- 第一章和第四章就按照我的博客笔记来看就够了（因为第一章主要是考一些选择题概念） （第四章博客总结是按照期末考点来总结的）
- 第二章、第三章、第五章、第六章直接看最后的手写笔记部分即可（基本都是刷题）
- 每一章我都会在前面说明该章节的考试题型
- 博客笔记主要强调概念，手写笔记相当于思维导图（手写笔记中会提到某些概念，这时候可以参考博客笔记。两个兼修即可。）
人工智能的概念（1956提出...）
孕育期：神经网络模型、宏观人工智能、图灵测试
· 
形成期：
暗淡期：
知识期：
稳步增长期：
符号主义：
缺点：
连接主义：
行为主义：
提问方式：以下属于人工智能应用的领域的是？
当命题变元表示原子命题的时候该变元称之为原子变元
（1）.事实性知识
（2）情况节点：
（3）动作的表示：
（4） 事件的表示：
(5)存在量词和全称量词的表示
例如：
1.
2.
1.
2.
3.
4.
知识贫乏系统：
知识丰富系统：
一般图搜索，启发式搜索 （状态空间搜索）
状态空间搜索是用状态空间法来求解问题所进行的搜索。
与或图搜索
与或图搜索是用问题规约的方法来求解问题所进行的搜索。
题目描述：
状态的表示：
操作算子：
合法状态和不合法状态：
或图基本概念：
状态空间一般表示为或图
八数码问题的求解就是用或图来求解的：
求解步骤就是状态空间搜索的设计过程。
符号说明：
搜索算法的两个阶段：
八数码问题（了解基本过程即可，最后有相应习题）：
如何提高一般图搜索的效率呢？
从上面的八数码一般图搜索的策略我们可以看出，OPEN表的首部节点的选择都是随机的
有一定的盲目性，为了解决这种盲目性，于是我们提出了优化OPEN表中的节点的排序方
式的想法：（这也是盲目搜索的来源）
有界深度优先：
迭代加深搜索（改进有界深度优先）：
时间上：深度优先最长，如果 深度限制 l<解答深度 d 那么 有界深度时间最短
空间上：宽带有深 b^d bd b^l bm
通过评估函数来决定每一个节点的扩展，从而避免了盲目搜索带来的空间和时间的浪
费。
h(n) :因为依赖于启发式知识加以计算，所以h(n)又叫做启发式函数
A算法的执行过程：
当有多条路可走的时候 比如d(5) 和 e(5)， 这是时候就同时扩展这两个节点，然后比较这两个节点
扩展出来的子节点，找到子节点中代价最小的那一条路继续扩展，相应的另一条路（d(5)）则是判
断失误的路，应该舍弃。
为什么要改进呢？
上面也看到了，改进的目的就是为了尽可能大的减少上面这种判断失误的情况。
考察的方式就是题目给出初始状态和目标状态，然后给出评估函数，然后你按照下面的步骤画出状态空间搜索图即可。注意OPEN表和CLOSE表的变化（考试的时候也要求写出来）
适当修改和标记指针是在启发式搜索过程中对节点指针进行操作
的一种策略。主要的目的是为了记录和更新节点的状态，以便在
后续的搜索过程中避免重复扩展同一节点或者更好地利用已有的信息。
- 出现在OPEN表的情况：当一个节点被将要放入OPEN表之前，可以对其指针进行修改和标记。这样做可以更新节点的状态，例如更新节点的优先级、路径成本等，从而影响后续节点的选择。
- 没出现在OPEN表的情况：对于尚未放入OPEN表的节点，可以修改和标记该节点的指针。这样做可以记录节点的状态，例如是否已经被访问过、是否已经生成过等信息，以保证在需要时能正确处理节点。
- 出现在CLOSE表的情况：当一个节点被加入到CLOSE表中时，可以对其指针进行修改和标记。这样做可以标记节点已经被关闭，避免在后续的搜索中再次对该节点进行扩展，从而提高搜索效率。
（2）启发式函数的影响及其强弱：
启发式函数的强弱及其影响：比如h(x)的强弱对评价函数到底是怎么影响的？
（3）启发式函数的实用性（启发式函数能够根据实际情况进行调整）
理解几个基本概念：
与取小值 或取大值
max的a值永不降低: a>= ， min节点的贝塔永不增加: 贝塔<=
1.不确定推理的实质
不确定推理就是从不确定的观点出发，运用不确定性的知识，最终推理出具有不确定性但是合理的结论。
2.不确定推理待解决的问题
3.表示问题
指的是用什么来表示不确定知识。
分为数值表示和非数值表示。
专家系统中的不确定性分为规则不确定性和证据不确定性，
证据不确定性通常用一个数值表示其不确定的程度。
4.计算问题：
在专家给出的规则强度和用户给出的原始证据的不确定基础之上定义的一组函数
用来度量结论的不确定性。
5.计算问题包括的三个方面：
6.其中组合证据的不确定算法有：
7.语义问题
8. f（H,E）需要理解的实质
9.不确定推理的三大方法
10. 主观Bayes方法
先验概率和后验概率的区别：
会用条件概率（后验概率）的公式：
例如：
Bayes理论改进：
总结
Bayes方法
例如：
（按照训练样本提供的信息和反馈的方式不同进行的分类）
- 第二章（知识表示）
- 第三章（确定性推理）
- 第五章（不确定推理）
- 第六章（机器学习）
