人工智能导论-确定性推理

已于 2024-10-18 21:24:15 修改
阅读量1.3k 收藏 30
点赞数 16
分类专栏： 人工智能导论系列 文章标签： 人工智能
于 2024-07-17 20:45:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_73366745/article/details/140504985
版权

确定性推理

原文地址链接: https://kashima19960.github.io/2024/07/17/人工智能/3.确定性推理，一般有最新的修改都是在我的个人博客里面，所以在当前平台的更新会比较慢，请见谅😃

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。

在这里插入图片描述

在这里插入图片描述

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。
在这里插入图片描述

推理过程、案例

在这里插入图片描述

推理方式及其分类

在这里插入图片描述

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一具体情况的结论。

形式：三段论式

大前提：已知的一般性知识或假设。

小前提：关于所研究的具体情况或个别事实的判断。

结论：由大前提推出的适合于小前提所式情况的新判断。

在这里插入图片描述

归纳推理（从个别到一般&#

最低0.47元/天 解锁文章
人工智能导论-不确定性推理方法
m0_73366745的博客
07-17 1874
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。定义：是一种不确定性推理方法，基于经验对事物或现象为真的相信程度，即可信度。其核心在于使用可信度因子来表示“知识和证据的不确定性”，并通过推理计算得出 “结论的可信度”。这种方法在1975年由肖特里菲等人提出，并结合“概率论和模糊集合论”等方法发展而来。
人工智能导论--不确定性推理（）
2301_77124653的博客
10-17 810
人工智能导论 不确定性推理
人工智能自动推理.pptx
04-16
人工智能自动推理
自动化推理与高阶逻辑模型检查
最新发布
weixin_28933797的博客
04-08 292
本文深入探讨了自动化推理领域，特别是涉及不等式和基本函数解析的高阶逻辑模型检查。通过引入新的算法和理论，研究者们试图解决传统计算方法在处理这类问题时的局限性。文章还展示了通过模型检查技术来提高问题求解效率的可能性。
人工智能导论(3)——确定性推理(Certainty Reasoning)
hustlei的专栏
12-04 9077
确定性推理是人工智能经典三大基本技术（知识表示、推理、搜索策略）之一。确定性推理重点知识和思维导图进行了整理，主要内容包括：推理的概念；推理的分类，常用推理方式的特点；推理的方向；自然演绎推理基本规则；归纳演绎推理的基本步骤；归纳演绎推理中谓词公式的化简、谓词逻辑的归结，以及归结演绎推理的归结策略
人工智能导论笔记（第三章 确定性推理）
qq_43662165的博客
11-21 714
人工智能——归结演绎推理
weixin_33921089的博客
08-19 1698
1. 子句 1) 文字：原子谓词及其否定 定义1:任何文字的析取式称为子句 定义2：不包含任何文字的子句称为空子句，子句是永假的 2) 由子句构成的集合称为子句集，谓词公式成子句集的步骤 a) 利用等价关系消去谓词公式中的、b) 利用下列等价关系把“”移到紧靠谓词的位置上c) 重新命名变元名，使不同量词约束的变元有不同的名字 d) 消去存在量词 e) 把全称量词移到公式左边 f) 利用等价...
《人工智能》之《确定性推理》
ProgramNovice的博客
11-05 2400
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： 《人工智能》之《确定性推理》1 图搜索策略1.1 数据结构1.2 图搜索的一般过程1.3 八皇后问题（Eight Queens Puzzle） 1 图搜索策略 人工智能要解决的问题，大部分不具备明确的解题方法，这类问题可以用搜索方法解决。 1.1 数据结构 除了图本身之外，还需要两种辅助的数据结构，即存放已访问但未拓展节点的OPEN表，以及存放已拓展节点的CLOSED表。 下面给出OPEN表和CLOSED表的数据结构： O
人工智能导论-第八课非确定性推理.ppt
09-14
