简介山东大学《人工智能导论》概念汇总是一份面向期末复习与考研备考的知识梳理文档覆盖人工智能、机器学习方向的核心理论便于快速建立课程知识框架。内容按章节组织从智能与人工智能的基本定义出发系统整理一阶谓词逻辑、产生式表示、框架表示法、知识图谱等知识表示方法并延伸到确定性推理、搜索策略与遗传算法等重点考点。资源为1个PDF文件压缩包约2.28MB体积小巧适合打印或离线阅读。目前已有433人学习下载。该版本在原稿基础上结合期末考试可能性做了针对性删减对代码框内的非重点内容进行了标注既保留主干概念又减轻考前记忆负担。学习者可通过它快速回顾定义、特性与知识表示框架配合课程教材查漏补缺。1. 人工智能导论这份概念汇总帮你把四章考点一次盘清期末复习最怕的不是教材厚而是不知道哪些概念会考、哪些细节容易被忽略。人工智能导论这类课程覆盖面很广从知识表示到推理方法从确定性逻辑到不确定性计算每一章都能出题。这份概念汇总笔记按绪论、知识表示、确定性推理、不确定性推理四章做了精简把期末考试大概率涉及的考点剔了出来还顺手标注了原版代码框里的内容基本可以不看。对准备应试的学生来说它能省下不少整理时间对想快速建立AI基础知识框架的从业者它也是一份可以直接对照复习的路线图。2. 知识表示与知识图谱谓词逻辑、产生式、框架三种表示法的边界与考点2.1 先看懂知识表示要解决什么问题知识表示在整门课里是地基性质的内容。教材里的定义是“将人类知识形式化或者模型化”落到考试层面就是要你理解计算机为什么需要一套符号系统来表示现实世界的事实。人在说话时可以靠上下文补全语义但机器不行它需要一种无歧义的载体。所以绪论里反复强调“知识是智能行为的基础”没有知识表示后面的推理、搜索、专家系统都无从谈起。复习这一章时我建议按三条线走。第一条线是搞清楚知识本身的性质比如相对正确性、不确定性、可表示性与可利用性这四个特性经常出现在名词解释题里。第二条线是掌握不同表示法的语法结构和适用场景一阶谓词逻辑适合表示精确知识产生式适合规则型知识框架适合结构性知识而知识图谱适合描述实体之间的关联。第三条线是能看懂每种表示法在具体例题里怎么写真题往往不会直接问“什么是产生式”而是给你一句话让你用产生式表示出来。还有一个容易忽略的点知识表示与知识图谱被编排在同一章说明知识图谱本质上也是知识表示的一种落地形态。它的逻辑结构分模式层与数据层数据层存事实模式层建在数据层之上是知识图谱的核心。构建知识图谱的数据来源又分为结构化、半结构化和非结构化三类这三个概念常被放在填空题或判断题里考察。2.2 一阶谓词逻辑连接词优先级、量词辖域与表示法优缺点一阶谓词逻辑的核心结构是谓词公式由谓词名、个体和变元组成。比如“老张是一个教师”记作Teacher(Zhang)其中Teacher是谓词名Zhang是个体。考试里常见的是让你把自然语言翻译成谓词公式或者反过来解释公式的含义。这里最容易被扣分的是连接词优先级从高到低依次是﹁、∧、∨、→、↔。优先级影响公式的读法比如P→Q∨R如果没有括号默认读作P→(Q∨R)还是(P→Q)∨R取决于优先级的约定。按教材的优先级顺序∨优先于→所以应理解为P→(Q∨R)。一到考场紧张就容易把顺序记反我复习时把这句话抄在了笔记扉页上。量词的辖域是另一个高频考点。量词后面的单个谓词或用括弧括起来的谓词公式就是它的辖域被量词约束的变元叫约束变元没被约束的叫自由变元。判断辖域时有一个常用技巧看到(∀x)或(∃x)先找它后面第一个完整结构到哪里结束那就是它的作用范围。比如(∀x)[ROBOT(x)→COLOR(x, GRAY)]这里的x在整个括号里都被约束没有自由变元。这类题不会考得很深但容易在“约束变元与自由变元”的识别上设小陷阱。一阶谓词逻辑表示法的优缺点也是简答题的常客。优点是自然性、精确性、严密性、容易实现局限性是难以表示不确定知识、可能产生组合爆炸、求解效率低。注意答题时不能只写关键词要把“为什么”也带一句比如“组合爆炸”要说明是因为公式之间的推理空间随规模增长迅速。