人工智能及其应用课程总结

《人工智能及其应用》课程总结20世纪40年代，计算机的发明揭开了人类发展的新篇章，使得人类追寻已久的脑力劳动机械化问题获得了解决的方法和途径。计算机能够代替人类大脑进行复杂的计算，并且能够根据计算对某些问题做出判断，从某种程度上代替了人脑的部分功能。而随着计算机计算机技术的发展，20世纪50年代人工智能(AI)这一新的学科门类的诞生，对人类的发展和进步有着重大的意义。人工智能是指人类的各种脑力劳动或智能行为，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动，可用某种智能化的机器来予以人工的实现。诸如机器编译、机器诊断、机器推理以及各种专家系统。随着人工智能技术的发展，引起了众多学科和不同专业背景学者们的日益重视，并且发展出了若干个研究子学科，如计算机科学、哲学、生理学、社会学、生物学、信息学和计算机数学等，人工智能成为一门广泛的交叉和前沿学科。因此，《人工智能及其应用》课程的学习，对于计算机应用研究技术、机械技术以及本人的专业——农业机械工程的学习和科研工作中，具有十分重要的作用。《人工智能及其应用》课程所讲授的知识涵盖面广、内容较多，其中许多章节所设计的知识都可以单独作为一门课程学习。因此，通过本学期对《人工智能及其应用》课程的学习，我重点总结一下主要学习和掌握的几方面知识：1．人工智能的研究与应用领域。在人工智能这门学科中，包含有多个研究领域，每个研究领域都有其特有的感兴趣的研究课题、研究技术和术语，它们包括：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。通过对这些研究领域的研究和应用介绍，我发现其中专家系统、机器学习、神经网络、模式识别、机器视觉和数据挖掘等方面的知识，是我所研究的专业领域和课题中，使用计算机软件进行数据处理和自动判别所需要的知识，对我课题的研究和完成将会有很大帮助。2．知识表示与推理。本部分研究了传统人工智能的知识表示方法、搜索技术和知识推理。以符号和逻辑为基础的传统人工智能问题求解是通过知识表示和知识推理来实现的。知识表示的方法有很多，包括图示法、公式法、结构化方法、陈述式表示、过程式表示、状态空间法和问题归约法等。表示问题是为了进一步求解问题，从问题表示到问题的解决有一个求解的过程，也就是搜索过程。因此，学习了图搜索策略和A*算法的方法和步骤。学习了消解原理这一用于一定的子句公式的重要推理规则，包括消解推理规则、含有变量的消解式、消解反演求解过程等。并且学习了规则演绎系统和产生式系统。它们是解决比较复杂的系统和问题的较为先进的推理技术和系统求解方法，能够解决搜索推理方法难以解决的一些问题。3．计算智能。包括人工神经网络计算、模糊计算、粗糙集理论、遗传算法、进化策略、进化编程、人工生命、粒群优化、蚁群算法、自然计算和免疫计算。其中每一部分都可以作为单独的一门课程和知识进行深入的学习和研究。其中，我结合课程内容，重点学习和研究了人工神经网络。人工神经网络是模拟生物神经元的特性而产生的，是基于生物神经元特性的互联模型制造的算法及机器。包括有以下几个重要特性：并行分布处理、非线性映射、通过训练进行学习、适应与集成、硬件实现性。在本部分学习了神经网络是由基本处理单元——神经元及其互联方法构成的。其网络基本结构分为两类：递归网络和前馈网络。人工神经网络的主要学习算法有：有师学习、无师学习和强化学习三种。具体学习了自适应谐振理论网络、学习矢量量化网络、Kohonen网络、Hopfield网络，并且学习了基于神经网络的知识表示方法和推理方法。通过这部分的学习，了解了神经网络的应用方法和应用领域，由于其学习和适应、自组织、函数逼近和大规模并行处理等能力，因而在模式识别、信号处理、系统辨识和优化等方面有着广泛的应用。4．机器学习。机器学习是一门研究机器获取新知识和新技能，并实现现有知识的学问。在此部分，主要学习了机器学习的主要策略、系统的基本结构和各种机器学习算法，包括：机械学习、归纳学习、类比学习、解释学习、神经学习和知识发现。而其中的一些学习方法又与以前学习章节中的内容有所交叉，如神经学习和人工神经网络。介绍了各种学习方法的定义、结构、基本计算方法和流程等知识。机器学习广泛的应用于图像处理、模式识别、机器人动力学与控制、自动控制、自然语言理解、语音识别、信号处理和专家系统等领域。通过对《人工智能及其应用》课程的学习，使我学习了人工智能的各种基本算法和思想，了解了各种方法的应用领域和适用范围。由于我的研究课题中，也需要对采集的数据进行处理和做出判断，因此必然涉及人工智能的相关知识。课程包含内容很多，涵盖的领域非常广泛，虽然学习深度有限，但是正是对人工智能知识的广泛了解，才能扩展我的研究思路，选定方向和研究算法，进行更深层次的研究。