在人工智能与知识管理领域，对知识的系统性认知与高效表示是实现智能推理和决策的基础。本文将从知识的本质出发，首先剖析知识的基本概念，明确其定义与分类，为后续探讨知识的表示与推理奠定理论基石；继而深入解析基于符号逻辑的多种知识表示方法，包括一阶谓词逻辑、产生式规则、框架式表示等经典范式，揭示逻辑推理的内在机制；同时，结合语义网技术，阐述以 RDF 为核心的知识表示体系及其在语义建模中的应用。通过...
SIRLIS
取消
人工智能（知识表示与推理）
人工智能（绪论）
绪论。 1. 什么是人工智能 1.1. 人工智能 1.2. 机器学习 1.3. 深度学习 1.4. 模式识别 1.5. 关系图 2. 人工智能的发展历史 2.1. 萌芽与理论探索期 2.1.1. 图灵测试 ...
模式识别（卷积神经网络）
卷积神经网络是一种专门用于处理网格状数据（如图像、视频）的深度学习模型，其核心思想是通过局部感受野、权值共享和层次化特征提取来自动学习数据的空间或时序模式。 1. 基础概念 1.1. 输入 1.2. 基本结构 1.3. 输出 2. 卷积层 2.1. 卷积操作 ...
模式识别（经典神经网络）
本文介绍了经典的人工神经网络，以及基于神经网络的分类器。人工神经网络（Artificial Neural Network，ANN）是模拟生物神经网络系统的一种计算模型，由大量计算节点（神经元）层层连接构成。通过改变神经元间的连接权重，ANN 可以对大量数据中的复杂映射关系进行建模。对于给定的任务，通过迭代训练进行计算节点权重参数更新，ANN 最终能够实现任务目标。 1. 神经...
模式识别（无监督分类器）
本文介绍了无监督分类器的设计原理和方法。不同于前面章节介绍的分类器，无监督分类器旨在没有类别标签的情况下完成样本的分类。由于样本的类别标签位置，无监督分类器具有一定的学习能力，因此相关分类方法又被称为无监督学习。聚类（Clustering）分析是最典型的无监督学习方法。 1. 聚类 1.1. 相似性测度 1.1.1....
模式识别（特征选择与特征提取）
本文介绍了模式识别中特征的概念，包括颜色特征、形状特征、纹理特征、空间关系特征。然后介绍了常用的特征选择与特征提取方法，包括类别可分性准则、最优搜索、次优搜索、启发式搜索、线性特征提取、非线性特征提取等。 1. 特征 1.1. 颜色特征 1.1.1. 颜色直方图 1.1.2. 颜色矩 ...
日常tips手册（Zotero文献管理）
本文介绍了使用 Zotero 进行文献管理的一些方法和技巧。 1. 引言 2. 添加条目 3. 同步 4. 插件 5. 文献导出 5.1. 英文 CSL 样式 5.2. 中文 CSL 样式 5.3. 导出格式 1. 引言 Zotero 是一款免费、易于使用的工具，可以帮助您收集、管理、阅读、批...
模式识别（非线性分类器）
很多情况下，类别之间的分类边界并不是线性的，一种更好的选择是使用更复杂的非线性函数来描述分类。本文介绍了模式识别常用的非线性分类器，主要包括近邻法分类器（NN、KNN）、支持向量机（SVM）、决策树（DT），最后介绍分类器的集成。本章内容预计花费 4 个课时学习。 1. 引言 2. 近邻法分类器（NN / KNN） 2.1. 最近邻法 2...
深度学习（基础数学知识）
本文介绍了机器（深度）学习的基础数学知识，作为后续深入学习的基础。 1. 矩阵 1.1. 迹（trace） 1.2. 范数 1.2.1. 向量范数 1.2.2. 矩阵范数 1.3. 正交矩阵 1.4. 矩阵的值域、零空间和秩 ...
模式识别（LDA和PCA）
本文介绍了模式识别种常用的两种特征选择与特征降维方法，即线性判别分析（Linear Discriminant Analysis，LDA）和主成分分析（Principal Component Analysis，PCA）。 1. 特征降维 2. 线性判别分析（LDA） 2.1. Fisher 投影准则 2.2. 瑞利商与广义瑞利商 ...