歸納推理的案例
AI 中的歸納推理
?
歸納推理是一種邏輯推理，它從觀察或收集數(shù)據(jù)開始，然后確定最直接和最合理的解釋。歸納推理可以通過增強(qiáng)人工智能 （AI） 系統(tǒng)解決問題和做出更好決策的能力，幫助人工智能 （AI） 系統(tǒng)變得更加直觀和像人類。本文將探討歸納推理的基礎(chǔ)知識(shí)及其在人工智能中的應(yīng)用。
目錄
什么是歸納推理？
AI 如何實(shí)現(xiàn) Abductive Reasoning
歸納推理原理
案例研究：AI 中的歸納推理
Abductive Logic 在 AI 中的應(yīng)用
AI 中歸納推理的局限性
結(jié)論
常見問題解答中 AI 中的歸納推理
什么是歸納推理？
歸納推理是一種強(qiáng)調(diào)從現(xiàn)有數(shù)據(jù)中得出推理的推理。不過，不能保證得出的結(jié)論是準(zhǔn)確的，因?yàn)槭诸^的信息不可能很全面。從歸納推理中得出的結(jié)論很可能是正確的。這種類型的推理通過考慮來(lái)確定一組不完整事實(shí)的最可能結(jié)論。雖然歸納推理是一種演繹推理，但手頭的信息并不能保證結(jié)論的準(zhǔn)確性。
展開 AI 中的歸納推理
歸納推理是人類邏輯和推理的一個(gè)基本方面，在人工智能 （AI） 領(lǐng)域起著舉足輕重的作用。這個(gè)認(rèn)知過程涉及從特定的觀察結(jié)果中進(jìn)行概括，AI 系統(tǒng)會(huì)模仿這些觀察結(jié)果來(lái)改進(jìn)決策和預(yù)測(cè)結(jié)果。本文探討了 AI 中歸納推理的機(jī)制、其重要性及其在各個(gè)領(lǐng)域的應(yīng)用。
目錄
什么是歸納推理？
歸納推理原理
了解 AI 中的歸納邏輯
AI 中的歸納推理示例
歸納推理在 AI 中的應(yīng)用
歸納推理的優(yōu)缺點(diǎn)
挑戰(zhàn)和限制
結(jié)論
什么是歸納推理？
歸納推理是一種做出推理或結(jié)論的邏輯方法。人們?cè)谌粘Ｉ钪薪?jīng)常非正式地使用歸納推理。當(dāng)您使用一組特定的數(shù)據(jù)或過去經(jīng)驗(yàn)中的現(xiàn)有知識(shí)來(lái)做出決策時(shí)，您就是在使用歸納推理。
考慮這樣一個(gè)場(chǎng)景：您正在分析過去十年科技行業(yè)各種股票的表現(xiàn)。在研究了歷史數(shù)據(jù)之后，您會(huì)注意到一個(gè)一致的模式：每當(dāng)某家科技公司發(fā)布一款開創(chuàng)性產(chǎn)品時(shí)，其股票價(jià)值往往會(huì)大幅飆升。利用此觀察結(jié)果，您采用歸納推理來(lái)預(yù)測(cè)，如果 X 公司明年推出一款革命性產(chǎn)品，其股價(jià)可能會(huì)根據(jù)過去的趨勢(shì)大幅上漲。
歸納推理原理
歸納推理的一般原則包括：
1. 觀察
歸納推理從對(duì)現(xiàn)象、事件或特定實(shí)例的仔細(xì)和詳細(xì)的觀察開始。這些觀察結(jié)果構(gòu)成了得出概括的經(jīng)驗(yàn)基礎(chǔ)。
2. 模式識(shí)別
歸納推理的一個(gè)重要方面是能夠識(shí)別觀察到的數(shù)據(jù)中的模式、趨勢(shì)或規(guī)律。識(shí)別這些模式對(duì)于形成關(guān)于觀察結(jié)果的潛在性質(zhì)的假設(shè)或理論至關(guān)重要。
3. 假設(shè)形成
