推理

1:第一章: https://blog.csdn.net/weixin_42859280/article/details/102746213 2:第2章-人工智能 第3章-人工智能 4: 第4章-人工智能 第一章 人工智能定义，时期 三大学派 研究和计算方法 第二章 知识 知识表示基本方法(问题归约，状态空间(最重要，传教士要看)，谓词逻辑) 八数码 汉诺塔问题 与或图 谓词逻辑 置换合一(选择题) 语义网络(简单属性，匹配) 知识表示90-91 第三章 图搜索(3.1的图搜索策略) 估价函数:fn=gn+hn(一定要知道) 3.2盲目搜索表 08页的图 推理 消解原理–子句集(九个步骤) 置换与合一(后面难的不看) 规则演绎(不一定考，看明白一个例子) 不确定性推理的两个方面 概率推理(23页例题) 主观贝叶斯(难) 4.5基于可信度(61页)例题必须看懂(63页) 第五章(98页之后) 神经计算 模糊计算? 遗传算法 鸟群觅食过程 蚁群算法(原理) 重点:1.2 2.13.4 4.5 5.4(必须要会) 重点:1.2 2.13.4 4.5 5.4(必须要会) 来源： https://blog.csdn.net/weixin_42859280/article/details/102748907

如何学习离散数学和在计算机科学中应用 2014-12-18 20:45:26 松子茶 阅读数 7621 更多 分类专栏： 【Discrete Mathematics】 版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 本文链接： https://blog.csdn.net/utimes/article/details/42009405 引言 离散数学的定义及其在各学科领域的重要作用。离散数学(Discrete mathematics)是研究离散量的结构及其相互关系的数学学科，是现代数学的一个重要分支。它在各学科领域，特别在计算机科学与技术领域有着广泛的应用，同时离散数学也是计算机专业的许多专业课程，如程序设计语言、数据结构、操作系统、编译技术、人工智能、数据库、算法设计与分析、理论计算机科学基础等必不可少的先行课程。通过离散数学的学习，不但可以掌握处理离散结构的描述工具和方法，为后续课程的学习创造条件，而且可以提高抽象思维和严格的逻辑推理能力，为将来参与创新性的研究和开发工作打下坚实的基础。 随着信息时代的到来，工业革命时代以微积分为代表的连续数学占主流的地位已经发生了变化，离散数学的重要性逐渐被人们认识。离散数学课程所传授的思想和方法，广泛地体现在计算机科学技术及相关专业的诸领域，从科学计算到信息处理

数独（shù dú）是源自18世纪瑞士的一种数学游戏。是一种运用纸、笔进行演算的 逻辑游戏 。玩家需要根据9×9盘面上的已知数字，推理出所有剩余空格的数字，并满足每一行、每一列、每一个粗线宫（3*3）内的数字均含1-9，不重复 [1] 。 数独盘面是个九宫，每一宫又分为九个小格。在这八十一格中给出一定的已知数字和解题条件，利用逻辑和推理，在其他的空格上填入1-9的数字。使1-9每个数字在每一行、每一列和每一宫中都只出现一次，所以又称“九宫格”。 来源： https://www.cnblogs.com/chenglaiyong/p/11605655.html

前言 深度神经网络其实更加适合做感知，而贝叶斯理论的核心是推理，只有从感知到推理才能到决策。 所以最终来讲，你希望达到一种理性的推理、理性的决策，这里面正好是贝叶斯网络一个大行其道的地方—余凯 1. State-of-the-art result for all Machine Learning Problems https://github.com/RedditSota/state-of-the-art-result-for-machine-learning-problems 2. Google Research https://research.googleblog.com/ 3. paperWeekly http://www.paperweekly.site/collections/10/papers 来源： CSDN 作者： _小马奔腾 链接： https://blog.csdn.net/dongfang1984/article/details/78592322

《知识图谱技术综述》整理 知识图谱基本概念 前言 知识图谱的定义和架构 知识图谱的定义 知识图谱的架构 知识图谱的逻辑结构 知识图谱的体系架构 知识图谱的关键技术 先提一下知识存储 知识抽取 知识表示 知识融合 知识推理 知识图谱基本概念 前言 本文内容整理自文献 1 。 “Web 1.0”时代：以 文档互联 为主要特征 “Web 2.0”时代：以 数据互联 为主要特征 “Web 3.0”时代：基于 知识互联 （尚未到来） 知识图谱的定义和架构 知识图谱的定义 本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。 知识图谱的架构 知识图谱的逻辑结构 知识图谱在逻辑上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。 知识图谱的体系架构 知识图谱主要有自顶向下(top-down)与自底向上(bottom-up)两种构建方式。 知识图谱的关键技术 知识抽取技术：从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。 知识融合：消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。 知识推理：在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。 分布式的知识表示形成的综合向量：对知识库的构建、推理、融合以及应用均具有重要的意义。 先提一下知识存储

