以下均为个人观点（也参考资料得到 侵删），仅供参考，可考试前用
我们学校的考点是基本都在上面了（考题雷达嘿嘿），不同学校不太一样，以下是我之前考前边复习边整理的内容
将人类智能（部分）植入机器，使其更“聪明”地灵活服务于社会。
斯腾伯格关于“智能”的定义：智能是个人从经验中学习、理性思考、记忆重要信息，以及应付日常生活需要的认知能力。
能力：掌握和运用知识技能所需的个性心理特征。一般分为一般能力与特殊能力两类。（观察力、记忆力、思维力、想像力、注意力；绘画能力、音乐能力）
智力：也称“智能”、“智慧”。获得知识和运用知识解决实际问题时须具备的心理条件或特征。包括观察力、记忆力、想像力、思维能力，其核心是抽象思维能力。
（人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。 ）
智慧表示智力器官的终极功能，指人辨析判断和发明创造的能力。
智能：（1）智谋与才能。 （2）指智力。
动物有智力，但不能说有智慧；动物有察言观色的能力，察言观色的能力甚至超过人类，在觅食过程中，某些动物也会简单地使用工具；不同的动物，智力水平是不同，但不具备智慧。
要点：
（1）指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。
（2）进行多次测试后，如果机器让平均每个参与者做出超过30%的误判，那么这台机器就通过了测试，并被认为具有人类智能。
观点：无论计算机多么智能，绝不能说计算机具有“善良”或“同理心”。
（1）我认为医疗诊断适用于人工智能，人工智能在医疗领域中主要应用于医疗机器人、智能药物研发、智能诊疗、智能影像识别、智能健康管理。其中智能诊疗就是将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。
（2）用具有条码扫描的收银机来购物：单纯的条码扫描机不是。
（3）ATM：如果加一个人脸识别，就属于人工智能了。
（4）适用，人工智能目前在围棋中应用于围棋算法，例如：AlphaGo，它的人工智能就在神经网络中。它能快速感知，快速的感知围棋的盘面，获取较优的下棋选择；深度模仿“脑”，通过人类6-9段高手的棋局来进行模仿学习，在棋盘产生类似人类棋手的走法；自学成长“脑”，以深度模仿“脑”为基础，通过不断的与之前的“自己”训练提高下棋的水平，自己和自己下棋；全局分析“脑”，利用自学成长“脑”学习对整个盘面的赢面判断，实现从全局分析整个棋局。
搜索算法与拼图；二人博弈；自动推理；产生式系统与专家系统；细胞自动机；神经计算；进化计算；知识表示；不确定性推理
1950年，艾伦·图灵提出了图灵测试，将其作为机器智能的度量。1956年，在美国达特茅斯学院的“达特茅斯夏季人工智能研究计划”会议上，人工智能研究领域正式诞生,是AI赢得其名称、使命和主要参与者的时刻，因此被广泛地认为是AI的诞生。1958年赫伯特·西蒙和艾伦·纽厄尔演示了第一个AI程序，名称为逻辑理论家(LT)。1958年约翰·麦卡锡发明了著名的Lisp编程语言。1960年代，M·马斯特曼与剑桥大学的同事们设计了语义网络，用于机器翻译。1963年伦纳德·武赫和查尔斯·瓦斯勒发表了关于模式识别的论文，描述了第一个机器学习程序。1965年，E·费根鲍姆开创了Dendral，一个推断有机化合物分子结构的软件。这是首套专家系统。1974年，T·肖特列夫演示了MYCIN程序，一个非常实用的基于规则的医学诊断方法。1966年，机器翻译失败了。1970年，连接主义遭到遗弃。1971年至1975年，美国DARPA对卡内基梅隆大学的语音理解研究项目感到沮丧。1973年，受莱特希尔的“人工智能：综合调查”报告的影响，英国大幅度缩减AI的研究。1973-74，美国DARPA削减了一般性AI学术研究经费。1980年，美国人工智能学会（AAAI）在斯坦福大学召开了第一届全国大会。1982年，日本启动了第五代计算机系统（FGCS）项目，用于知识处理。1980年代中期，机器学习出现了，当时发明了决策树模型，并且以软件形式推出。该模型具有可视化、易说明的特点。
这一点为PPT内容，大家可自己去看看，查找整理
（I）整体出发：
（1）人工智能技术进入大规模商用阶段，人工智能产品全面进入消费级市场
（2）基于深度学习的人工智能的认知能力将达到人类专家顾问级别。
（3）人工智能实用主义倾向显著，未来将成为一种可购买的智慧服务。
