第一章 概述
1.人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。人工智能的长期目标是实现人类水平的人工智能。人工智能尚缺乏必要的理论。在一些关键技术方面,诸如机器学习、非单调推理、常识性知识表示、不确定推理等尚未取得突破性的进展。人工智能对全局性判断模糊信息处理、多粒度视觉信息的处理是极为困难的。人工智能还处于智能学科研究的早期阶段, 必须开展智能科学的研究。 智能科学研究智能的基本理论和实现技术，是由脑科学、认知科学、人工智能等学科构成的交叉学科。
2.认知是和情感、动机、意志等相对的理智或认识过程。认知科学是研究人类感知和思维信息处理过程的科学,包括从感觉的输入到复杂问题求解, 从人类个体到人类社会的智能活动,以及人类智能和机器智能的性质。
3.人工智能的五个基本问题(1) 知识与概念化是否是人工智能的核心(2) 认知能力能否与载体分开来研究（3) 认知的轨迹是否可用类自然语言来描述(4) 学习能力能否与认知分开来研究？ (5) 所有的认知是否有一种统一的结构
4.思维是客观现实的反映过程，是具有意识的人脑对于客观现实的本质属性、内部规律性的自觉的、间接的和概括的反映。
5.智能是个体认识客观事物和运用知识解决问题的能力。
符号智能：以知识为基础，通过推理进行问题求解。也即所谓的传统人工智能。
计算智能：以数据为基础，通过训练建立联系，进行问题求解。人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能。
6.人工智能的研究方法：①逻辑学派②认知学派③行为学派
7.推理：从一个或几个已知的判断(前提)逻辑地推论出一个新的判断(结论)的思维形式。非单调推理：指的是一个正确的公理加到理论中,反而会使预先所得到的一些结论变得无效了。非单调推理过程：建立假设, 进行标准逻辑意义下的推理,若发现不一致, 进行回溯, 以便消除不一致, 再建立新的假设。定性推理：把物理系统或物理过程细分为子系统或子过程,对于每个子系统或子过程以及它们之间的相互作用或影响都建立起结构描述, 通过局部因果性的传播和行为合成获得实际物理系统的行为描述和功能描述。
8.学习的基本机制是设法把在一种情况下是成功的表现行为转移到另一类似的新情况中去。学习是获取知识、积累经验、改进性能、发现规律、适应环境的过程。知识、知识表示及运用知识的推理算法是人工智能的核心,而机器学习则是关键问题。
9.机器学习的研究四个阶段：
无知识的学习： 主要研究神经元模型和基于决策论方法的自适应和自组织系统。
符号概念获取：给定某一类别的若干正例和反例，从中获得该类别的一般定义。
实例学习：从实例学习结构描述。
有知识的学习：把大量知识引入学习系统做为背景知识
机器学习的风范：
归纳学习：研究一般性概念的描述和概念聚类；分析学习：在领域知识指导下进行实例学习,包括基于解释的学习、知识块学习等。 发现学习：根据实验数据或模型重新发现新的定律的方法。④遗传学习：模拟生物繁衍的变异和自然选择，把概念的各种变体当作物种的个体,根据客观功能测试概念的诱发变化和重组合并,决定哪种情况应在基因组合中予以保留。⑤连接学习是神经网络通过典型实例的训练, 识别输入模式的不同类别。
10.分布式人工智能：研究在逻辑上或物理上分散的智能动作者如何协调其智能行为，即协调它们的知识、技能和规划, 求解单目标或多目标问题，为设计和建立大型复杂的智能系统或计算机支持协同工作提供有效途径。
11.知识系统包括：专家系统、知识库系统、智能决策系统等。
专家系统：专家系统是一种模拟人类专家解决领域问题的计算机程序系统。 这类计算机程序包括两部分: 知识库, 它表示和存储由任务所指定领域知识的一组数据结构集合，包含有关领域的事实和专家水平的启发式知识。推理机, 它是构造推理路径的一组推理方法集合,以便导致问题求解、假设的形成、目标的满足等。由于推理采用的机理、概念不同，推理机形成多种范型的格局。知识库系统：把知识以一定的结构存入计算机, 进行知识的管理和问题求解, 实现知识的共享。决策支持系统是计算机科学（包括人工智能）、行为科学和系统科学相结合的产物，是以支持半结构化和非结构化决策过程为特征的一类计算机辅助决策系统，用于支持高级管理人员进行战略规划和宏观决策。其组成 ：数据库管理子系统、模型库管理子系统、方法库管理子系统、知识库管理子系统、会话子系统。
第二章 问题求解
1.搜索（Search），即寻找，设法在庞大状态空间图中找到目标。基本搜索是一种没有任何经验和知识起作用的、由某种规则所确定的非智能性的搜索；启发式搜索（Heuristic Search）：其特点在于是一种有准备的、追求效率而有的放矢的智能搜索，它要求依据某种知识及信息的指导，通过逐一状态比较而找到符合规定条件的目标状态解。
2.信息空间：全信息环境Ee 已知与问题的解有关的全部信息，其搜索的目标和任务是：运用知识和经验，设法找到最佳路径，以便取得理想搜索效果。部分已知信息环境Ep：当只有部分信息已知，这时其目标和任务是：充分利用已知信息，把未知的信息不利影响设法降到最低程度，尽可能按照最佳搜索路径取得理想搜索效果。或者设法弥补信息损失，发挥已知信息作用，扬长避短，制定策略来克敌制胜。未知信息环境En：对于未知信息环境的问题求解，首先要设法变En为部分已知信息环境Ep来解决。
