weixin_40485502的博客

1.概论 图灵测试：表明其智能水平从表现来看，难以和人区分开来 三个学派： 符号学派 联结学派 行为学派 2. 搜索 广度优先搜索是代价一致搜索的特例（无权的） UCS是A*的特例 A*=UCS+贪婪搜索 UCS:看已经花费的 贪婪搜索：启发搜索，看未来（TSP-距离目标的直线距离） A*:过去未来都看 贪婪最佳优先搜索：是不完备的 爬山法：可以任意位置起始，移动到最好的相邻状态...

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...

文章目录多臂赌博机Multi-armed bandit（无状态）马尔科夫决策过程MDP(markov decision process1.动态规划蒙特卡罗方法——不知道环境完整模型情况下2.1 on-policy蒙特卡罗2.2 off-policy蒙特卡罗时序差分方法 强化学习：Reinforcement learning 目标：学习从环境状态到行为的映射，智能体选择能够获得环境最大奖赏的行为...

1.模糊计算 why模糊 取得精确数据不可能或很困难 没有必要获取精确数据 模糊性概念：对象从属的界限是模糊的，随判断人的思维而定 不同人的界定标准不一样 隶属函数：使模糊概念数学化 形式化定义： 设U是给定论域， μF\mu_FμF​u∈U映射为[0, 1]上某个实值的函数，即 μF:U−>[0,1]\mu_F:U->[0,1]μF​:U−>[0,1] ...

只有一条规则的推理 resolution(消解，归结） CNF（conjunction normal form合取范式 （A∨B)∧(B∨C)（A∨B)∧(B∨C)（A∨B)∧(B∨C) 任何逻辑式都可转化为语义等价的CNF resolution消解（推理规则） 完备的 可靠的 complementary literal:互补文字 eg:A和¬A resolution是完备的、可...

logics：逻辑，表达信息的形式语言 语法syntax 语义semantics 逻辑研究的内容：形式化定义句子之间的关系 语法：deduction(演绎（形式推演|— 语义 entailment蕴含（逻辑推导|= 完备性：任何语义上蕴含的东西|=都可以在语法上推演出来|- 可靠性：任何语法上可以推演|-的东西都是在语义上蕴含的|= 哥德尔不完全定理： 在一个更...

https://blog.csdn.net/suyebiubiu/category_9372769.html 生成式模型的基础：极大似然估计 θ∗=argmaxθEx pdatalogPmodel(x∣θ)\theta^*=argmax_\theta E_{x~p_{data}}logP_{model}(x|\theta)θ∗=argmaxθ​Ex pdata​​logPmo...

序列数据建模 输入序列–>输出序列 预测序列的下一项（监督） 模糊了监督和非监督 有的cnn对序列不适用： cnn假设：离得远的关系远，有关系的都在附近 序列：可能长距离也有相关的（一段文字的代词） RNN 结构： 层间全连接 层内全连接? 自连接 功能强大 计算力够且单元数够的情况下 每个时间点的输入输出不同– 参数共享：一个序列的从前到后逐个输入...

CNN 弥补之前的DNN的缺陷 图大，DNN的参数太多 基本思想—>得到了某种程度的位移、尺度、形变不变性 局部感知野：局部连接（稀疏连接）- 非全连接 图：近的关联性强，远的弱 减少了权值数目 参数共享 一个卷积核用在图的任何地方 一个卷积核可以检测同一种特征 利用了平移不变性 不是逐层训练的 优点 到了某种程度的位移、尺度、形变不变性 层间联系和空域信息的紧密...

1.深层、浅层、BP 出现背景 优点 缺点 浅层神经网络 为了解决非线性问题 可以拟合任何函数 参数多，神经元多，需要更多的计算资源和数据 BP算法（对p(label input)建模 为了计算神经网络 损失回传 深度神经网络（>=5) （时代背景数据爆炸，计算资源提升，希望自动学习特征（有个好的初始值）） 1.比浅层更好的表达性（计算单元少，高层可利用低层,高层全...

常见组合函数 常见激活函数 结构 前馈神经网络（单向） 反馈/循环神经网络 学习方法 学习模型 增量 迭代 类型 监督 无监督 学习策略 Hebbrian Learning 若两端的神经元同时激活，增强联接权重 Unsupervised Learning 循环？ ωij(t+1)=ωij(t)+η(xi(t),xj(t))\omega_{ij}(t+1)=\omeg...

1.搜索问题 搜索问题——对原问题的建模 构成： 状态空间 包含环境中每一个细节 搜索状态：只保留行动需要的细节 后继函数 行动，消耗 初始状态和目标测试 解： 一个行动序列，将初始状态–>目标状态 表示 状态空间图 搜索问题的数学表示 每种状态只出现一次 不在内存中构建（大），但很有用 搜索树 根节点：初始状态 子节点：父节点的后继状态 节点：状态，对...