根據(jù)觀察到的模式或規(guī)律，生成假設(shè)。這些是試探性的解釋，試圖解釋觀察到的模式并預(yù)測(cè)未來(lái)發(fā)生的事情。
4. 泛化
從觀察到的具體實(shí)例中，歸納推理試圖形成一般性陳述或結(jié)論。
展開 人工智能中的推理類型
其中一個(gè)關(guān)鍵方面是推理，這是一個(gè)邏輯過程，使機(jī)器能夠像人類一樣得出結(jié)論、做出預(yù)測(cè)和解決問題。人工智能 （AI） 采用各種類型的推理來(lái)實(shí)現(xiàn)這一目標(biāo)，包括專家系統(tǒng)、自然語(yǔ)言處理、語(yǔ)音識(shí)別和計(jì)算機(jī)視覺。
在本文中，我們將探討 AI 中不同類型的推理及其在推動(dòng)該領(lǐng)域發(fā)展中的應(yīng)用。
人工智能中的推理
推理可以定義為根據(jù)現(xiàn)有知識(shí)得出結(jié)論、做出預(yù)測(cè)或構(gòu)建解決方案的邏輯過程。在人工智能中，推理在理解人腦如何思考、得出結(jié)論和解決問題方面起著至關(guān)重要的作用。通過推理，AI 系統(tǒng)可以模擬類似人類的決策和解決問題的能力。讓我們深入了解 AI 中使用的不同類型的推理。
AI 中的推理類型
理由分為以下幾種類型：
1. 演繹推理
演繹推理遵循自上而下的方法，其中結(jié)論是從已知或假設(shè)為真的一般原則或前提中得出的。這種形式的推理依賴于既定的事實(shí)來(lái)推斷有效的結(jié)論。
示例
：如果所有人都是凡人，而蘇格拉底是人，那么蘇格拉底就是凡人。
在 AI 中的應(yīng)用：演繹推理通常用于專家系統(tǒng)和基于規(guī)則的 AI 系統(tǒng)，其中知識(shí)通過規(guī)則（if-then 語(yǔ)句）表示。這些系統(tǒng)對(duì)特定問題應(yīng)用一般規(guī)則，以得出解決方案或做出決策。
2. 歸納推理
歸納推理是一種自下而上的方法，涉及從特定實(shí)例或觀察中得出一般結(jié)論。與演繹推理不同，歸納推理產(chǎn)生的是假設(shè)而不是某些結(jié)論，使其更具概率性。
示例
：如果我們觀察到太陽(yáng)每天從東方升起，我們可能會(huì)推斷明天太陽(yáng)將從東方升起。
在 AI 中的應(yīng)用：歸納推理廣泛用于機(jī)器學(xué)習(xí)算法。在數(shù)據(jù)模式上訓(xùn)練的模型從數(shù)據(jù)中進(jìn)行泛化，并使用此信息對(duì)新的、看不見的數(shù)據(jù)進(jìn)行預(yù)測(cè)。
3. 歸納推理
歸納推理從一組不完整的觀察開始，然后尋求最合理的解釋。它側(cè)重于根據(jù)已知情況找到最可能的結(jié)論，而不是尋求絕對(duì)的真理。
展開 影響你解決問題能力的心理因素
再舉行現(xiàn)實(shí)生活中的例子：
心理阻礙4：心理定勢(shì)
解決問題還要依賴于歸納推理。歸納推理是一種由個(gè)別到一般的推理。由一定程度的關(guān)于個(gè)別事物的觀點(diǎn)過渡到范圍較大的觀點(diǎn)，由特殊具體的事例推導(dǎo)出一般原理、原則的解釋方法。歸納推理本質(zhì)上是利用可用的證據(jù)產(chǎn)生可能但并不確定結(jié)論的推理。很多問題的解決都依賴歸納推理。比如：你不小心把自己鎖在住宅外面，你應(yīng)該怎么做？一個(gè)好的辦法是從記憶中回憶過去曾經(jīng)湊效的解決辦法。