（4）人工智能技术将严重冲击劳动密集型产业，改变全球经济生态。
（5）人工智能自主学习将成为主要目标
（II）文件出发：
2017年7月8日《国务院关于印发新一代人工智能发展规划的通知》（国发〔2017〕35号），三步走战略：
（1）到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径。
（2）到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力
（3）到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。
可以用机械的查表方法而不是智能来通过图灵测试。
中文屋：房间里的人不是在学习或理解中文，而仅仅是在处理符号。同样，计算机运行程序，接收、处理以及使用符号回答，而不必学习或理解符号本身的意思是什么。
中文屋也推翻了图灵测试。
（1）智能技术将深入到社会方方面面，彻底重塑传统制造业。对劳动力的冲击，将影响就业。企业如果不能从规模化、标准化向个性化、智慧化转型，将很难存活下去。
（2）人工智能和物联网相结合，给生活带来更多的方便。人工智能可以和各种电器连在一起，如：智能家居、智能厨房，用一个屏幕就能操控家电，给我们的生活带来便利。人工智能还能应用于更多领域，给人类更多的便利。
（3）人工智能具备自主学习的能力，能够自己实现更多的技术。
（4）服务型人工智能随处可见，它们具备医疗知识、教育知识等，能帮助社会。
我认为的两个漏洞：（1）如何定义“人”，如果有心人将机器人对“人”的定义不明确或更改“人”的定义都会导致这个定律成为伤害人类的规矩。（2）如何定义人处于危险之中，如果没有明确的界定，把处于危险的人类定义为已死亡，则不能履行这个规则。（3）伤害人类的定义也有问题，如果有心人输入人类的程序能够使其他人的利益受到伤害，但是不在机器人定义的伤害人类范围，这还是不利的。
包括：
深度优先搜索（DFS， Depth First Search ）
广度优先搜索（BFS， Breadth First Search ）
迭代加深的深度优先搜索（DFS-ID， Iterative deepening DFS）
提出可能的解，即提议，然后逐个检查提议，看看是否有提议构成解。
生成与测试范式的伪代码：
｛while 没找到解，但仍有更多备选方案
[生成可能的解
测试是否满足所有的问题约束]
End while｝
IF找到了解，则宣布成功，并输出解
Else 宣布失败
（1）我认为，搜索算法是解决问题的一种方式，而AI是通过将现实世界中的问题，通过抽象的技术输入到计算机中，利用某种算法达到最终的目标，即解决问题。（搜索算法）
（2）搜索中的“状态空间”是非常贴切现实生活很多随机事件的模型。一个解决问题的过程，就是在不断地状态转移，通过定义搜索空间，利用一定的算法，达到最终的状态。甚至梯度下降也是一种搜索的过程。
（3）搜索问题作为一种基于目标的解决问题的方案，是AI中很重要的一部分。在AI中，我们很多时候都是在做决策的过程，我们需要通过各种状态，各种环境的输入，来决定最终的动作，来实现最优的解，这些都是靠搜索实现的。
(1)完全枚举法是一种浪费，回溯是对完全枚举的改进。
(2)回溯法的方法：回溯法按深度优先策略，从根节点出发搜索解空间树。算法搜索至解空间树的任一结点时，先判断该节点是否包含问题的解。如果不包含，则跳过对以该节点为根的子树的搜索，逐层向其它祖先节点回溯。否则，进入该子树，继续按照深度优先策略搜索。
(3）例如n皇后问题，完全枚举法要列出所有可能的结果，但是回溯法要是判断某个位置不包含这个解，它就不会再按照那个解去列，而是跳过该节点的子树，放弃部分解决方案死角，但是完全枚举法不会跳过。
（I）DFS：
（1）深度优先，适用于连通性强的。
（2）如果树很深并且解决方案很少，BFS可能会更快。
（3）如果树很宽，BFS可能需要太多内存，所以选择DFS
（4）如果解决方案频繁但位于树的深处用DFS
（5）当您需要搜索整个树时，通常会使用深度优先搜索。因为BFS要求您存储整个“前沿”，但DFS只需要存储当前元素的父节点列表。
（II）BFS：
（1）广度优先，由于一层一层访问，适用于有目标求最短路的步数，每一层为每一步。
（多数情况下运行BFS所需的内存会大于DFS需要的内存(DFS一次访问一条路，BFS一次访问多条路)。比如求最少步数的解，最少交换次数的解。
