|
首页>人工智能> |
人工智能简介(5) |
|
Visited times , Welcome to Data Mining Forum & Data Mining Expert |
|
|
人工智能的早期研究还包括自然语言理解、计算机视觉和机器人
等等.通过大量研究发现,仅仅依靠自动推理的搜索等通用问题求
解手段是远远不够的.Newell和Simon等人的认知心理学研究表明,
各个领域的专家之所以在专业领域内表现出普通人难以企及的能
力，主要是因为专家拥有丰富的专门知识(领域知识和经验)。70
年代中期， Feigenbaum提出知识工程概念，标志着人工智能进
入第二个发展时期。知识工程强调知识在问题求解中的作用；相
应地，研究内容也划分为三个方面：知识获取，知识表示和知识
利用．知识获取研究怎样有效地获得专家知识．知识表示研究怎
样将专家知识表示成在计算机内易于存储，易于使用的形式．知
识利用研究怎样利用已得到恰当表示的专家知识去解决具体领域
内的问题。
知识工程的主要技术手段是在早期成果的基础上发展起来的，特
别是知识利用，主要依靠自动推理和搜索的技术成果。在知识表示
方面，除使用早期工作中出现的逻辑表示法和过程表示法之外，还发
展了在联想记忆和自然语言理解研究中提出的语义网表示法，进而引
入了框架表示法，概念依赖和脚本表示法以及产生式表示法等等各种 数据挖掘交友
不同方法。与早期研究不同，知识工程强调实际应用。主要的应用成
果是各种专家系统。专家系统的核心部件包括:
(a)表达包括专家知识和其他知识的知识库，
(b) 利用知识解诀问题的推理机。
著名的专家系统有:
1. PROSECTOR，该系统已发现了一个钼矿沉积，其价值可能超过
2. 1亿美元；
3. MYCIN，可对血液传染病的诊断和治疗提供咨询，正式鉴定表明
4. 该系统在某些方面已超过了专家；
5. DENDRAL，可依光谱数据推测分子结构，为化学工作者提供有力
6. 的支持。
大型专家系统的开发周期往往长达10余年，其主要原因在于知识
获取。领域专家虽然能够很好地解决问题，却往往说不清自己怎
么解决的，使用了哪些知识。这使得负责收集专家知识的知识工
程师很难有效地完成知识获取任务。这种状况极大的激发了自动
知识获取---机器学习研究的深入发展。已经得到较多研究的机器
学习方法包括:归纳学习，类比学习，解释学习，强化学习和进化
学习等等。机器学习的研究目标是:让机器从自己或“别人”的问
题求解经验中获取相关的知识和技能，从而提高解决问题的能力。
|
|
|
|
|
[数据挖掘专家]
[数据挖掘研究院]
[数据挖掘论坛]
[数据挖掘实验室]
|
上一篇：人工智能简介(4)
下一篇：人工智能简介(6)
|
|
|
|