歸納推理允許你通過曾經(jīng)嘗試過的并且正確的方法，這些方法能夠加快當(dāng)前問題的解決。當(dāng)你對(duì)過去的問題的成分和結(jié)構(gòu)理解得越明確，你就越可能識(shí)別出當(dāng)前問題與過去問題之間的相似性，也越容易運(yùn)用某種解決方法。
但有些時(shí)候，你必須認(rèn)識(shí)到，當(dāng)舊的情境與當(dāng)前情境存在關(guān)鍵性差別時(shí)，依賴過去會(huì)妨礙你的問題解決能力。這種妨礙在心理學(xué)上叫“心理定勢(shì)” 或“思維定勢(shì)”，---按照積累的思維活動(dòng)經(jīng)驗(yàn)教訓(xùn)和已有的思維規(guī)律，在反復(fù)使用中所形成的比較穩(wěn)定的、定型化了的思維路線、方式、程序、模式(在感性認(rèn)識(shí)階段也稱作“刻板印象”)。這種先前形成的知識(shí)、經(jīng)驗(yàn)、習(xí)慣，都會(huì)使人們形成認(rèn)知的固定傾向，從而影響后來(lái)的分析、判斷。
有這樣一個(gè)著名的試驗(yàn)：把六只蜜蜂和同樣多的蒼蠅裝進(jìn)一個(gè)玻璃瓶中，然后將瓶子平放，讓瓶底朝著窗戶。結(jié)果發(fā)生了什么情況？
蜜蜂不停地想在瓶底上找到出口，一直到它們力竭倒斃或餓死；而蒼蠅則會(huì)在不到兩分鐘之內(nèi)，穿過另一端的瓶頸逃逸一空。
由于蜜蜂基于出口就在光亮處的思維方式，想當(dāng)然地設(shè)定了出口的方位，并且不停地重復(fù)著這種合乎邏輯的行動(dòng)。可以說(shuō)，正是由于這種思維定勢(shì)，它們才沒有能走出囚室。
展開 
AI 中的智能系統(tǒng)
以下是主要組件：
推理：推理涉及從證據(jù)或論點(diǎn)中得出結(jié)論。它包括歸納推理，它從具體例子中建立一般結(jié)論，以及演繹推理，它將一般原則應(yīng)用于具體情況。
學(xué)習(xí)：學(xué)習(xí)是我們獲取新信息或修改現(xiàn)有知識(shí)、技能和行為的過程。它可以通過直接經(jīng)驗(yàn)、觀察或指導(dǎo)來(lái)實(shí)現(xiàn)，并且是適應(yīng)新情況的基礎(chǔ)。
感知：感知是解釋和組織感官信息以了解環(huán)境的認(rèn)知過程。它使我們能夠通過我們的感覺器官獲取感官數(shù)據(jù)并理解我們周圍的世界。
語(yǔ)言智能：語(yǔ)言智能是指有效使用語(yǔ)言（書面和口頭）的能力。語(yǔ)言智商高的人擅長(zhǎng)閱讀、寫作、講故事和記憶單詞。
解決問題： 解決問題是處理信息并為復(fù)雜或具有挑戰(zhàn)性的情況找到解決方案的能力。它涉及識(shí)別問題、生成潛在的解決方案以及有效地實(shí)施最佳解決方案。
什么是智能系統(tǒng)？
AI 中的智能系統(tǒng)是一種能夠收集數(shù)據(jù)、處理數(shù)據(jù)以及根據(jù)這些數(shù)據(jù)做出決策或執(zhí)行作的技術(shù)。智能系統(tǒng)的核心是模仿人類的認(rèn)知功能，例如從經(jīng)驗(yàn)中學(xué)習(xí)、理解復(fù)雜概念、解決問題和做出決策。
智能系統(tǒng)中的推理
智力是智力的一個(gè)可靠屬性，如果沒有系統(tǒng)根據(jù)可用數(shù)據(jù)進(jìn)行推理的能力，這是不可能的。AI 中使用了幾種類型的推理：
Deductive Reasoning（演繹推理）：在考慮或發(fā)布一般原則或前提后利用特定結(jié)果。一種方法是將斷言視為單獨(dú)的斷言。例如，如果所有人類都是凡人，而蘇格拉底是人類，那么蘇格拉底就是凡人。