《人工智能导论-第八课非确定性推理》的讲解主要涉及了在人工智能领域处理不确定性的核心概念和方法。不确定性推理是人工智能中一个重要的研究方向，因为现实世界中的信息往往充满了随机性、模糊性和不完整性，这...
人工智能导论-绪论与概述
m0_73366745的博客
07-16 1355
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。人工智能：用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。或，智能主体可以理解数据及从中学习，并利用知识实现特定目标和任务的能力。人工智能学科：一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。
人工智能导论（4）
freedomvictor的博客
10-10 962
不确定性推理中需要解决的基本问题包括不确定性的表示与量度、不确定性匹配算法与阈值的选择、组合证据不确定性的算法、不确定性的传递算法、结论不确定性的合成。概率分配函数是D-S证据理论中的一个概念，它分配给识别框架Θ的各个子集的信任程度，而传统概率论中的概率是分配给Θ中单个元素的。求取问题结论可信度的步骤通常包括：确定证据的可信度、确定规则的可信度、应用不确定性推理方法（如D-S证据理论、可信度方法等）来合成证据和规则的可信度，最终得出结论的可信度。由可信度因子CF（H，E）的定义说明它的含义。
人工智能-推理分类总结
super_mochi1
01-08 498
人工智能导论-推理
人工智能原理复习--确定性推理
m0_64372178的博客
12-01 1648
确定性推理的几种方法
《人工智能导论》 第1章 绪论&第2章 知识表示&第3章 确定性推理方法&第4章 不确定推理方法
AncilunKiang的博客
05-24 2648
用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。人工智能学科是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。主要研究如何用人工的方法和技术，使用各种自动化机器或智能机器(主要指计算机)模仿、延伸和扩展人 的智能，实现某些机器思维或脑力劳动自动化。
人工智能概论复习笔记
qq_40631525的博客
04-27 2328
人工智能概述是人工智能导论课程的第一个模块，它主要介绍了人工智能的定义、人工智能的发展历史以及人工智能的研究方向。这一部分内容旨在帮助学生了解人工智能的基本概念和背景知识。人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
自动推理与规划：让机器具备智能决策与问题解决能力
威哥说编程
01-01 1067
自动推理与规划作为人工智能的核心技术之一，已经在多个领域展现出了巨大的应用潜力。从问题求解到智能规划，从约束求解到动态决策，自动推理与规划使得机器能够像人类一样进行理性推理和高效决策。尽管面临计算复杂度、环境不确定性等挑战，随着技术的不断发展，未来的自动推理与规划将赋予机器更强的智能决策能力，推动更多创新应用的落地。
第三章 自动推理
厚积而薄发
11-13 2140
一、定义： 所谓推理，就是从初始证据出发，按照某种策略，不断运用知识库中已有的知识，逐步匹配，直到推出结论的过程。 二、推理的类型： 1.归纳：从特殊到一般 2.演绎：从一般到特殊 三、推理的方向： 1.正向推理 1.1假言推理 1.2拒式假言推理 2.反向推理 反向推理例子： 四、推理的确定性： 1.确定性： 推理用的知识/证据/得到的结论非真即假 2.不确定性 推理用的知识/证据/得到的结论存在概率性 五、总结： 计算机实现推理：反向、演绎 机器学习：归纳 六、确定性推理： 1.归结原理采用反证法
AutoReason：自动Few-Shot推理分解
llm_way的博客
01-13 996
当下大型语言模型（LLMs）备受瞩目。然而，尽管LLMs在许多自然语言任务上表现出色()，它们在处理需要复杂多步推理的任务时仍面临挑战。为了解决这一问题，伊兹密尔理工学院的研究人员提出了AutoReason框架。AutoReason通过自动生成推理步骤，有效提升了LLMs在复杂推理任务中的表现，并增强了其可解释性。本文将详细介绍AutoReason的架构、原理及其实验效果。希望对大家有所帮助。
详解人工智能之确定性推理方法
热门推荐
zag666的博客
06-13 1万+