（2）因为BFS搜索过程中遇到的解一定是离根最近的，所以遇到一个解，一定就是最优解，此时搜索算法可以终止。这个时候不适宜使用DFS，因为DFS搜索到的解不一定是离根最近的，只有全局搜索完毕，才能从所有解中找出离根的最近的解。（当然这个DFS的不足，可以使用迭代加深搜索ID-DFS去弥补）
（3）如果您知道解决方案离树的根不远，那么广度优先搜索（BFS）可能会更好。
分类指标，回归指标
（1）启发法：将需要达到问题的目标状态分成若干子目标，通过实现一系列的子目标最终达到总的目标。是针对模型求解方法而言的，是一种逐次逼近最优解的方法。不能保证最优，但是近似最优。
（2）举例：粒子群算法，粒子群算法是模拟群体智能所建立起来的一种优化算法，粒子群算法可以用鸟类在一个空间内随机觅食为例，所有的鸟都不知道食物具体在哪里，但是他们知道大概距离多远，最简单有效的方法就是搜寻目前离食物最近的鸟的周围区域。所以，粒子群算法就是把鸟看成一个个粒子，并且他们拥有位置和速度这两个属性，然后根据自身已经找到的离食物最近的解和参考整个共享于整个集群中找到的最近的解去改变自己的飞行方向，最后我们会发现，整个集群大致向同一个地方聚集。而这个地方是离食物最近的区域，条件好的话就会找到食物。
（3）爬山法，爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。
（4）蚁群算法，是一种模拟蚂蚁觅食行为的模拟优化算法，其基本思想是：当蚂蚁沿着一条路径到达终点以后会马上返回来，这样，短的路径蚂蚁往返一次的时间就短，意味着重复频率快，因而在单位时间内走过的蚂蚁数量就多，洒下的信息素也就多，自然会有更多的蚂蚁被吸引过来，从而洒下更多的信息素；而长路径则相反，因此最后越来越多的蚂蚁集中到了较短的路径上，最短路径也就近似找到了。
（5）模拟退火思想，模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。模拟退火算法(Simulated Annealing, SA)的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火算法便是基于这样的原理设计而成。
（6）遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。
（1）启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置搜索直到目标。
（2）heuristic（启发式）：一种帮助你不断迭代最后找到局部最优解的方法。
（3）
（1）广度优先搜索（BFS）
（2）深度优先搜索（DFS）
（3）爬山法（Hill Climbing），DFS的变形，不同的是每次选择的是最优的一个子结点，即局部最优解。爬山是一种贪婪算法，选择到目标的估计剩余距离的启发式测度最小的节点。不记录未选择的路径。（ 爬山算法,是一种局部贪心的最优算法. 该算法的主要思想是:每次拿相邻点与当前点进行比对,取两者中较优者,作为爬坡的下一步）。
关于爬山法补充：
（4）最佳优先算法，是DFS和BFS的结合，每次找到的是所有结点中最好估计值的那个结点，找到的是全局最优解。会做出探索哪个节点和探索多少个节点的决定维持着开放节点数和封闭节点数的列表封闭节点是不再探索的节点，将形成解的基础开发节点列表中，按照节点接近目标状态的启发式估计值顺序排列每迭代一次，考虑在开放列表中最有希望的节点。
（5）集束搜索法，是一种启发式搜索算法，通常用在解空间比较大的情况下，为了减少搜索所占用的空间和时间，在每一步深度扩展的时候，剪掉一些质量比较差的结点，保留下一些质量较高的结点。
这样减少了空间消耗，并提高了时间效率，但缺点就是有可能存在潜在的最佳方案被丢弃，因此，Beam Search算法是不完全的，一般用于解空间较大的系统中。
这个搜索只扩展最好的W节点（指定W）。
使用更大的光束会使你走的路更短
这是为了减轻bfs带来的内存开销
（6）回溯法，找到所有选择，走不通则回溯。
(1)完备性,如果存在的话，总是找到一个解决方案。
(2)最优性,当它返回尽可能低的路径开销时。
(3)可采性,如果总是存在一个最优解，当实际存在时。
(4)单调性,如果在原点和目标之间找到所有可能节点的最优路径，则搜索算法是单调的。
最陡爬山算法是在首选爬山算法上的一种改良,它规定每次选取邻近点价值最大的那个点作为爬上的点.
