人工智慧(能力)是智慧型機器所執行的通常與人類智慧型
有關的智慧型行為，如判斷、推理、證明、識別、感知、
理解、通訊、設計、思考、規劃、學習和問題求解等
思維活動。
凡是固定了演算法的，基本上都不算ai
弱人工智慧（在某個方面的智慧型）
應用效果很強
強人工智慧（綜合的多方面的人工智慧）
現實應用效果差
機器的智慧型：
不管是什麼計算機，都等價於圖靈機
是乙個數學概念
乙個七元組：紙帶、符號、讀寫頭、規則、狀態、起
始、結束。
開始的時候將輸入符號串 從左到右依此填在紙帶的第 號格仔上， 其他格仔保持空白（即填以空白符）。m 的讀寫頭指向第 0 號格仔， m 處於狀態 q0。機器開始執行後，按照轉移函式 δ 所描述的規則進行計算。例如，若當前機器的狀態為 q，讀寫頭所指的格仔中的符號為 x，設 δ（q，x) = (q』，x』，l）， 則機器進入新狀態 q』， 將讀寫頭所指的格仔中的符號改為 x』， 然後將讀寫頭向左移動乙個格仔。若在某一時刻，讀寫頭所指的是第 0 號格仔， 但根據轉移函式它下一步將繼續向左移，這時它停在原地不動。換句話說，讀寫頭始終不移出紙帶的左邊界。若在某個時刻 m 根據轉移函式進入了狀態 qaccept， 則它立刻停機並接受輸入的字串； 若在某個時刻 m 根據轉移函式進入了狀態 qreject， 則它立刻停機並拒絕輸入的字串
通俗地說，停機問題就是判斷任意乙個程式是否會在有限的時間之內結束執行的問題。如果這個問題可以在有限的時間之內解決，則可以有乙個程式判斷其本身是否會停機並做出相反的行為。這時候顯然不管停機問題的結果是什麼都不會符合要求，所以這是乙個不可解的問題。
任意乙個包含一階謂詞邏輯與初等數論的形式系統，都存在乙個命題，它在這個系統中既不能被證明為真，也不能被證明為否。
科學和技術和工程：把現實的物，對映到代表它的符號，在符號上完成所
有的推理、計算等等（圖靈測試就是這個思路）
圖靈測試：
屋子裡有人、計算機，外邊的人提問，互動用印表機、**
等方式，如果提問者無法分辨是人回答的還是計算機回答的，
就是通過了圖靈測試
模擬人腦就可以模擬出人腦的功能，於是提出了神經網路
智慧型來自更低階的感知和行動，表現的好就行
摩爾定律：
當**不變時，積體電路上可容納的元器件的數目，約每隔18-24個月便會增加一倍，效能也將提公升一倍
20世紀50年代末至70年代初：
由於數學模型存在缺陷，以及計算能力無法完成複雜度呈指數級增長的計算任務，使人工智慧發展陷入低谷
20世紀80年代初至90年代初：
數學模型實現了重大突破，誕生了多層神經網路、bp反向傳播演算法和高 度智慧型機器等。由於人工智慧計算機的成本與維護難度都較高，限制了其 大規模商業應用和普及，使人工智慧再次步入低谷。
21世紀初至今：
大資料、演算法模型和計算能力的多重突破共同驅動了新一代人工智慧的快速發展，尤其是2023年深度學習神經網路的提出，使人工智慧的效能獲得突破性進展，標誌著人工智慧迎來第三次高速成長期。
機器定理證明
博弈模式識別
自然語言處理
資料探勘和知識發現
專家系統
大資料（big data），指無法在一定時間範圍內用常規軟體工具進行捕捉、管理和處理的資料集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的資訊資產。
大資料的5v特點：
volume（大量）
velocity（高速）
variety（多樣）
value（低價值密度）
veracity（真實性）
乙個綜合資料庫——存放資訊
一組產生式規則——知識
乙個控制系統——規則的解釋或執行程式
綜合資料庫
規則集控制策略
初始條件
結束條件
深度問題：對搜尋深度加以限制
死迴圈問題：記錄從初始狀態到當前狀態的路徑
圖搜尋策略：
因為回溯搜尋只保持從初始狀態到當前狀態的一條路徑，而圖搜尋保留所有已經搜尋過的路徑
深度優先搜尋：
一般不能保證找到最優解
當深度限制不合理時，可能找不到解，可以將演算法
改為可變深度限制
最壞情況時，搜尋空間等同於窮舉
寬度優先搜尋：
一定能找到解，但效率較低
漸進式深度優先搜尋演算法：
目的：
解決寬度優先方法的空間問題和回溯法不能找到最優解的問題
思想：
首先給回溯法乙個比較小的深度限制，然後逐
漸增加深度限制，直到找到解或找遍所有分支
為止。啟發式圖搜尋：
利用知識來引導搜尋，達到減少搜尋範圍，降低問題複雜度的目的
評價函式的格式：
f(n) = g(n) + h(n)
f(n)：評價函式
h(n)：啟發函式
最佳圖搜尋a*：
在a演算法中，如果滿足條件：
h(n)≤h*(n)
則a演算法稱為a*演算法
f*(s) = f*(t) = h*(s) = g*(t) = f*(n)