歸納推理： 一種預(yù)測(cè)方法是對(duì)特定情況有一個(gè)想法，然后做出一般推斷。例如，每天早上太陽(yáng)升起的重復(fù)行為，并預(yù)測(cè)明天太陽(yáng)升起的想法。
Abductive Reasoning：文檔最可能的對(duì)的 Infare。例如，如果地面是濕的，則 on 可能會(huì)理解最近確實(shí)發(fā)生了雨。
展開 復(fù)雜系統(tǒng)建模理論與方法
本書既可作為高等院校理工科系統(tǒng)工程、管理科學(xué)與工程、自動(dòng)控制專業(yè)博士研究生、碩
【圖書目錄】
1 緒論
1.1 概述
1.2 系統(tǒng)及有關(guān)概念
1.3 復(fù)雜系統(tǒng)的特點(diǎn)
1.4 復(fù)雜系統(tǒng)建模的理念
1.5 廣義模型的概念
2 基于智能技術(shù)的復(fù)雜系統(tǒng)建模
2.1 概述
2.2 神經(jīng)網(wǎng)絡(luò)建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優(yōu)化算法
2.7 蟻群優(yōu)化算法
3 離散事件動(dòng)態(tài)系統(tǒng)建模
3.1 概述
3.2 極大代數(shù)建模方法及其應(yīng)用
3.3 基于Petri網(wǎng)建模方法
3.4 任務(wù)/資源圖建模法
3.5 基于知識(shí)的建模方法
3.6 基于系統(tǒng)理論形式化的建模方法
4 定性建模
4.1 基礎(chǔ)知識(shí)
4.2 定性因果關(guān)系
4.3 歸納推理定性建模
4.4 結(jié)構(gòu)模型化技術(shù)
4.5 系統(tǒng)動(dòng)力建模
4.6 定性建模的其他方法
5 非線性動(dòng)力學(xué)系統(tǒng)建模
5.1 準(zhǔn)備知識(shí)
展開 人工智能 知識(shí)圖譜
c.基于機(jī)器學(xué)習(xí)的實(shí)例匹配 d.大規(guī)模知識(shí)圖譜的實(shí)例匹配
(1)基于分塊的實(shí)例匹配
(2)無(wú)需分塊的實(shí)例匹配
(3)大規(guī)模實(shí)例匹配的分布式處理
5.6 知識(shí)融合上機(jī)實(shí)踐
1.百科知識(shí)融合
2.OAEI知識(shí)融合任務(wù)
六、存儲(chǔ)與檢索
6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述
6.2.知識(shí)圖譜的存儲(chǔ)
a.基于表結(jié)構(gòu)的存儲(chǔ) b.基于圖結(jié)構(gòu)的存儲(chǔ)
6.3.知識(shí)圖譜的檢索
a.關(guān)系數(shù)據(jù)庫(kù)查詢：SQL語(yǔ)言 b數(shù)據(jù)庫(kù)查詢：SPARQL語(yǔ)言
6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索
七、知識(shí)推理
7.1.知識(shí)圖譜中的推理技術(shù)概述
7.2.歸納推理：學(xué)習(xí)推理規(guī)則
a.歸納邏輯程設(shè)計(jì)b.關(guān)聯(lián)規(guī)則挖掘 c.路徑排序算法
上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)則挖掘
7.3.演繹推理：推理具體事實(shí)
a.馬爾可夫邏輯網(wǎng) b.概率軟邏輯
7.4.基于分布式表示的推理
a.