爬山法是局部最优，最佳优先搜索。每次找到的是所有结点中最好估计值的那个结点，找到的是全局最优解。如果是爬山法要找到全局最优，需要多次使用爬山算法（需要从不同的初始解开始爬山），从多个局部最优解中找出最优解，而这个最优解也有可能是全局最优解。
(1)A *搜索算法，最常见的最佳优先搜索形式。A * 搜索算法是最佳和完整的。
(2)与或树，处理的问题包含博弈或拼图
(3)双向搜索，双向搜索的想法是通过向前搜索目标状态，并从已知的目标状态向后搜索到起始状态来找到解路径，当两条路径相遇时搜索终止。有可能产生“前沿问题”，即前后两端搜索试图相遇会产生指数级存储需求
(4)分支定界法，通常，把全部可行解空间反复地分割为越来越小的子集，称为分支；并且对每个子集内的解集计算一个目标下界（对于最小值问题），这称为定界。在每次分枝后，凡是界限超出已知可行解集目标值的那些子集不再进一步分枝，这样，许多子集可不予考虑，这称剪枝。这就是分枝定界法的主要思路。
(5)约束满足搜索，在解决问题前简化问题。
博弈树的极小化极大评估，井字游戏中启发式评估的：
(1)等价类忽略原则
(2)最有利原则（启发式评估 E（X）=N（X）-N（O）；启发式评估 值 E（X）如何向上渗透——极小化极大评估技术
）
E(X)对于Max来说越大越好，对min来说越小越好，它是最有价值的。所以Max选大的，Min选小的，大的对它是价值最小的。
（1）最有利原则
（这部分好像之前整理的时候删掉了，大家自己查一下资料吧）
在问题规模很大时，会产生很多种可能。围棋的走法，有很多。井字游戏可能有3^9次方（叉空格不填）。
等价类忽略原则
方框中1表示MAX赢了，圆框中1 表示min输了；
极小化极大评估：让最不利于己方的情况最小发生
发现一种走子方式很差时，将彻底放弃这种走子方式，不去花费资源发现这到底有多差。
用以减少 极小化极大算法（Minimax算法） 搜索树的节点数。
能清楚表达事件
命题逻辑只考虑逻辑连接词的逻辑特性不考虑命题本身,谓词逻辑既考虑连接词的逻辑特性,还深入分析到命题内部考虑谓词及其量词的逻辑特性。
在谓词逻辑中，除研究复合命题的命题形式、命题联结词的逻辑性质和规律外，还把命题分析成个体词、谓词和量词等非命题成分，研究由这些非命题成分组成的命题形式的逻辑性质和规律。
命题逻辑显然可以看作谓词逻辑的一个子集。因为谓词逻辑中一般是允许出现0元谓词的。全部由0元谓词的构成的公式就是命题逻辑公式了。
谓词逻辑是对命题逻辑的扩充，在其基础上引入了个体词、谓词、量词及函数符号。其中，个体词表示研究对象中可以独立存在的具体或抽象个体，个体的取值范围称为个体域或论域；谓词用来刻画个体的行为属性或个体间的相互关系；量词表示个体的数量属性；数符号的引入则为命题的符号化带来方便。
（1）如果你的年龄大到法定成年年龄，那么你应该有了选举权
（2）如果汽油价格继续上涨，那么开车的人就会少
（3）如果今天既没有下雨，也没有下雪，则今天没有降水。