知识图谱综述 通用知识图谱VS行业知识图谱 区别 通用知识图谱 行业知识图谱 广度/深度 广度 知识类型/来源 常识性知识, 百科知识，语言学知识 精度 低 面向群体 普通用户 代表 谷歌大脑 类型 模式 数据模型固定 数据量 获取难度 公共数据 领域知识图谱 挑战 1.多源异构数据难以融合 2.数据模式动态变迁困难 3.非结构化数据计算机难以理解 4.分散的数据难以统一消费利用 解决方案 　　• 挑战1：使用知识图谱（本体）对各种类型的数据进行抽象建模，基于可动态变化 的“概念—实体—属性—关系”数据模型，实现各类数据的统一建模。 　　• 挑战2：使用可支持数据模式动态变化的知识图谱的数据存储，实现对大数据及数 据模式动态变化的支持。 　　• 挑战3：利用信息抽取技术，对非结构化数据及半结构化数据进行抽取和转换，形 成知识图谱形式的知识。 　　• 挑战4：在知识融合的基础上，基于语义检索、智能问答、图计算、推理、可 视化等技术，提供统一的数据检索、分析和利用平台。 联系 通用知识图谱为行业知识图谱提供基础/体系,细化,则是需要搜寻相应的行业知识 行业知识图谱能够通过融合到通用知识图谱当中 关键技术 　或者这张图(好好感觉) 知识建模 　就是建立图谱的数据模式,就是对整个知识图谱的结构进行定义,构建 自顶向下的方法：专家手工编辑形成数据模式 自底向上的方法：

前两次介绍了知识图谱的基本概念和知识图谱的构建方式，这次介绍一下知识图谱系统的构建过程。 1 知识图谱的总体构建思路 如图所示，从原始的数据到形成知识图谱，经历了知识抽取、知识融合（实体对齐）、数据模型构建、质量评估等步骤。 原始的数据，按照数据的结构化程度来分，可以分为结构化数据、半结构化数据和非结构化数据，根据数据的不同的结构化形式，采用不同的方法，将数据转换为三元组的形式，然后对三元组的数据进行知识融合，主要是实体对齐，以及和数据模型进行结合，经过融合之后，会形成标准的数据表示，为了发现新知识，可以依据一定的推理规则，产生隐含的知识，所有形成的知识经过一定的质量评估，最终进入知识图谱，依据知识图谱这个数据平台，可以实现语义搜索，智能问答，推荐系统等一些应用。 以下对知识图谱构建中的步骤进行详细的介绍。 2 知识抽取 我们将原始数据分为结构化数据、半结构化数据和非结构化数据，根据不同的数据类型，我们采用不同的方法进行处理。 2.1 结构化数据处理 针对结构化数据，通常是关系型数据库的数据，数据结构清晰，把关系型数据库中的数据转换为RDF数据（linked data），普遍采用的技术是D2R技术。D2R主要包括D2R Server，D2RQ Engine和D2RRQ Mapping语言。 D2R Server 是一个 HTTP Server

从 人工智能 学科诞生之初起，自然语言处理（ NLP ）就是人工智能核心的研究问题之一。 NLP的重要性是毋庸置疑的，它能够实现以自然语言交流为特征的高级人机交互，使机器能“阅读”所有以文字形式记录的人类知识，并提供各种高层智能服务的基础和关键技术。 目前在NLP领域最受瞩目的要数谷歌的NLP模型BERT（Bidirectional Encoder Representa-tions from Transformers），它在Trans-former的基础上，借助海量跨领域语料和超高计算能力，通过多任务预训练，在十余种不同NLP任务达到了目前最高水平。 在金融领域，NLP技术的作用主要在于自动从海量的宏观、行业、微观资讯中发现、分析并整合与各类决策（特别是投资决策）相关的信息， 即首先通过信息检索技术获取相关文本，然后借语义分析技术从非结构化文本中提取结构化的信息，最后将这些信息加以提炼，并且使之关联到未来可能的发展趋势，从而为预测和决策提供有价值的及时信息。 NLP技术与机器学习技术的结合，也正在成为智能金融浪潮中的新热点，已在多个场景得以成功应用，包括： 智能客服、智能投研、智能投顾、智能风控、智能监管、智能运营等。 这方面国外值得关注的应用案例包括：华尔街的巨头开始应用自然语言处理和机器学习技术帮助客户理财和制订退休计划（类似财务经理角色）