展開 《復(fù)雜系統(tǒng)建模理論與方法》
目錄：
1 緒論
1.1 概述
1.2 系統(tǒng)及有關(guān)概念
1.3 復(fù)雜系統(tǒng)的特點(diǎn)
1.4 復(fù)雜系統(tǒng)建模的理念
1.5 廣義模型的概念
2 基于智能技術(shù)的復(fù)雜系統(tǒng)建模
2.1 概述
2.2 神經(jīng)網(wǎng)絡(luò)建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優(yōu)化算法
2.7 蟻群優(yōu)化算法
3 離散事件動(dòng)態(tài)系統(tǒng)建模
3.1 概述
3.2 極大代數(shù)建模方法及其應(yīng)用
3.3 基于Petri網(wǎng)建模方法
3.4 任務(wù)/資源圖建模法
3.5 基于知識(shí)的建模方法
3.6 基于系統(tǒng)理論形式化的建模方法
4 定性建模
4.1 基礎(chǔ)知識(shí)
4.2 定性因果關(guān)系
4.3 歸納推理定性建模
4.4 結(jié)構(gòu)模型化技術(shù)
4.5 系統(tǒng)動(dòng)力建模
4.6 定性建模的其他方法
5 非線性動(dòng)力學(xué)系統(tǒng)建模
5.1 準(zhǔn)備知識(shí)
5.2 全域建模法
5.3 局域建模法
5.4 基于小波網(wǎng)絡(luò)的非線性系統(tǒng)建模法
5.5 基于GMDH的混沌時(shí)間序列建模法
6 其他復(fù)雜系統(tǒng)建模方法
6.1 概述
6.2 元模型建模
6.3 綜合集成法建模
6.4 分形建模方法
6.5 元胞自動(dòng)朵
6.6 圖形建模方法
6.7 復(fù)雜適應(yīng)系統(tǒng)理論及其應(yīng)用
參考文獻(xiàn)
展開 醒醒吧！AI妄想癥
人類推理與人工智能存在根本性的不同，這就是為什么我們比以往更需要縝密的推理。
知識(shí)圖譜——技術(shù)與行業(yè)應(yīng)用
知識(shí)圖譜知識(shí)點(diǎn)：
一、知識(shí)圖譜概論
1.1知識(shí)圖譜的起源和歷史
1.2知識(shí)圖譜的發(fā)展史——從框架、本體論、語(yǔ)義網(wǎng)、鏈接數(shù)據(jù)到知識(shí)圖譜
1.3知識(shí)圖譜的本質(zhì)和價(jià)值
1.4知識(shí)圖譜VS傳統(tǒng)知識(shí)庫(kù)VS關(guān)系數(shù)據(jù)庫(kù)
1.5經(jīng)典的知識(shí)圖譜
Google知識(shí)圖譜，微軟實(shí)體圖，阿里知識(shí)圖譜，醫(yī)學(xué)知識(shí)圖譜，基因知識(shí)圖譜等知識(shí)圖譜項(xiàng)目
二、知識(shí)圖譜應(yīng)用
2.1知識(shí)圖譜應(yīng)用場(chǎng)景
2.2知識(shí)圖譜應(yīng)用簡(jiǎn)介
三、知識(shí)表示與知識(shí)建模
3.1知識(shí)表示概念
3.2 知識(shí)表示方法
3.3典型知識(shí)庫(kù)項(xiàng)目的知識(shí)表示
3.4知識(shí)建模方法學(xué)
3.5知識(shí)表示和知識(shí)建模實(shí)踐
四、知識(shí)抽取與挖掘
4.1知識(shí)抽取基本問題
4.2數(shù)據(jù)采集和獲取
4.3面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.4面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.5.面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.6.知識(shí)挖掘
4.7知識(shí)抽取上機(jī)實(shí)踐
五、知識(shí)融合
5.1知識(shí)融合背景
5.2知識(shí)異構(gòu)原因分析
5.3知識(shí)融合解決方案分析
5.4.本體對(duì)齊基本流程和常用方法
5.5實(shí)體匹配基本流程和常用方法
5.6 知識(shí)融合上機(jī)實(shí)踐
六、存儲(chǔ)與檢索
6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述
6.2.知識(shí)圖譜的存儲(chǔ)
6.3.知識(shí)圖譜的檢索
6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索
七、知識(shí)推理
7.1.知識(shí)圖譜中的推理技術(shù)概述
7.2.歸納推理：學(xué)習(xí)推理規(guī)則
上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)則挖掘
7.3.演繹推理：推理具體事實(shí)
7.4.基于分布式表示的推理
7.5.上機(jī)實(shí)踐案例：利用分布式知識(shí)表示技術(shù)完成Freebase上的鏈接預(yù)測(cè)
八、語(yǔ)義搜索
8.1.語(yǔ)義搜索概述
