1、机器学习系统由环境、   学习   、   知识库   和   执行与评价   几部分构成。

2、搜索算法，根据其是否使用与问题有关的知识，分为  盲目搜索  和  启发式搜索  。

3、不确定性类型按性质分  随机性  、  模糊性  、  不完全性 和不一致性。

4、在框架和语义网络两种知识表示方法中，      框架      适合于表示结构性强的知识，而      语义网络    则适合表示一些复杂的关系和联系的知识。       框架     不仅仅是一种知识表示方法，也是一种流行的软件设计和开发技术。

5.不确定性推理主要有两种不确定性，即关于  结论的不确定性  和关于    证据的不确定性  。

6.产生式系统有三部分组成  综合数据库  ，  知识库  和  推理机  。

7.人工神经元网络（ANN）是由大量  神经元   通过极其丰富和完善的连接而构成的自适应非线形动力学系统 。

8.人工智能的远期目标是  制造智能机器  ，近期目标是  实现机器智能   。

1.思想：K-Means算法解决的问题是，在事先不知道如何分类的情况下，让程序根据距离的远近，把N个对象最优的划分为k个类。本质是通过循环，不断迭代类中心点，计算各个对象到新的类中心点的距离，并根据距离最近的原则重新归类，当类内距离最小、类间距离最大时，即可停止迭代。

步骤：

第一步：指定聚类类数k

第二步：选定初始化聚类中心。随机或指定k个对象，作为初始化聚类中心。

第三步：得到初始化聚类结果。计算每个对象到k个聚类中心的距离，把每个对象分配给离它最近的聚类中心所代表的类别中，全部分配完毕即得到初始化聚类结果，聚类中心连同分配给它的对象作为一类。

第四步：重新计算聚类中心。得到初始化聚类结果后，重新计算每类的类中心点（计算均值），得到新的聚类中心。

第五步：迭代循环，得到最终聚类结果。重复第三步和第四步，直到满足迭代终止条件。

2.深度学习是一种基于人工神经网络的机器学习方法，它模仿人类大脑的结构和功能，通过多层神经网络来对数据进行学习和分析。深度学习可以自动提取数据中的特征和模式，从而实现对未知数据的预测和分类。深度学习的应用也非常广泛，包括自然语言处理、图像识别、智能推荐、自动驾驶等领域。

三类：卷积神经网络、循环神经网络和深度置信网络

分类介绍：

（1）卷积神经网络：

卷积神经网络是一种特殊的神经网络，它可以自动提取图像中的特征和模式。卷积神经网络通常由卷积层、池化层和全连接层组成。卷积层和池化层可以自动提取图像中的特征和模式，全连接层可以将提取出来的特征和模式进行分类。

（2）循环神经网络：

循环神经网络是一种能够处理序列数据的神经网络，它可以自动提取序列数据中的特征和模式。循环神经网络通常由循环层和全连接层组成。循环层可以自动提取序列数据中的特征和模式，全连接层可以将提取出来的特征和模式进行分类。

（3）深度置信网络：

深度置信网络是一种多层神经网络，它可以自动提取数据中的特征和模式。深度置信网络通常由多个受限玻尔兹曼机组成。受限玻尔兹曼机可以自动提取数据中的特征和模式，多个受限玻尔兹曼机可以形成一个多层神经网络。

3.产生式表达的特点

自然性：采用“如果……，则……”的形式，人类的判断性知识基本一致。模块性：规则是规则库中最基本的知识单元，各规则之间只能通过综合数据库发生联系，而不能相互调用，从而增加了规则的模块性。有效性：产生式知识表示法，既可以表示确定性知识，又可以表示不确定性知识，既有利于表示启发性知识，又有利于表示过程性知识。效率较低：各规则之间的联系必须以综合数据库为媒介。其求解过程是一种反复进行的“匹配—冲突消解—执行”过程。这样的执行方式将导致执行的低效率。不便于表示结构性知识：由于产生式表示中的知识具有一致格式，且规则之间不能相互调用，因此那种具有结构关系或层次关系的知识，则很难以自然的方式来表示。

1、假设有以下一段天气预报：“北京地区今天白天晴，偏北风3级，最高气温12º，最低气温-2º，降水概率15%。”请用框架表示这一知识。

解：

Frame<天气预报>

    地域：北京

    时段：今天白天

    天气：晴

    风向：偏北

    风力：3级

    气温：最高：12度

          最低：-2度

    降水概率：15%

2、设有如下两个模糊关系：

请写出R1与R2的合成R1οR2。

解答：  R(1,1)=(0.3∧0.2)∨(0.7∧0.6)∨(0.2∧0.9)= 0.2∨0.6∨0.2=0.6

R(1,2)=(0.3∧0.8)∨(0.7∧0.4)∨(0.2∧0.1)= 0.3∨0.4∨0.1=0.4

R(2,1)=(1∧0.2)∨(0∧0.6)∨(0.4∧0.9)= 0.2∨0∨0.4=0.4

R(2,2)=(1∧0.8)∨(0∧0.4)∨(0.4∧0.1)= 0.8∨0∨0.1=0.8

R(3,1)=(0∧0.2)∨(0.5∧0.6)∨(1∧0.9)= 0.2∨0.6∨0.9=0.9

R(3,2)=(0∧0.8)∨(0.5∧0.4)∨(1∧0.1)= 0∨0.4∨0.1=0.4

因此有

3、设有如下一组推理规则:

    r1:  IF  E1  THEN  E2 (0.7)

    r2:  IF  E2  AND  E3  THEN  E4 (0.4)

    r3:  IF  E4  THEN  H (0.8)

    r4:  IF  E5  THEN  H (0.9)

且已知CF(E1)=0.2,  CF(E3)=0.6,  CF(E5)=0.7。求CF(H)的值。

(1) 先由r1求CF(E2)

        CF(E2)=0.7 × max{0,CF(E1)}

             =0.7 × max{0,0.2}=0.14

(2) 再由r2求CF(E4)

        CF(E4)=0.4 × max{0, min{CF(E2 ), CF(E3 )}}

             =0.4 × max{0, min{0.14, 0.6}}=0.056

(3) 再由r3求CF1(H)

CF1(H)= 0.8 × max{0,CF(E4)}

      =0.8 × max{0, 0.056)}=0.0448

(4) 再由r4求CF2(H)

CF2(H)= 0.9 ×max{0,CF(E5)}

      =0.9 ×max{0, 0.7)}=0.63

(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)

        CF(H)= CF1(H)+CF2(H) - CF1(H) × CF2(H)

             = 0.0448+0.63 - 0.0448 × 0.63

= 0.6748 - 0.028224

=0.646576