下面用一个实际字符串公式来说明量词与辖域(∀x)[ROBOT(x) → COLOR(x, GRAY)] ∧ (∃x)WORKER(x)这里第一个全称量词辖域是整个方括号内的公式x为约束变元第二个存在量词辖域是WORKER(x)x同样是约束变元。从谓词公式的语义看它表示“所有机器人都是灰色的且存在工人”。把这句话和公式对应起来是解答此类题目最稳妥的方式。2.3 产生式表示法四种知识格式与结构图产生式表示法的考点集中在格式分类和与蕴含式的区别上。首先要记住四种基本表示确定性规则知识P→Q确定性事实性知识对象属性值不确定性规则知识P→Q置信度不确定性事实性知识对象属性值置信度这里有一个经典辨析题产生式中的P→Q和谓词逻辑中的蕴含式是不是一回事答案是不是。原因有两点产生式除逻辑蕴含外还包含各种操作、规则、变换、算子、函数等蕴含式只能表示精确知识而产生式还可以带置信度表示不精确知识。答题时最好把这两条都写上只写一条会丢一半分。产生式系统的结构图也是必考内容由规则库、综合数据库、控制系统三部分组成。规则库存放领域知识综合数据库存放当前求解过程中的各种信息控制系统负责匹配规则和执行冲突消解。当多条规则同时匹配成功时要按针对性、已知事实新鲜性、匹配度、条件个数等策略排序决定先启用哪一条。这个流程在专家系统的考题里反复出现建议画图记忆规则库在左综合数据库在右控制系统在中间调度两边。产生式表示法的特点可以用“三好一差”来概括自然性、模块性、有效性、清晰性是优点效率不高、不能表达结构性知识是缺点。“不能表达结构性知识”和框架表示法形成对比正好为下一个考点做铺垫。2.4 框架表示与知识图谱概念题的高频出处框架表示法要求掌握三个词框架、槽、侧面。框架是描述对象属性的数据结构槽是某一方面的属性侧面是描述属性某一方面。教材里的教师框架是一个典型例题里面姓名、年龄、性别、职称等都是槽职称的侧面对应有教授、副教授、讲师、助教还可以设置缺省值。当具体数据填入槽后框架就变成事例框架。这个转变过程一定要会写框架名、槽名、侧面名三层结构缺一不可。框架表示法的特点是结构性、继承性、自然性。其中继承性意味着子框架可以继承父框架的属性值这是框架表示与谓词逻辑表示的一个显著区别——谓词逻辑想表达继承关系时通常要额外写蕴含规则。知识图谱这节的内容偏记忆。要记住知识图谱的逻辑结构分模式层和数据层模式层构建在数据层之上是整个图谱的核心。资源对象分为结构化数据、半结构化数据和非结构化数据三类。构建方法有自顶向下和自底向上两种方向。考试一般就考这些概念的定义和分类不会让你写代码。3. 确定性推理子句集化九步与鲁宾逊归结反演的推导细节3.1 推理分类先分清演绎、归纳、默认与四种控制策略确定性推理这一章先讲推理的分类再做子句集化最后归结消解。分类部分看似简单实则是后面的基础因为归结原理依赖于“子句集不可满足”这个前提而这个前提又来自对推理方向的理解。推理按方向分有演绎推理、归纳推理、默认推理。演绎是从一般性知识推出具体结论归纳是从个别事例推出一般性结论。归纳又分完全归纳和不完全归纳完全归纳考察了全部对象不完全归纳只考察部分对象。默认推理也叫缺省推理是在知识不完全时假设某些条件已具备而进行的推理这类题容易用日常经验混淆比如“见到天鹅是白色的就认为所有天鹅是白色”是不完全归纳而不是默认推理。推理按结论确定性分有确定性推理与不确定性推理。前者所用知识与证据都是确定的结论非真即假后者允许知识和证据不确定结论也不确定。第四章的不确定性推理对应后者所以答题时要记得区分教材里两处表述略有差异。推理按过程单调性分有单调推理与非单调推理。单调推理随着新知识加入结论越来越接近最终目标非单调推理则可能因为新知识推翻原有结论退回前面重新开始。四个字概括就是“结论可撤销”。推理控制策略包括正向推理、逆向推理、混合推理和双向推理。正向推理从已知事实出发也叫事实驱动逆向推理从某个假设目标出发也叫目标驱动。混合推理有两种顺序先正向后逆向或先逆向后正向。