人工智能：
http://open.163.com/movie/2017/9/Q/S/MCTMNN3UI_MCTMNR8QS.html
01 什么是人工智能（课程介绍）
02 推理：目标树与问题求解
03 推理：目标树与基于规则的专家系统
04 搜索：深度优先、爬山、束搜索
05 搜索：最优、分支限界、A*
06 搜索：博弈、极小化极大、α-β
07 约束：解释线条图
08 约束：搜索、域缩减
09 约束：视觉对象识别
10 学习介绍、最近邻
11 学习：识别树、无序
12 学习：神经网络、反向传播
13 学习：遗传算法
14 学习：稀疏空间、音韵学
15 学习：相近差错、妥适条件
16 学习：支持向量机
17 学习：boosting算法
18 表示：分类、轨迹、过渡
19 架构：GPS、SOAR、包容架构、心智社会
20 概率推理I
21 概率推理II
22 模型融合、跨通道偶合、课程总结
2019.7.3
01 什么是人工智能（课程介绍）
简介：这一讲首先介绍了人工智能的定义[0:00:00]。之后，教授讲解了生成测试法，并详细谈到了给事物命名的重要性：
“给某种事物命名后，你就对它拥有了力量”[0:11:30]。再后，教授介绍了人工智能发展的简史，讲到了本课程中将会接触到的各种人工智能程序[0:20:28]。
最后，教授展望了人工智能的未来并讲了一些课程事务信息[0:32:40]。
人工智能的定义
关于：思维、感知、行动
根本：建模
支持模型建立的表示系统
算法
生成测试法
生成测试时将所有的都穷举出来，然后测试。
给事物命名的重要性
对它拥有了力量
人工智能发展的简史
各种人工智能程序
2019.7.4
02 推理：目标树与问题求解
简介：这一讲首先通过一个积分题引出了课程内容，讲解早期人工智能中求解符号积分的人工智能程序，
该程序能够求解出MIT微积分期末考试中的几乎所有积分题目并打败大一学生[0:00:00]。之后，
教授介绍了安全变换和启发式变换，并用它们求解了这个积分题[0:05:40]。详细介绍了程序求解积分题的方法之后，
教授讲解了人工智能这方面中值得思考的问题[0:31:40]。
早期人工智能中求解符号积分的人工智能程序
安全变换和启发式变换
问题归约
2019.7.5、7.10
03 推理：目标树与基于规则的专家系统
简介：这一讲首先介绍了一个移动方块的人工智能程序，并以此详细讲解了目标树的概念，
这一程序不仅能够能够实现目标，还能解释自己在过程中的一些行为[0:00:00]。
第二部分，教授详细介绍了基于规则的专家系统，有一个医疗方面的专家系统比医生的诊断还要准确，
教授讲解了它是如何做到的[0:18:20]。第三部分，教授通过杂货店装袋的例子，总结了知识工程中的三大原则[0:33:17]。
目标树（树）
可以回答关于自身行为的问题：
why 向上找
how 向下找
基于规则的专家系统（规则）
前向链系统：
已知事实推出结论
例如：几点动物的特征，推导出是什么动物
这个系统已构成目标树，所以它也能回答关于自身行为的问题
后向链系统：
从假设往回找事实，即回溯
例如：因为是猎豹所以应该具有那些特征
演绎系统
知识工程中的三大原则：知识转化为规则的能力
启发式一：考虑个案
启发式二：对看起来相同，但实际操作不同的两个对象，区别对待
启发式三：看新系统何时出问题，出问题的原因是缺少某条规则，让程序无法执行它被期望执行的东西
规则与常识之间有没有关系？ 不可知论
2019.7.11-13
04 搜索：深度优先、爬山、束搜索
简介：这一讲开始讨论各种搜索算法，首先是最基本的大英博物馆法，也就是找出一切可能的蛮力算法[0:00:00]。
之后教授通过例子讲解了深度优先搜索算法和广度优先搜索算法[0:08:05]。
