#人工智能#
人工智能定义：以机器为载体所展示出来的人类智能，也被称作机器智能
模拟方式
逻辑推理→以符号主义为核心：将概念符号化（高度概括、抽象、严格化和精确化），从若干判断为前提出发得到新的判断作为结论
包括归纳推理、演绎推理、因果推理等（特殊到一般、一般到特殊、事实与反事实都成立）；
逻辑推理在人工智能领域推动了专家系统的产生；
从知识到知识；
解释性强但但难以拓展；
探寻搜索→以问题求解为核心：依据已有信息寻找满足约束条件的带求解问题
包括无信息搜索（广度优先和深度优先）、有信息/启发式搜索（贪婪最佳优先和A*）、对抗搜索（最大最小搜索、Alpha-beta剪枝搜索、和蒙特卡洛树搜）；
从已有的答案中查找，但桎梏于机械师匹配；
机器学习→以数据驱动为核心：从数据中发现数据所承载的语义的内在模式
包括监督学习（判别式学习：回归分析、提升算法、支持向量机、决策树等；生成式学习：隐狄利克雷分布LDA、隐马尔可夫链）、无监督学习（聚类、降维、最大期望算法）、半监督学习，区别就是数据标注与否；
从数据到知识；
善于预测但是过程难以理解；
强化学习→以行为主义为核心：根据环境提供的奖惩反馈来学习所处状态可施加的最佳行动，利用已有经验探索未知空间，完成某个序列化任务，具备自我学习能力
智能体的自监督学习（尝试-试错与探索-利用），针对序列的优化学习方法;
深度强化学习：加入了神经网络的Q-learning；
善于对未知空间的探索但是依赖于学习策略；
| 监督学习 | 无监督学习 | 强化学习 | |
|---|---|---|---|
| 学习依据 | 基于监督信息 | 基于对数据结构的假设 | 基于评价 |
| 数据来源 | 一次性给定的标注信息 | 一次性给定的无标注信息 | 与环境交互中产生的，序列结束后反馈的明确奖惩值 |
| 决策过程 | 单步静态决策 | 无 | 根据环境给出的滞后回报做出序列决策 |
| 学习目标 | 样本空间到高级语义空间的映射 | 同一类数据的分布模式 | 最大收益状态的动作映射 |
群体智能→以博弈对抗为核心：从数据拟合优化求解迈向均衡求解
两害相权取其轻，两利相权取其重；
在完全信息下表现优良，但非完全信息下没有通用框架；