双向推理则是正反同时进行在某个步骤上碰头。这四种策略的区别在于推理起点和驱动机制建议从“起点是什么、终点是什么、怎么算是到达”三个角度对比记忆。3.2 谓词公式化为子句集九步操作与Skolem化时机子句集化是归结原理的前置操作也是本章最容易失分的计算题。整个过程分为九步考试时即便只让你写归结过程子句集化也几乎是必考步骤。我把每一步的操作要点整理如下消去“→”和“↔”。P→Q等价于﹁P∨QP↔Q等价于(P∧Q)∨(﹁P∧﹁Q)。这一步是消除语法糖把公式变成只含¬、∨、∧、量词的形式。把否定符号﹁移到紧靠谓词的位置。用双重否定律、德·摩根定律和量词转换律处理。变量标准化。不同量词约束的变元重名时要改名避免冲突。消去存在量词。这里要分两种情况存在量词不出现在全称量词辖域内就可以用常量替换出现在一个或多个全称量词辖域内则必须用Skolem函数替换。Skolem化的本质是用一个函数来描述“存在”的那个对象如何依赖全称变元。化为前束形。把所有全称量词移到公式最前面形成“前缀母式”结构。化为Skolem标准形。此时母式应为子句的合取式。略去全称量词。消去合取词把母式写成子句集合。子句变量标准化确保子句集内无同名变元。举个简化的例子。已知公式(∀x)[P(x) → (∃y)Q(x,y)]按步骤处理如下。先消蕴含(∀x)[﹁P(x)∨(∃y)Q(x,y)]。消存在量词时由于(∃y)处于(∀x)辖域内所以必须用Skolem函数f(x)替换y得到(∀x)[﹁P(x)∨Q(x,f(x))]。略去全称量词后得子句﹁P(x)∨Q(x,f(x))其中x是约束变元但按约定省略。这里最常翻车的地方就是判断什么时候用常量替换、什么时候用Skolem函数替换。3.3 鲁宾逊归结原理二元归结式与归结反演完整推导归结原理建立在“子句集不可满足”的判定上。两个子句若有互补文字一个为L一个为﹁L消去互补对后把剩余部分析取就得到归结式。归结式是亲本子句的逻辑结论用归结式不断替代和加入目标是归结出空子句空子句代表矛盾说明原子句集不可满足。归结反演的四步流程是死框架必须背牢。第一步把已知前提写成谓词公式F第二步把待证结论写成Q并取否定﹁Q第三步把{F, ﹁Q}化为子句集S第四步对S做归结反复产生归结式并并入子句集直到出现空子句。出现空子句就说明Q得证。教材里的招聘例题就是标准考法。这里我用抽象角色重新表述公司面试三个人A1、B1、C1面试后三个条件分别是三人中至少录取一人、录取A1而不录取B1则一定录取C1、录取B1则一定录取C1求证一定录取C1。推理的关键是先把三个条件都用子句写出来L1: P(A1)∨P(B1)∨P(C1)L2: ﹁P(A1)∨P(B1)∨P(C1)L3: ﹁P(B1)∨P(C1)对结论取否定得到﹁P(C1)。然后按由长到短的顺序归结L1和L2归结得P(B1)∨P(C1)再与L3归结得P(C1)最后与﹁P(C1)归结得空子句。注意归结顺序不要乱教材特别提示“建议归结时按照由长到短的子句顺序进行”这能在考试时减少无效尝试。归结原理求解问题略有不同要先把待求解问题Q取否定后与ANSWER析取组成﹁Q∨ANSWER子句并入子句集后再归结。如果最后归结出ANSWER(A)这样的式子则变量A的取值就是答案。求解老师那道题就是这个套路把小张的老师设定为目标谓词归结到ANSWER(Wang)即可。这类题比归结反演多了一步ANSWER构造其余流程相同。4. 不确定性推理可信度公式、证据理论与模糊运算的拿分套路4.1 可信度方法CF(H,E)的表示、传递与合成不确定性推理的核心是处理知识与证据都不是百分之百确定的情况。可信度方法是其中相对好拿分的部分因为它有一个严格的数学框架。知识的不确定性表示为if P then Q (CF(Q,P))其中CF(Q,P)是可信度因子取值范围[-1, 1]。当CF(H,E)0时证据的出现与否和结论H无关。证据的不确定性用CF(E)表示取值同样是[-1, 1]。CF(E)1表示证据肯定为真CF(E)-1表示肯定为假CF(E)0表示未获得任何相关观察。