此節課程的目的是根據乙個線條圖，確定其中有多少個物體
例如下面這張圖，我們可以觀察得出其中有兩個物體
第乙個方法是guzman的貢獻，他研究了大量的積木模型，得出乙個結論，三個面的交點有以下兩種表示，稱其為鏈結
第乙個箭頭表示箭頭兩側的面在乙個物體上，第二個叉表示三個面在同乙個物體上。根據這種思路，他回到物體得到下圖
顯然，上面第乙個圖中面1和麵2之間有兩個鏈結，由此畫出各個面的鏈結並以第二個圖表示。
guzman首先使用單鏈理論，但是這顯然無法將幾個面和為幾個物體，之後他又使用雙鏈理論，得到123和456兩個為一物體，最後他使用雙鏈重複理論，這將123作為乙個物體，4567作為乙個物體。
guzman的方法只在某些線條上成立，這不能推廣到全部，然而也不能否定guzman的貢獻。
guzman的理論能成立歸結於這世界存在大量的三面結合而成的點，而這些點大部分體現為箭頭或叉。所以他的貢獻既不是歸納，也不是演繹，而是abduction溯因。
接下來是哈夫曼的貢獻，哈夫曼是乙個數學家，所以他更傾向於考慮乙個數學世界，於是他規定了這幾個特徵，或者說是假設。
1、這個世界可以用一般位置表示，即排除容易搞糟的情況
2、我們將只處理三面的世界，即所有頂點都由三面組成。
3、我們將只考慮四種線，凹、凸和邊界，邊界有兩種表示。如下圖
四種基礎線：+是凸（明亮），-是凹（暗淡），邊界線：箭頭的指向側是有平面。
由此我們將得到十八種交點的線標記，如下圖
但是對於哈夫曼建立的標準，仍有不能處理的情況，如下面兩個圖形
這兩個圖形在畫圈的地方都無法標識，因為這幾個地方是四面連線點。
第三種方法有waltz在哈夫曼的基礎上又增加了陰影、裂縫、非三面頂點和光。
waltz需要考慮的定點數從4個增加到了50多種，因為一條線上要涉及很多資訊，連線點也擴大到了數千種。所以他需要一種有用的程式來幫助他。
我們將使用哈夫曼的標記來模擬waltz的演算法。如下圖
上圖中一號節點是個箭頭，他有三種標記法，全部列出，同理可以列出二號節點的六種情況，然後根據一號節點的箭頭的尾部只有+-兩種情形，可以將二號節點的部分情況排除；三號節點也有三種情況，根據二號節點可以排除三號結點的情況，三號結點又可以反過來幫助二號節點排除一些情況，二號節點也可以幫助一號節點排除一些情況，四號節點有劉崇情況，經過排出後每個結點都只剩下了一種情況，即圈中圈出的情況。
這些方法同我們人類看到這些物體時的反應類似，可能這就是我們人腦的作用方式。我們或許能夠在視覺中使用某種約束傳播機制。
麻省理工公開課人工智慧筆記九
本篇主要關於最近鄰學習思想 下面是關於人類學習的乙個簡單總結 最近鄰演算法是一種基於模式識別的演算法，他的主要流程如下 首先有乙個特徵檢測器，他檢測進入的物體並輸出其特徵，所有輸出值組成乙個向量進入乙個比較器，並於庫中可能存在的向量值進行比較，輸出乙個值。用下面這四種插座蓋來做例子 每個插座蓋都要檢...
麻省理工公開課人工智慧筆記十三
本篇主要講聲韻學的機制。基於英語 英語中dog的複數dogs最後發音為z，二cat的複數cats最後發音為s，為什麼這樣，基於區別性特徵理論，如下 人發出的聲音進入耳朵，得到處理，並生成乙個區別性特徵向量的序列，區別性特徵是乙個二進位制變數，例如音是否有聲，即發音時聲帶是否震動，震動就是有聲 否則就...
麻省理工公開課人工智慧筆記十五
本篇主要講支援向量機，關於決策邊界 在上面這個圖中，如何區分正例和負例，前面我們講過的最近鄰，識別樹，神經網路三種方法，他們的決策邊界的畫法可以是上面這樣。然而支援向量機的概念與他們都不同，是通過畫直線的方式，找到一條直線 圖中虛線 能夠將分割正負例的街道最寬。首先我們要考慮，如何制定一條決策規則來...