绎逻辑推理,非经典采用归纳逻辑推理。 辖域取值。经典逻辑都是二值逻辑,非经典是多值逻辑。 ...

qq_46485137的博客 7001

ArcMap|使用模型构建器将kml文件批量转图层

参考:https://www.jianshu.com/p/6de18f846024 第一步:打开模型构建器,拖入kml转图层工具 第二步:插入文件迭代器 第三步:双击“迭代文件”,选择kml所在文件夹 第四步:将“File.kml”与“KML转图层”连接,点击“输入KML文件” 第五步:双击“KML转图层”,更改输出位置,输出数据名称改为%名称% 第六步:运行模型 得到结果: ...

个人学习笔记 3602

已经下载了WSL2但Docker依然显示版本过旧无法使用,如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 2909

《人工智能》之《非经典推理》习题解析

教材:《人工智能及其应用》,蔡自兴等,2016m清华大学出版社(第5版) 参考书: 对应同系列博客:《人工智能》之《非经典推理》 《人工智能》之《非经典推理》习题解析1 什么是图搜索过程?其中,重排OPEN表意味着什么,重排的原则是什么? 1 什么是图搜索过程?其中,重排OPEN表意味着什么,重排的原则是什么? ...

ProgramNovice的博客 3467

如何用python自己复现worldquant brain中的回测结果

本文介绍了在Python中复现WorldQuant Brain平台上alpha 101因子1和4的回测框架构建要点。重点分析了Brain平台的策略设置:使用TOP 3000高流动性股票(可用中证1000/2000替代);delay=1表示t日信号在t+1日开盘调仓;详细解释了market/sector/industry/subindustry四级中性化方法;说明了decay参数控制持仓权重线性衰减;以及TRUNCATION参数限制单股仓位风险。文章还探讨了不同调仓时点的实现差异,为自主构建量化回测系统提供了

夏之微风的博客 742

非证明的推理 | 大师经典「AI核心算法」

关注:决策智能与机器学习,深耕AI脱水干货作者 | 罗素报道 | 人机与认知实验室导言:科学与经验,理性和感性是否对立不可调和?其相通性又在何处?听听大师罗素的深刻思考,或许对于A...

九三智能控 454

基于YOLOv8的铁路轨道异物检测系统设计与实现

目标检测是计算机视觉领域的核心任务之一,旨在识别图像中特定目标的位置和类别。传统方法主要依赖手工特征(如HOG、SIFT等)和分类器(如SVM),而深度学习方法通过卷积神经网络自动学习特征表示,显著提升了检测性能。YOLO(You Only Look Once)系列算法作为单阶段目标检测的代表,以其高效的检测速度著称。YOLOv8是Ultralytics公司于2023年发布的最新版本,在精度和速度上都有进一步提升。

YOLO 575

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

逻辑概念详解-ChatGPT4o作答

逻辑是关于推理和有效性的学科,它在不同领域中有广泛应用。逻辑不仅仅是数学家和哲学家的工具,也是计算机科学、人工智能等领域的基础。无论是在日常生活中,还是在科学研究和技术应用中,逻辑都帮助我们更加精确和严密地推理和决策。

qq_46215223的博客 1382

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

人工智能及其应用——第四章学习笔记(上)

所用书籍:《人工智能及其应用(第五版)》蔡自兴等

JallinRicher的博客 1341

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【人工智能及其应用学习目录】

第1章绪论 第2章知识表示方法 第3章 确定性表示方法 第4章非经典推理 第5章计算智能 第6章 专家系统 第7章机器学习 第8章自动规划 第9章 分布式人工智能与Agent(真体) 第10章 自然语言理解 参考书籍: 《人工智能及其应用》蔡自兴,第五版 视频课程链接 课程主页链接 ...