组合证据时合取取最小值析取取最大值。也就是CF(E1 AND E2 ...)min{CF(E1), CF(E2), ...}CF(E1 OR E2 ...)max{CF(E1), CF(E2), ...}。不确定性传递公式是CF(H)CF(H,E)×max{0, CF(E)}。这个公式的关键细节是max{0, CF(E)}当CF(E)为负数时计算结果直接置0而不是把负数带进去乘。这里是考试设陷阱的高发区。结论不确定性的合成算法分两步。先分别算出每条知识对H产生的可信度CF1(H)、CF2(H)再按下式合成CF1,2(H) CF1(H) CF2(H) - CF1(H) × CF2(H) 两者都为正时若CF1(H)为正、CF2(H)为负则CF1,2(H) (CF1(H) CF2(H)) / (1 - min{|CF1(H)|, |CF2(H)|})以教材例题为例。已知规则IF E1 THEN H (0.8)IF E2 THEN H (0.6)IF E3 THEN H (-0.5)且CF(E1)0.35CF(E2)0.8CF(E3)0.54。先分别计算CF10.8×0.350.28CF20.6×0.80.48CF3-0.5×0.54-0.27。第一步合成CF1与CF2均为正得0.280.48-0.28×0.480.63。第二步与负的CF3合成得(0.63-0.27)/(1-min{0.63,0.27})0.49。这个演算过程建议完整写在草稿纸上考试时能有效避免符号错误。4.2 证据理论概率分配函数、信任函数与似然函数证据理论比可信度方法抽象但它只考三件事概率分配函数M、信任函数Bel、似然函数Pl。概率分配函数与概率不同它作用于集合的子集而不是单个元素。设样本空间D{红黄蓝}M({红})0.3、M({黄})0、M({红黄})0.2。信任函数Bel(A)表示对A为真的总信任程度等于A的所有子集的M值之和。计算Bel({红黄})0.300.20.5。注意Bel(∅)M(∅)0这是公理要求。似然函数Pl(A)表达对A为非假的信任程度计算公式是Pl(A)1-Bel(¬A)。接上例Pl({蓝})1-Bel({红黄})1-0.50.5。这里“非假”和“为真”的差别是理解重点也是常考的名词辨析。概率分配函数的正交和也要会算。两个概率分配函数M1和M2正交后得到新函数M公式是M(A)ΣM1(B)M2(C)其中B∩CA且B∩C不为空。如果对所有交集为空的分组求和得到K0则说明M1和M2矛盾不存在正交和。实际题目通常只要求判断K是否为0或者算简单的M值。基于证据理论的不确定性推理流程教材给了四步框架建立样本空间D由经验或规则求基本概率分配函数计算所关心子集的信任函数和似然函数最后下结论。流程图不用背但顺序不能乱。4.3 模糊推理隶属函数、模糊集合运算与合成模糊推理的核心概念是隶属度模糊逻辑给集合中每个元素赋予一个0到1之间的实数描述它属于该集合的强度。所有元素的隶属度合起来叫隶属函数。表示方法有Zadeh表示法、序偶表示法和向量表示法。其中Zadeh表示法形如A0.2/x10.4/x20.9/x30.0/x40.5/x5这种写法要能看懂并会转换。模糊集合的运算分为并、交、补以及代数运算。并集取最大隶属度交集取最小隶属度补集用1减去原隶属度。教材例题里有四个运算需要区分代数积A·B对应元素隶属度相乘。代数和AB对应元素隶属度相加后取与1的较小值。有界和A⊕B有界和min{1, μAμB}。有界积AⓧB有界积max{0, μAμB-1}。用教材数据代入A0.2/x10.4/x20.9/x30.0/x40.5/x5B0.1/x10.0/x20.7/x31.0/x40.3/x5。代数和AB的结果是0.28/x10.4/x20.97/x31.0/x40.65/x5有界和A⊕B的结果是0.3/x10.4/x21/x31.0/x40.8/x5。对比着看就能发现代数和与有界和的差别只在“要不要截断到1”。