8.2.搜索關(guān)鍵技術(shù)
8.3.知識(shí)圖譜搜索
展開 自動(dòng)駕駛中的機(jī)器學(xué)習(xí)
監(jiān)督學(xué)習(xí)算法基于歸納推理，通常需要使用有標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，以執(zhí)行分類或回歸，而無(wú)監(jiān)督學(xué)習(xí)一般應(yīng)用于未標(biāo)記數(shù)據(jù)的密度估計(jì)或聚類等技術(shù)。相比之下強(qiáng)化學(xué)習(xí)比較自成一派，其通過與環(huán)境交互來(lái)提高其在指定任務(wù)上的性能，與監(jiān)督和非監(jiān)督學(xué)習(xí)使用損失函數(shù)進(jìn)行迭代訓(xùn)練的方式不同，強(qiáng)化學(xué)習(xí)一般使用獎(jiǎng)勵(lì)函數(shù)進(jìn)行訓(xùn)練，比如OpenAI與王者榮耀的絕悟AI都屬于強(qiáng)化學(xué)習(xí)的范疇，一般在電競(jìng)、機(jī)器人等方向上應(yīng)用較多。
根據(jù)各類機(jī)器學(xué)習(xí)算法的特點(diǎn)，可以看出在“場(chǎng)景理解”的相關(guān)任務(wù)中，使用監(jiān)督學(xué)習(xí)算法比較合適，而在“決策與規(guī)劃”任務(wù)中，又非強(qiáng)化學(xué)習(xí)算法莫屬。
在實(shí)際工作中，監(jiān)督學(xué)習(xí)為強(qiáng)化學(xué)習(xí)提供了必要的環(huán)境信息，監(jiān)督學(xué)習(xí)算法一般將“場(chǎng)景理解”的結(jié)果，輸入到強(qiáng)化學(xué)習(xí)模型當(dāng)中，在監(jiān)督學(xué)習(xí)的加持下，強(qiáng)化學(xué)習(xí)可以完成方向盤操作優(yōu)化、路徑規(guī)劃和軌跡優(yōu)化、動(dòng)態(tài)路徑規(guī)劃、基于場(chǎng)景的高速公路及交叉路口的合并與拆分等等高難度自動(dòng)駕駛?cè)蝿?wù)，通過來(lái)自專家系統(tǒng)的逆向強(qiáng)化學(xué)習(xí)，增加對(duì)于行人、車輛等交通參與者的意圖預(yù)測(cè)，并確保安全操作的執(zhí)行優(yōu)先級(jí)。
用于自動(dòng)駕駛的流行算法
SIFT
SIFT算法一般用于特征提取，該算法檢測(cè)對(duì)象并解釋圖像。例如，對(duì)于三角形標(biāo)志，以標(biāo)志的三個(gè)頂點(diǎn)作為特征輸入，自動(dòng)駕駛系統(tǒng)可以通過這些點(diǎn)來(lái)識(shí)別標(biāo)志。
梯度提升
不同于在神經(jīng)網(wǎng)絡(luò)中使用的梯度下降算法，梯度提升是一種用于回歸、分類和其他任務(wù)的技術(shù)，它一般以決策樹等弱預(yù)測(cè)模型基礎(chǔ)生成新的預(yù)測(cè)模型，其分類性能通常優(yōu)于隨機(jī)森林。梯度提升與下文即將出場(chǎng)的AdaBoost算法工作原理類似。
AdaBoost
該算法收集數(shù)據(jù)并對(duì)其進(jìn)行分類，以提高自動(dòng)駕駛系統(tǒng)的性能。
展開 
知識(shí)圖譜|知識(shí)圖譜的典型應(yīng)用
c.基于機(jī)器學(xué)習(xí)的實(shí)例匹配 d.大規(guī)模知識(shí)圖譜的實(shí)例匹配
(1)基于分塊的實(shí)例匹配
(2)無(wú)需分塊的實(shí)例匹配
(3)大規(guī)模實(shí)例匹配的分布式處理
5.6 知識(shí)融合上機(jī)實(shí)踐
1.百科知識(shí)融合
2.OAEI知識(shí)融合任務(wù)
六、存儲(chǔ)與檢索
6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述
6.2.知識(shí)圖譜的存儲(chǔ)
a.基于表結(jié)構(gòu)的存儲(chǔ) b.基于圖結(jié)構(gòu)的存儲(chǔ)
6.3.知識(shí)圖譜的檢索
a.關(guān)系數(shù)據(jù)庫(kù)查詢：SQL語(yǔ)言 b數(shù)據(jù)庫(kù)查詢：SPARQL語(yǔ)言
6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索
七、知識(shí)推理
7.1.知識(shí)圖譜中的推理技術(shù)概述
7.2.歸納推理：學(xué)習(xí)推理規(guī)則
a.歸納邏輯程設(shè)計(jì)?b.關(guān)聯(lián)規(guī)則挖掘 c.路徑排序算法
上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)則挖掘
7.3.演繹推理：推理具體事實(shí)
? a.馬爾可夫邏輯網(wǎng) b.概率軟邏輯
7.4.基于分布式表示的推理
a.TransE模型及其變種 b.RESCAL模型及其變種
c.