之后，教授介绍了搜索中如何避免重复搜索，并用其分别优化深度优先和广度优先算法，得到爬山算法和束搜索算法[0:20:26]。
最后，教授讲解了故事阅读中搜索的程序例子[0:41:15]。
搜索
起点到终点的路径问题
不是关于地图的，是关于选择的
回溯，扩展队列，知情
大英博物馆法
树
找出一切可能的蛮力算法
深度优先搜索算法
从左原则，一直找到最深的点，如果没到目标点则回溯到前面做选择的点继续此过程
初始化--扩展--队列，放在队列前端
回溯，扩展队列
广度优先搜索算法
一层一层的找，直到出现目标点
初始化--扩展--队列，放在队列末端
扩展
缺点：
搜索时同一个点去了多次，多次重复考虑了相同的路径
考虑是否走反的问题
深度和广度优先算法找到的路径，不一定是最优路径，效率低
不扩展队列中的第一个路径，除非末端之前从未被扩展过，带扩展路径和以扩展路劲
# 知情算法
爬山搜索算法
深度优先算法的优化
根据那个节点距离目标近来选择节点，不一定是最优路径
可以提高搜索速度
排序后放在队列前面
回溯，扩展队列，知情
问题：
连续空间中的问题：
找一个方向走到海拔最高的位置
1.困在局部极大值
2.电线杆问题
3.等高线图中的问题
束搜索算法
广度优先搜索算法的改良
将每一层中考虑的路径数限制在一个较小的固定数字上，留两个离目标最近的节点 比如束宽：2
放不放队列前面不影响，只要保证束宽即可
最佳优先搜索算法
总是寻找一个树中最佳的路径，距离目标最近的距离，可能找了三层后发现另一个路径是更佳的，所以它是跳动的
常识层面通过建立目标树来回答问题
反思层面的知识：
通过查找更高层的内容，反思它自身的思考过程来回答
05 搜索：最优、分支限界、A*
简介：这一讲主要讨论了最短路径问题。
首先教授在黑板上演示了一个例子，介绍分支限界法[0:00:00]。之后，教授引入了扩展列表，避免重复扩展，以优化分支限界法[0:18:35]。
再后，教授通过可容许启发式对算法进行了优化，避免寻找最短路径时往反方向进行的无谓搜索[0:25:15]。
最后，教授将上述两种优化加到分支限界法上，得到A*算法，并讲解了A*算法中可能碰到的一些问题[0:36:00]。
最短路径问题
寻找最短路径，而不是一般路径或者好的路径
直线距离与实际可行的距离
寻找最短路径的方法
扩展最短路径法，直到找到一条，并且其他的扩展都不比这个小
积累长度+启发式距离
启发式距离：直线距离，无论两者间有无路线
分支限界法
扩展最短路径法，直到找到一条，并且其他的扩展都不比这个小
优化分支限界法
扩展列表，避免相同节点重复扩展（死马原则，只要发现这一条路径不可能成为最短路径，就立即去掉）
可容许启发式对算法进行优化，避免寻找最短路径时往反方向进行的无谓搜索，（直线距离下界法）
上述两种优化加到分支限界法上，得到A*算法
此种方法在地图条件下总是有效的，且是优先考虑的，但在非地图上可能会出现问题
可容许启发式，在非地图条件下会造成问题
扩展最短路径，避免相同节点重复扩展。（积累长度+估计最短距离）
一致性启发式
对可容许性进行强化
不止限定在地图条件下，使之更具有一般性，加更强的条件
可容许： H(x,g)<=D(x,g)
一致性： |H(x,g)-H(y,g)|<=D(x,y)
06 搜索：博弈、极小化极大、α-β
07 约束：解释线条图
08 约束：搜索、域缩减
09 约束：视觉对象识别
10 学习介绍、最近邻
11 学习：识别树、无序
12 学习：神经网络、反向传播
13 学习：遗传算法
14 学习：稀疏空间、音韵学
15 学习：相近差错、妥适条件
16 学习：支持向量机
17 学习：boosting算法
18 表示：分类、轨迹、过渡
19 架构：GPS、SOAR、包容架构、心智社会
20 概率推理I
21 概率推理II
22 模型融合、跨通道偶合、课程总结