http://open.163.com/movie/2017/9/Q/S/MCTMNN3UI_MCTMNR8QS.html
01 什么是人工智能（課程介紹）
02 推理：目標樹與問題求解
03 推理：目標樹與基于規(guī)則的專家系統(tǒng)
04 搜索：深度優(yōu)先、爬山、束搜索
05 搜索：最優(yōu)、分支限界、A*
06 搜索：博弈、極小化極大、α-β
07 約束：解釋線條圖
08 約束：搜索、域縮減
09 約束：視覺對象識別
10 學(xué)習介紹、最近鄰
11 學(xué)習：識別樹、無序
12 學(xué)習：神經(jīng)網(wǎng)絡(luò)、反向傳播
13 學(xué)習：遺傳算法
14 學(xué)習：稀疏空間、音韻學(xué)
15 學(xué)習：相近差錯、妥適條件
16 學(xué)習：支持向量機
17 學(xué)習：boosting算法
18 表示：分類、軌跡、過渡
19 架構(gòu)：GPS、SOAR、包容架構(gòu)、心智社會
20 概率推理I
21 概率推理II
22 模型融合、跨通道偶合、課程總結(jié)

2019.7.3
01 什么是人工智能（課程介紹）
簡介：這一講首先介紹了人工智能的定義[0:00:00]。之后，教授講解了生成測試法，并詳細談到了給事物命名的重要性：
“給某種事物命名后，你就對它擁有了力量”[0:11:30]。再后，教授介紹了人工智能發(fā)展的簡史，講到了本課程中將會接觸到的各種人工智能程序[0:20:28]。
最后，教授展望了人工智能的未來并講了一些課程事務(wù)信息[0:32:40]。

人工智能的定義
關(guān)于：思維、感知、行動
根本：建模
支持模型建立的表示系統(tǒng)
算法
生成測試法
生成測試時將所有的都窮舉出來，然后測試。
給事物命名的重要性
對它擁有了力量
人工智能發(fā)展的簡史
各種人工智能程序

2019.7.4
02 推理：目標樹與問題求解
簡介：這一講首先通過一個積分題引出了課程內(nèi)容，講解早期人工智能中求解符號積分的人工智能程序，
該程序能夠求解出MIT微積分期末考試中的幾乎所有積分題目并打敗大一學(xué)生[0:00:00]。之后，
教授介紹了安全變換和啟發(fā)式變換，并用它們求解了這個積分題[0:05:40]。詳細介紹了程序求解積分題的方法之后，
教授講解了人工智能這方面中值得思考的問題[0:31:40]。

早期人工智能中求解符號積分的人工智能程序
安全變換和啟發(fā)式變換

問題歸約

2019.7.5、7.10
03 推理：目標樹與基于規(guī)則的專家系統(tǒng)
簡介：這一講首先介紹了一個移動方塊的人工智能程序，并以此詳細講解了目標樹的概念，
這一程序不僅能夠能夠?qū)崿F(xiàn)目標，還能解釋自己在過程中的一些行為[0:00:00]。
第二部分，教授詳細介紹了基于規(guī)則的專家系統(tǒng)，有一個醫(yī)療方面的專家系統(tǒng)比醫(yī)生的診斷還要準確，
教授講解了它是如何做到的[0:18:20]。第三部分，教授通過雜貨店裝袋的例子，總結(jié)了知識工程中的三大原則[0:33:17]。

目標樹（樹）
可以回答關(guān)于自身行為的問題：
why 向上找
how 向下找

基于規(guī)則的專家系統(tǒng)（規(guī)則）

前向鏈系統(tǒng)：
已知事實推出結(jié)論
例如：幾點動物的特征，推導(dǎo)出是什么動物
這個系統(tǒng)已構(gòu)成目標樹，所以它也能回答關(guān)于自身行為的問題

后向鏈系統(tǒng)：
從假設(shè)往回找事實，即回溯
例如：因為是獵豹所以應(yīng)該具有那些特征

演繹系統(tǒng)


知識工程中的三大原則：知識轉(zhuǎn)化為規(guī)則的能力
啟發(fā)式一：考慮個案
啟發(fā)式二：對看起來相同，但實際操作不同的兩個對象，區(qū)別對待
啟發(fā)式三：看新系統(tǒng)何時出問題，出問題的原因是缺少某條規(guī)則，讓程序無法執(zhí)行它被期望執(zhí)行的東西

規(guī)則與常識之間有沒有關(guān)系？ 不可知論

2019.7.11-13
04 搜索：深度優(yōu)先、爬山、束搜索
簡介：這一講開始討論各種搜索算法，首先是最基本的大英博物館法，也就是找出一切可能的蠻力算法[0:00:00]。
之后教授通過例子講解了深度優(yōu)先搜索算法和廣度優(yōu)先搜索算法[0:08:05]。
之后，教授介紹了搜索中如何避免重復(fù)搜索，并用其分別優(yōu)化深度優(yōu)先和廣度優(yōu)先算法，得到爬山算法和束搜索算法[0:20:26]。
最后，教授講解了故事閱讀中搜索的程序例子[0:41:15]。