3.图的显式存储：所谓图的显式存储，即把问题的全部状态空间图直接都存于计算机中的方式。诸如一般计算机文件、程序文件和库文件的存储等，均为图的显式存储方式。
4.图的隐式存储：仅在计算机中存储关于要求解问题的相关各种知识，只在必要时再由相关的信息和知识逐步生成状态空间图的方式称为图的隐式存储。
5.搜索求解可总结为如下的思路和步骤：（1）设定状态变量及确定值域；（2）确定状态组，分别列出初始状态集和目标状态集；（3）定义并确定操作集； （4）估计全部状态空间数，并尽可能列出全部状态空间或予以描述之；（5）当状态数量不是很大时，按问题的有序元组画出状态空间图，依照状态空间图搜索求解。
6.广度优先算法步骤：(1) 初始结点S加入到队列OPEN的尾部；(2) 若OPEN为空，则搜索失败，问题无解；(3) 取出OPEN队头的结点n，并放入CLOSE队列中；(4) 若n是目标结点D，则搜索成功，问题有解；(5) 若n是叶结点，则转(2)；(6) 扩展n结点(即找出它的所有直接后继)，并把它的诸子结点依次加入OPEN队尾，修改这些子结点的返回指针，使其指向结点n。转(2)。
7.深度优先算法步骤：(1) 初始结点S放入堆栈OPEN中； (2) 若OPEN为空，则搜索失败，问题无解； (3) 弹出OPEN表中最顶端结点放到CLOSE表中，并给出顺序编号n； (4) 若n为目标结点D，则搜索成功，问题有解； (5) 若n无子结点，转(2)；(6) 扩展n结点，将其所有子结点配上返回n的指针，并按次序压入OPEN堆栈，转(2) 。
8有界深度优先算法步骤：(1)初始结点S放入堆栈OPEN中；(2)若OPEN为空，则搜索失败，问题无解；(3)弹出OPEN中栈顶结点n，放入CLOSE表中，并给出顺序编号n；(4)若n为目标结点D，则搜索成功，问题有解；(5)若n的深度d(n)=d，则转(2) ；(6)若n无子结点，即不可扩展，转(2) ；(7)扩展结点n，将其所有子结点配上返回n的指针，并压入OPEN堆栈，转(2)
9.所谓启发式搜索策略,即利用与问题解有关的启发信息来作引导的搜索策略。启发式搜索的主要特点是：由于充分考虑到问题求解所应用到的各种启发信息及知识，包括利用常识性推
理和专家经验等信息与知识，启发式搜索能够动态地确定操作排序，优先调用较合适的操作规则，扩展、比较并选择最有希望的节点，使搜索尽可能以最快的速度，最短的距离，最小的代价，朝着最有利于达到目标节点的方向推进。
强化学习
1.所谓强化学习是指从环境状态到行为映射的学习，以使系统行为从环境中获得的累积奖励值最大。试错搜索和延期强化是强化学习中两个最重要的特性。
第五讲
1.学习：如果一个计算机程序要完成某类任务T，其完成任务的性能可以用P衡量，该程序根据经验E改进P，则称该程序针对任务T以性能P衡量从经验E中学习
有：归纳学习、计算学习、集体学习、强化学习
2.学习的三种类型：有监督学习；无监督学习；强化学习
3.决策树学习包括2个步骤：从实例中归纳出决策树(建立决策树)；利用决策树对新实例进行分类判断
4.当出现下述情况时，决策树算法的性能会下降：数据中含有噪声；训练样例的数量太少
5.集体学习是从假设空间中选择一个作为整体的假设集合称为集体，将它们对新实例的分类预测进行合成，然后再输出结果
第三讲 逻辑、推理与知识
1.逻辑就是人们用以处理问题而抽象的一种思维规则或计算方法。
2.在谓词逻辑演算中，最重要有三大类：命题逻辑演算、一阶谓词逻辑演算和二阶谓词演算
3.推理：约束推理、定性推理、基于范例的推理
4.知识按问题求解要求分为： 叙述型知识、过程型知识、控制型知识。
知识按其作用分为：描述性知识、判断性知识、过程性知识。
知识按其描述对象分为： 对象级知识、元知识 。
第六讲 计算智能（人工神经网络、进化计算、群智能算法）
1.根据连接的拓扑结构不同，神经网络可分为四大类：分层前向网络、反馈前向网络、互连前向网络、广泛互连网络。
2.神经网络的学习方式包括三种，有导师学习、强化学习和无导师学习。
3.进化计算：即建立在进化理论基础上的计算，它是仿照生物生命发展过程而建立起来的计算理论。进化计算研究内容：包括遗传算法（研究核心）、进化策略、进化规划、进化编程；
4.遗传算法原理：遗传算法基于达尔文进化论的观点，依照适者生存，优胜劣汰等自然进化法则，通过计算机来模拟生命进化的机制，进行智能优化计算和问题搜索求解。
5.遗传算法目的：一方面是通过它的研究来进一步解释自然界的适应过程；另一方面是为了将自然生物系统的重要机理运用到人工系统的设计中。
6.遗传算法实现：这是一个自适应地逐渐找到最优解的组织实现过程。
7.实现遗传算法过程包括编码;确定种群;遗传操作;优胜劣汰等运算过程.
8.群智能定义：任何一种由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群智能
9.学习(亦称训练)是神经网络的最重要特征之一。
贝叶斯技术
1.贝叶斯网络是用来表示变量间连接概率的图形模式，它提供了一种自然的表示因果信息的方法，用来发现数据间的潜在关系
模糊数学
用数学的眼光看世界，可把身边的现象划分为：确定性现象、随机现象、模糊现象