模糊关系的合成运算对应矩阵计算第i行第j列的结果等于前一个模糊矩阵的第i行与后一个矩阵的第j列按“先取小再取大”的方式计算。模糊推理得到的结论是一个模糊向量需要通过模糊决策转成确定值常用的方法有最大隶属法、加权平均判决法、中位数法。这三种方法各有利弊简答题里让你比较时要说出最大隶属法简单但丢信息加权平均法更常用中位数法对隶属函数形状更敏感。5. 避坑复习AI导论概念时常见的五个翻车现场5.1 把产生式P→Q和谓词蕴含式误认为同一回事复习时很容易把产生式的P→Q看成语义上的蕴含。产生式里的“P→Q”不只是逻辑蕴含它还包括操作、规则、变换、算子、函数等机制。更关键的是产生式能带置信度表达不精确知识而蕴含式只能表示精确知识。判别的简单办法是问一句这条规则能不能加一个可信度参数能加的是产生式不能加的是蕴含式。5.2 Skolem化时搞混常量替换与函数替换的时机把存在量词消去时很多人在任何情况下都用常量替换。正确做法是看存在量词是否落在全称量词的辖域内。不在辖域内直接用常量在辖域内用Skolem函数替换。分辨方法很机械从左往右数存在量词后面只要有一个未被消去的全称量词就要用函数。动手做题前先圈出存在量词的位置能减少一半错误。5.3 归结反演时子句顺序混乱导致空子句出不来归结的顺序不是随意的按教材建议“由长到短”进行。长子句先归结能更快合并出短子句短子句再与其它子句碰撞空子句更容易出现。如果先拿短子句去碰很容易陷入反复生成无用归结式的泥潭。遇到一直归不出空子句的情况回溯检查是不是归结式用错了互补对。5.4 可信度传递时忽略max{0, CF(E)}截断规则CF(H)CF(H,E)×max{0, CF(E)}里max{0, CF(E)}是强制截断。CF(E)小于0时整个结论可信度直接等于0证明这个知识规则在当前证据下不启用。不少人在CF(E)-0.2时还继续相乘结果算出负的可信度然后在合成那一步彻底算乱。做这类题先画层先算证据可信度再截断再乘规则强度最后合成。5.5 证据理论里混淆Bel与Pl的语义Bel和Pl的差别用一句话概括Bel(A)是“支持A为真的总证据强度”Pl(A)是“不支持A为假的证据强度”。Bel只累加A的子集的概率分配值Pl则用1减去对A的补集的Bel。解题时遇到“信任程度”和“非假程度”的表述要对号入座填空题尤其爱在这里挖坑。6. 考场活用把概念笔记整理成答题模板的最后一公里复习到最后阶段我习惯把这份概念汇总的每一块内容都压成一个答题模板直接套用。名词解释题按“定义关键词一句话例子”的格式写。比如智能的答题模板是“智能是知识与智力的总和知识是客观世界的认识与经验智力是获取知识并应用知识求解问题的能力”。格式固定以后考场上不需要临场组织语言写得快而且踩点准。谓词公式翻译题有一个固定流程先找个体再找关系或属性最后确定量词。题目给的是全称句就用全称量词存在句就用存在量词不要凭语感猜。公式化时谨慎处理否定词的位置否定词在句首时往往需要结合德·摩根律往里推。归结反演题我固定用四段式前提谓词化、结论取否定、子句集化、按长到短归结。整个流程在草稿纸上先写出步骤名再填内容。这样即使中间计算失误阅卷时也能看到思路步骤分不会全丢。可信度计算题用三层结构先算证据组合可信度再逐条计算CF(H)最后合成。每一步单独写一行标明用的是哪个公式。教材例题就是一个标准参照系考前把这道题重算一遍相当于把所有公式都激活了一次。模糊运算题注意区分代数和与有界和这两个运算只差一个截断操作。看到“先加后取1”是有界和看到“直接加不截断”是代数和。计算时先用小表列出各隶属度再逐项运算不要跳步。从那以后每当我复习一门涉及大量概念体系的课程都会先把资料拆成“定义类、计算类、流程类”三类考点再分别设计答题模板。这样做的好处是临考不慌看到一个题目就知道它属于哪个模板直接从记忆里调取标准答案结构。希望这份概念汇总和这套整理方法能帮到你让你在人工智能导论的复习路上少走一些弯路。本文还有配套的精品资源点击获取
