欢迎光临我的Blog,虽然这里还很简陋,但未来一定会焕发生机的!

2023年10月的内容

人工智能导论

855学习记录之AIMA逻辑(7)本体论与经典规划—— 炎泽汐$de$ Blog

855学习记录之AIMA逻辑(7)本体论与经典规划—— 炎泽汐$de$ Blog
本体论 速览       在“玩具”领域,选择何种表示并不那么重要,很多表示都可以良好运作。但在复杂的领域,如网上购物或者在车流中驾驶,就需要更为通用和灵活的表示方法。如何创建这些表示?主要关注于许多不同领域中都会出现的一般性的概念,如事件、时间、对象、信念等。有时,表示这些抽象概念被称为本体论工程。     &nb……继续阅读 »

yanzexi 1年前 (2023-10-31) 184浏览 0评论 0个赞

人工智能导论

855学习记录之AIMA概率(6)时序推理模型—— 炎泽汐$de$ Blog

855学习记录之AIMA概率(6)时序推理模型—— 炎泽汐$de$ Blog
隐马尔可夫模型 简化矩阵形式       隐马尔可夫模型是一种时序概率模型,其过程状态由单个离散随机变量描述。变量的可能的值是世界的可能状态。虽然隐马尔可夫模型要求状态是单个离散变量,但它对证据变量没有相应的限制。这是因为证据变量总是被观测的,这意味着没有必要追踪有关它们值的任何分布。(如果一个变量未被观测,可以简单地将它从模型的那个时间步中移除)。同时隐……继续阅读 »

yanzexi 1年前 (2023-10-31) 204浏览 0评论 0个赞

人工智能导论

855学习记录之AIMA概率(5)时序概率推理框架—— 炎泽汐$de$ Blog

855学习记录之AIMA概率(5)时序概率推理框架—— 炎泽汐$de$ Blog
时间与不确定性 引入       部分可观测环境中的智能体必须能够在其传感器允许的范围内追踪当前所处的状态。在搜索中展示了实现这一目标的一种方法:智能体维护一个信念状态,它表示目前哪些世界状态是可能的。根据信念状态和转移模型,智能体可以预测世界在下一个时间步将如何发展。基于观测感知和传感器模型,智能体可以更新信念状态。    ……继续阅读 »

yanzexi 1年前 (2023-10-30) 180浏览 0评论 0个赞

数据结构

855学习记录数据结构排序(2)外部排序——炎泽汐$de$ Blog

855学习记录数据结构排序(2)外部排序——炎泽汐$de$ Blog
外部排序       所谓外部排序,即对外存中的记录进行排序(相对于内部排序而言)。有了内部排序算法,为什么还要外部排序?因为外存中记录规模太大,内存放不下。外部排序可以概括为一句话∶将内存作为工作空间来辅助外存数据的排序。外部排序最常用的算法是归并排序。归并排序之所以常用,是因为它不需要将全部记录都读入内存即可完成排序。因此,可以解决由于内存空间不足导致……继续阅读 »

yanzexi 1年前 (2023-10-28) 178浏览 0评论 0个赞

人工智能导论

855学习记录之AIMA概率(4)贝叶斯网络的近似推断—— 炎泽汐$de$ Blog

855学习记录之AIMA概率(4)贝叶斯网络的近似推断—— 炎泽汐$de$ Blog
引入       如前所述,大型贝叶斯网络中精确推断的往往是指数级时间复杂度的,但是幸运的是存在许多高效近似推断方法。使用的方法是随机采样算法,也被称为蒙特卡罗算法,它能够提供近似的答案,且准确性取决于生成的样本数。该方法的工作原理是基于贝叶斯网络中的概率生成随机事件并计数这些随机事件中发现的不同答案。有了足够的样本,就可以以任意的精度恢复真实概率分布——……继续阅读 »

yanzexi 1年前 (2023-10-28) 235浏览 0评论 0个赞

数据结构

855学习记录数据结构排序(1)内部排序——炎泽汐$de$ Blog

855学习记录数据结构排序(1)内部排序——炎泽汐$de$ Blog
      若待排序表中有两个元素$R_i$和$R_j$,其对应的关键字相同即$key_i=key_j$,且在排序前$R_i$在$R_j$的前面,若使用某一排序算法排序后,$R_i$仍然在$R_j$的前面,则称这个排序算法是稳定的,否则称排序算法是不稳定的。算法是否具有稳定性并不能衡量一个算法的优劣,它主要是对算法的性质进行描述。如果待排序表中的关键字不允……继续阅读 »

yanzexi 1年前 (2023-10-27) 176浏览 0评论 0个赞

人工智能导论

855学习记录之AIMA概率(3)贝叶斯网络的精确推断—— 炎泽汐$de$ Blog

855学习记录之AIMA概率(3)贝叶斯网络的精确推断—— 炎泽汐$de$ Blog
引入 引入       任何概率推理系统的基本任务都是给定一些观测到的事件——通常是一组证据变量的赋值,计算一组查询变量的后验概率分布。为了简化表示,每次只考虑一个查询变量;很多方法可以很容易地扩展到具有多个变量的查询。沿用之前的记号有:$X$表示查询变量;$E$表示证据变量$E_1,…,E_m$的集合,$e$是一个特定的观测事件;$Y$代表隐……继续阅读 »

yanzexi 1年前 (2023-10-27) 209浏览 0评论 0个赞