其中s是初始節點，t是目標節點，n是s到t的最
佳路徑上的節點。
定理1:對有限圖，如果從初始節點s到目標節點t有路徑存
在，則演算法a一定成功結束。
引理2.1:對無限圖，若有從初始節點s到目標節點t的路徑，
則a*不結束時，在open表中即使最小的乙個f值也
將增到任意大，或有f(n)>f*(s)。
引理2.2:a結束前，open表中必存在f(n)≤f(s)。
推論1：open表上任一具有f(n)a*選作擴充套件的節點。
定理3:若存在從初始節點s到目標節點t有路徑，則a*必能
找到最佳解結束。
推論3:a選作擴充套件的任一節點n，有f(n)≤f(s)。
alpahbeta剪枝：
強烈建議看看課件的推導過程
2023年 由robinson提出，從理論上解決了定理證明問題。
意義：歸結原理的提出，對機器定理證明問題起到了推動作用
合取：∧
析取：∨
a →b => ~a ∨b
~(a ∨b) => ~a ∧~b
~(a ∧b) => ~a ∨~b
(∃x)p(x)=>(∀x)p(x)
變數標準化
即：對於不同的約束，對應於不同的變數
(∃x)a(x) ∨ (∃x)b(x) => (∃x)a(x) ∨ (∃y)b(y)
量詞左移
(∃x)a(x) ∨ (∃y)b(y) => (∃x) (∃y)
消存在量詞 (skolem化）
原則：對於乙個受存在量詞約束的變數，如果他
不受全程量詞約束，則該變數用乙個常量代替，
如果他受全程量詞約束，則該變數用乙個函式代
替。(∃z) (∀x)(∃y)
=> (∀x)
若s是合式公式f的子句集，則f永假的充要條件是s不可滿足
s不可滿足：若nil∈s，則s不可滿足。
類似於編譯原理的，不贅述
無幾種神經網路就不介紹了……
常用於資料壓縮演算法和特徵提取演算法
vae是乙個改了中間層的自編碼機。概念：理性決策者之間戰略互動的數學模型研究
基本要素：
嚴格佔優策略：
不論其他玩家採取什麼動作，這個玩家所選擇的動作都要優於選擇其他動作
囚徒困境：
兩個理性決策者都保持理性可能會導致壞的結果
佔優策略均衡：在博弈中，由局中人的上策構成的均衡稱為佔優策略（上策）均衡。上圖囚徒困境的解（招，招）就是佔優策略均衡。
單方佔優策略均衡：在一方沒有佔優策略而另一方有的時候，預期另一方按佔優策略行動而選擇自己的佔優策略
納什均衡 ：在給定其他參與者策略情況下，沒有乙個參與者能通過單方面改變自己的策略而使自己的得益提高，從而沒有人有積極性打破這種均衡。納什均衡是滿足給定對手的行為，各博弈方所做的是它能做的最好的行為。
相對優勢策略劃線法：劃線法是乙個求解納什均衡的方法。納什均衡是指我所做的是給定你所做的我所能做的最好的，那麼求解納什均衡，就是找出各個相對優勢策略
求解的答案是，在純策略意義下「猜謎博弈」無解，即不存在在純策略意義下的納什均衡，也就是說，這個博弈得不到乙個平衡穩定的結局。但經驗告訴我們，兩個兒童玩這樣的猜謎遊戲，一局難定勝負，一次又一次地玩下去，隨機地出乙個手指，或者兩個手指，多次以後，基本勝負各半，也就是有了乙個平衡的結果。這個啟示是，若乙個博弈在純策略意義下沒有平衡的結局，但兩個局中人各自將自己的全部策略隨機地組織起來，且可能得到平衡的結局，換言之，在概率策略的意義下可能存在納什均衡。正是這樣的思考，引發了「混合策略」的概念。
零和博弈：
純競爭的博弈，不是輸就是贏
非零和博弈：
不是非輸即贏的情況
完備資訊：
可以知道博弈中的所有狀態
非完備資訊：
可以知道博弈中的部分狀態
人工智慧導論
1 人工智慧 讓機器像人一樣具有一些能力，擴充套件人的智慧型。2 機器學 不顯式程式設計地賦予計算機能力的研究領域。3 aiops artificial intelligence for it operations，智慧型化運維，將人工智慧應用於運維領域，基於已有的運維資料 日誌 監控資訊 應用資訊...
人工智慧導論 緒論
1956 年 正式提出人工智慧這個術語並把他當做一門新興科學的名稱。20 世紀三大科學技術成就 1.1.1 智慧型的概念 自然界的四大奧秘 對智慧型還沒有確切的定義，主要流派有 智慧型是知識與智力的總和。知識 是一切智慧型行為的基礎 智力 是指獲取知識並應用知識求解問題 1.1.2 智慧型的特徵 1...
（AI）人工智慧導論實驗 A 演算法
原始碼 實驗內容 假設在乙個 n m 的迷宮裡，入口座標和出口座標分別為 1，1 和 5，5 每乙個座標點有兩種可能 0 或 1，其中 0 表示該位置允許通過，1 表示該位置不允許通過 如地圖 0 0 0 0 0 1 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 0 0 1 0 最短路...