文章目录推理的定义推理方式及其分类推理的方向冲突消解策略自然演绎推理谓词公式化为子句集的方法鲁宾逊归结原理1.命题逻辑中的归结原理（基子句的归结）2.谓词逻辑中的归结原理（含有变量的子句的归结）归结反演应用归结原理求解问题 推理的定义 推理方式及其分类 1.演绎推理：一般 → 个体 三段论式（三段论法） 2.归纳推理：个体 → 一般 完全归纳推理（必然性推理） 不完全归纳推理（非必然性推理） 3.默认推理（缺省推理）：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。 1.确定性推理：推
头歌不确定性推理
03-15
### 关于头歌平台中不确定性推理的内容 #### 头歌平台概述 头歌（Tougo）是一个专注于IT教育的实验教学平台，提供丰富的在线课程资源和实践环境。该平台支持多种技术领域，包括但不限于人工智能、大数据、云计算以及软件开发等方向的学习与实训。 #### 不确定性推理简介 不确定性推理是指在信息不完全或存在噪声的情况下进行逻辑推导的过程。这是人工智能研究的重要组成部分之一，在实际应用中有广泛需求，比如医疗诊断系统、金融风险评估等领域都需要依赖此类方法来解决复杂问题[^1]。 #### 头歌平台上关于不确定性推理的教学内容 虽然具体提到“头歌”平台上的某些细节可能未被直接引用说明，但从一般意义上讲，这类主题通常会涉及以下几个方面： 1. **概率论基础** 学习者需掌握基本的概率理论知识作为入门前提条件，因为大多数现代不确定性推理模型都建立在其之上。这包括事件发生的可能性计算法则及其相互关系等内容[^4]。 2. **贝叶斯网络** 贝叶斯网络是一种图形化表示随机变量之间因果联系的方式，并允许我们根据已知证据更新假设成立的可能性大小。它是目前最常用的一种形式化工具用于表达不确定性的结构化方式之一[^3]。 3. **模糊逻辑** 当面对无法精确量化的概念时(例如，“年轻”，“老”) ，可以通过定义隶属函数将这些定性描述转化为定量数值来进行进一步处理。这种方法特别适用于那些难以用传统二值真伪判断标准衡量的情境之中。 4. **决策树和支持向量机(SVM)分类器** 这些机器学习算法也可以看作是对输入样本属性空间划分从而做出预测结论的技术手段。尽管它们本身并不显式地包含任何有关置信水平的信息成分在里面，但在很多情况下仍然能够很好地应对含有一定程度干扰因素的数据集情况。 5. **强化学习中的探索策略** 在动态环境中不断试错寻找最优行动方案的过程中不可避免地涉及到对未来奖励估计误差范围内的考量环节。因此可以说这也是另一种体现出了对于未来状态认知局限态度的表现形式[^2]。 6. **深度神经网络中的Dropout机制** Dropout作为一种防止过拟合的有效措施同时也引入了一种隐式的变分近似过程，使得最终得到的结果具有某种意义上的鲁棒性和泛化能力增强特性。这也间接反映了我们在构建高度复杂的映射关系过程中所采取的一种折衷办法——即接受一定限度内的不可靠程度换取更佳的整体表现性能指标得分。 以上列举的各项知识点均可以在类似于头歌这样的综合性IT教育资源共享服务平台上面找到相应的讲解材料或者配套练习题目供学员们深入理解和巩固记忆之用。 ```python import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB # 加载鸢尾花数据集并分割成训练集和测试集 iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split( iris.data, iris.target, test_size=0.3, random_state=42) # 使用朴素贝叶斯分类器建模 gnb = GaussianNB() y_pred = gnb.fit(X_train, y_train).predict(X_test) print(f"Number of mislabeled points out of a total {len(y_test)} points : {(y_test != y_pred).sum()}") ``` 上述代码片段展示了一个简单的例子，其中运用到了Naïve Bayes Classifier这一经典算法完成对Iris Dataset上花卉种类归属判定的任务操作流程演示。它属于监督型学习范畴之内较为典型的代表案例之一，同时也是初学者接触统计模式识别相关内容的良好切入点。 ---
评论
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
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