前言
基本概览了人工智能领域的基础知识，从Agent入手，经过搜索，逻辑等。
但对于领域前沿以及一些科研相关的内容没有过多涉及，还是比较浅显。
我准备分笔记、备考两个页面来讲清楚这门课程怎么收获知识+成绩。这里先放笔记。
人工智能笔记
第1章 绪论
人工智能的4种观点
-
像人一样思考
-
像人一样行动
-
合理地思考
-
合理地行动：★理性Agent：能够实现最佳期望结果而行动的Agent
第2章 智能Agent
2.1 Agent和环境
-
【2024期中】Agent：可以感知环境并在环境中行动的事物
-
Agent函数：描述Agent行为，将感知序列映射为行动
-
Agent程序：实现Agent函数
2.2 理性Agent
【2024期中】理性Agent：对每一个可能的感知序列，根据已知的感知序列和Agent具有的先验知识，理性Agent应该采取能使其性能度量最大化的行动。
或：理性 Agent 为合理行动的 Agent，Agent 根据它所知道的做了“正确的事情”。
2.3 环境PEAS
【2024期中】一个 Agent 包含 4 个部分，性能、环境、执行器、感知器
任务环境：PEAS
-
性能：Performance
-
环境：Environment
-
执行器：Actuators
-
传感器：Sensors
任务环境的性质
-
完全可观察部分可观察（完全可观察：每个时间点上都能获取环境的完整状态）
-
单Agent多Agent
-
确定的随机的不确定的（确定的：下一状态完全取决于当前状态和Agent执行的动作）【举例：真空吸尘器世界自动驾驶】
-
片段式的延续式的（下一片段不依赖于之前片段中采取的行动）【举例：流水线上的分类任务自动驾驶和国际象棋】
-
静态的动态的半动态的（环境在Agent计算时是否会发生变化。若Agent性能评价随时间流逝而变化，为半动态）【举例：字谜游戏自动驾驶国际象棋（计时）】
-
离散的连续的（环境的状态，时间；Agent的感知信息和行动）【举例：国际象棋自动驾驶】
-
已知的未知的（Agent的知识状态，即Agent了解环境的“物理法则”）环境的部分/完全可观察环境已知/未知【举例：翻牌游戏（已知环境部分可观察）视频游戏（未知环境完全可观察）】
2.4 Agent结构
Agent=体系结构+程序
★Agent程序（基础4个+转化为学习Agent）
（每张对应的图要能画出来，下图由前向后每次迭代增加功能）
-
简单反射Agent：基于当前感知选择行动，不关注感知历史
-
基于模型的反射Agent：Agent根据感知历史维持内部状态，Agent随时更新内部状态信息
-
基于目标的Agent：除了感知信息之外，还需要根据目标信息来选择行动
-
基于效用的Agent：当达到目标的行为有多种时，基于效用进行决策
【2020期中】学习Agent：由性能元件，评判元件，学习元件，问题产生器构成
-
评判元件：根据固定的性能标准告诉学习元件Agent的运转情况
-
学习元件：学习部件根据评判部件反馈的评价Agent的表现，确定如何修改执行部件
-
性能元件：接受感知，选择外部行动
-
问题产生器：负责得到新的和有信息的经验的行动提议
第3章 通过搜索进行问题求解
3.1 问题求解Agent
搜索问题求解Agent步骤：形式化，搜索，执行
问题的定义
-
初始状态：In(A)
-
行动：对于状态s，ACTION(s)={GO(B), GO(C), GO(D)}
-
转移模型：RESULT(IN(A), GO(B))=IN(B)
-
目标测试：测试当前状态是否目标状态{IN(TARGET)}
-
路径耗散：反应性能度量
3.2 问题实例
真空吸尘器世界
-
-
-
-
-
-