谷风的世界 806

《人工智能及其应用》知识点整理(含主要考点)

这是我在学习人工智能及其应用这门课之后整理的知识点,分享给大家,希望对大家有帮助~

Luan__Yu的博客 3790

孤能子视角:“逻辑学“,动力学分析

在EIS理论视角下,逻辑学不再是真理的守护神,而是人类意识孤能子在无限复杂的宇宙关系场中探险的工具箱。每个逻辑系统都是一套特殊的“观测线组合”,擅长映射某些类型的关系模式,但在其他关系场中可能失效。逻辑学的发展史,就是人类不断创造新关系线、突破旧“人界线”的历史。从亚里士多德的三段论,到弗雷格、罗素的数理逻辑,再到今天的非经典逻辑,每一次跃迁都是认知孤能子的“自我革命”。

水如烟 542

《人工智能及其应用》整理(2)

第三章 确定性推理 3.1 图搜索策略 图搜索(graph search) 3.2 盲目搜索 3.2.1 宽度优先搜索 宽度优先搜索(breadth-first search) 3.2.2 深度优先搜索 深度优先搜索(depth-first search) 3.2

zillion217的专栏 928

人工智能期末复习

1、人工智能 内涵和外延 英文:Artificial Intelligence 定义 能力方面:人工智能就是用人工的方法在机器(计算机)上实现的智能,或称机器智能。 学科方面:是一门研究如何构造智能机器或智能系统,以模拟、延申和扩展人类智能的学科 非PPT内容:来自李德毅院士,仅供参考 内涵:包括脑认知基础、机器感知与模式识别、自然语言处理与理解、知识工程这四个方面。 外延:是机器人与智能系统——智能科学的应用技术 。这包括工业机器人、农业机器人、服务机器人等各类机器人以及智能交通、智能制造、智慧

qq_45347768的博客 7335

专家系统的知识获取、检测与组织管理——基于《人工智能原理与方法》的深度解析

前文我们已经了解了专家系统的基本概念和一般结构,系统中有专业的知识才是专家系统的关键,接下来对专家系统中的知识是如何获取、检测、组织和管理的进行探讨。:通过专家访谈(如“您如何判断变压器绕组故障?(2)知识工程师未能准确、全面地理解领域专家的意图,使得所形成的知识条款隐含着种种错误,影响到知识的一致性及完整性。索引机制:为每个故障类型建立关键词索引(如“变压器过热”关联“油色谱”“温度传感器”),加速规则匹配。:构建层次结构(如“疾病”→“呼吸道疾病”→“肺炎”),支持继承(子类继承父类的症状槽);

搏博的专栏 1835

人工智能

人工智能总集篇第一章:绪论第二章:知识表示第三章:确定性推理第四章:非经典推理第七章:机器学习第十章:自然语言理解习题解析课程实验完整代码及实验报告 第一章:绪论 《人工智能》之《绪论》 第二章:知识表示 《人工智能》之《知识表示方法》 第三章:确定性推理 《人工智能》之《确定性推理》 第四章:非经典推理 《人工智能》之《非经典推理》 第七章:机器学习 《人工智能》之《机器学习》 第十章:自然语言理解 《人工智能》之《自然语言理解》 习题解析 《人工智能》之《绪论》习题解析 《人工智能》之《知识表示方法》习

ProgramNovice的博客 746

BDH-CQ以0.0007美元成本登ARC-AGI:低成本AI推理的技术路径与复现指南

在人工智能领域,模型推理成本优化与高效计算是核心工程挑战。其原理在于通过算法与系统设计,降低单次推理所需的计算资源与时间开销,从而实现降本增效。这项技术的核心价值在于,它使得复杂AI能力(如抽象推理)能够以极低成本部署,为边缘计算、实时应用与大规模服务提供了可行性。典型的应用场景包括轻量级模型部署、专用AI芯片适配以及对计算敏感的研究探索。近期,一项名为BDH-CQ的技术方案在著名的抽象推理基准ARC-AGI上取得了突破,其单次推理成本据称仅0.0007美元,这引发了行业对【程序合成】与【模型小型化】等高效

weixin_34245749的博客 477

笔记 | 人工智能导论-第二章 谓词逻辑

参考课件:http://www.doc88.com/p-01573186694175.html 2.1.1 命题逻辑 - 逻辑的类型 + 经典逻辑(二值逻辑):经典命题逻辑、一阶谓词逻辑 + 非经典逻辑:三值逻辑、多值逻辑、模糊逻辑 2.2.1 谓词逻辑 谓词 - 一阶谓词逻辑表示法 + 命题:一个非真即假的陈述句(真:T...

睦生 7135
上一篇: 《人工智能》之《确定性推理》习题解析
下一篇: 《Python语言程序设计》之第一次平时作业解析
UestcXiye
博客等级 码龄8年 9033粉丝 1306原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UestcXiye

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值