搜索
起點到終點的路徑問題
不是關(guān)于地圖的，是關(guān)于選擇的
回溯，擴展隊列，知情
大英博物館法
樹
找出一切可能的蠻力算法

深度優(yōu)先搜索算法
從左原則，一直找到最深的點，如果沒到目標點則回溯到前面做選擇的點繼續(xù)此過程
初始化--擴展--隊列，放在隊列前端
回溯，擴展隊列
廣度優(yōu)先搜索算法
一層一層的找，直到出現(xiàn)目標點
初始化--擴展--隊列，放在隊列末端
擴展

缺點：
搜索時同一個點去了多次，多次重復(fù)考慮了相同的路徑
考慮是否走反的問題
深度和廣度優(yōu)先算法找到的路徑，不一定是最優(yōu)路徑，效率低
不擴展隊列中的第一個路徑，除非末端之前從未被擴展過，帶擴展路徑和以擴展路勁

# 知情算法
爬山搜索算法
深度優(yōu)先算法的優(yōu)化
根據(jù)那個節(jié)點距離目標近來選擇節(jié)點，不一定是最優(yōu)路徑
可以提高搜索速度
排序后放在隊列前面
回溯，擴展隊列，知情
問題：
連續(xù)空間中的問題：
找一個方向走到海拔最高的位置
1.困在局部極大值
2.電線桿問題
3.等高線圖中的問題
束搜索算法
廣度優(yōu)先搜索算法的改良
將每一層中考慮的路徑數(shù)限制在一個較小的固定數(shù)字上，留兩個離目標最近的節(jié)點 比如束寬：2
放不放隊列前面不影響，只要保證束寬即可

最佳優(yōu)先搜索算法
總是尋找一個樹中最佳的路徑，距離目標最近的距離，可能找了三層后發(fā)現(xiàn)另一個路徑是更佳的，所以它是跳動的


常識層面通過建立目標樹來回答問題
反思層面的知識：
通過查找更高層的內(nèi)容，反思它自身的思考過程來回答


05 搜索：最優(yōu)、分支限界、A*
簡介：這一講主要討論了最短路徑問題。
首先教授在黑板上演示了一個例子，介紹分支限界法[0:00:00]。之后，教授引入了擴展列表，避免重復(fù)擴展，以優(yōu)化分支限界法[0:18:35]。
再后，教授通過可容許啟發(fā)式對算法進行了優(yōu)化，避免尋找最短路徑時往反方向進行的無謂搜索[0:25:15]。
最后，教授將上述兩種優(yōu)化加到分支限界法上，得到A*算法，并講解了A*算法中可能碰到的一些問題[0:36:00]。

最短路徑問題
尋找最短路徑，而不是一般路徑或者好的路徑
直線距離與實際可行的距離
尋找最短路徑的方法
擴展最短路徑法，直到找到一條，并且其他的擴展都不比這個小
積累長度 啟發(fā)式距離
啟發(fā)式距離：直線距離，無論兩者間有無路線
分支限界法
擴展最短路徑法，直到找到一條，并且其他的擴展都不比這個小
優(yōu)化分支限界法
擴展列表，避免相同節(jié)點重復(fù)擴展（死馬原則，只要發(fā)現(xiàn)這一條路徑不可能成為最短路徑，就立即去掉）
可容許啟發(fā)式對算法進行優(yōu)化，避免尋找最短路徑時往反方向進行的無謂搜索，（直線距離下界法）
上述兩種優(yōu)化加到分支限界法上，得到A*算法
此種方法在地圖條件下總是有效的，且是優(yōu)先考慮的，但在非地圖上可能會出現(xiàn)問題
可容許啟發(fā)式，在非地圖條件下會造成問題
擴展最短路徑，避免相同節(jié)點重復(fù)擴展。（積累長度 估計最短距離）
一致性啟發(fā)式
對可容許性進行強化
不止限定在地圖條件下，使之更具有一般性，加更強的條件
可容許： H(x,g)<=D(x,g)
一致性： |H(x,g)-H(y,g)|<=D(x,y)


06 搜索：博弈、極小化極大、α-β
07 約束：解釋線條圖
08 約束：搜索、域縮減
09 約束：視覺對象識別
10 學(xué)習介紹、最近鄰
11 學(xué)習：識別樹、無序
12 學(xué)習：神經(jīng)網(wǎng)絡(luò)、反向傳播
13 學(xué)習：遺傳算法
14 學(xué)習：稀疏空間、音韻學(xué)
15 學(xué)習：相近差錯、妥適條件
16 學(xué)習：支持向量機
17 學(xué)習：boosting算法
18 表示：分類、軌跡、過渡
19 架構(gòu)：GPS、SOAR、包容架構(gòu)、心智社會
20 概率推理I
21 概率推理II
22 模型融合、跨通道偶合、課程總結(jié)