展開 如何減少判斷與決策失誤
這種啟發(fā)法對(duì)你來(lái)說(shuō)并不陌生,因?yàn)樗プ×诉@樣的思想(即人們利用過去的信息來(lái)對(duì)當(dāng)前類似的情形進(jìn)行判斷)那是歸納推理的本質(zhì)。在大多數(shù)情況下--只要你對(duì)相匹配的特征和范疇擁有沒有偏見的觀念-沿著相似性的路線做判斷將會(huì)是非常合理的。這樣,如果你正在決定是否開始一項(xiàng)像乘風(fēng)滑翔這樣的新活動(dòng)，那么，確定這種運(yùn)動(dòng)多么能代表你以前喜愛的活動(dòng)這個(gè)范疇就是有意義的。
影響3：代表性啟發(fā)失敗
然而,當(dāng)代表性使得你忽視其他類型的相關(guān)信息時(shí),它就會(huì)讓你誤入歧途(Kabnemn & Tversky, 1973)。比如，我們知道高質(zhì)量產(chǎn)品一般價(jià)格不菲，因此，如果某個(gè)產(chǎn)品很貴，我們會(huì)推斷出它的質(zhì)量很好。所以，如果我看見貨架上擺著兩瓶葡萄酒，其中一瓶?jī)r(jià)格略高，我會(huì)馬上得出它的質(zhì)量更好的結(jié)論。我在已知的眾多特點(diǎn)（如葡萄的種類、制造商的聲望、葡萄園的名氣、葡萄的生長(zhǎng)地域）中，選擇了一個(gè)特點(diǎn)（價(jià)格）來(lái)做出我的判斷。但是，大多數(shù)精明的消費(fèi)者都知道，高昂的價(jià)格并不總是意味著高質(zhì)量。
錨定法
錨定啟發(fā)法，從一個(gè)開始做不充分的調(diào)整—或者向上，或者向下。換句話說(shuō),你的判斷過分穩(wěn)固地“錨定"在最初的猜測(cè)上。當(dāng)最初的估計(jì)由與手頭的判斷真正有關(guān)的值所構(gòu)成時(shí),錨的使用并不會(huì)造成什么損失。
影響4：初始錨定偏差較大
然而,當(dāng)這初始信息明顯只有很小的用途或根本沒有用時(shí),人們?nèi)匀伙@示出很強(qiáng)的受錨影響的傾向。
二、決策心理學(xué)
影響5：?jiǎn)栴}框架影響決策
問題和情境的情況類似，也會(huì)受到順序和設(shè)問的框架影響。不同的問題提問順序和設(shè)計(jì)框架，會(huì)得到不同的答案。
假如你面臨著以下選擇:
選擇A:100%的概率會(huì)失去50美元;
選擇B:25%的概率會(huì)失去200美元，75%的概率會(huì)什么也不輸?shù)簟?你會(huì)選擇哪一個(gè)答案?
80%的人會(huì)選擇答案B 。
展開 知識(shí)圖譜：技術(shù)成熟度飛速躍升，與產(chǎn)業(yè)互聯(lián)結(jié)合更加緊密
2022年11月11日 — 2022年11月15日
一、知識(shí)圖譜概論
1.1知識(shí)圖譜的起源和歷史
1.2知識(shí)圖譜的發(fā)展史——從框架、本體論、語(yǔ)義網(wǎng)、鏈接數(shù)據(jù)到知識(shí)圖譜
1.3知識(shí)圖譜的本質(zhì)和價(jià)值
1.4知識(shí)圖譜VS傳統(tǒng)知識(shí)庫(kù)VS關(guān)系數(shù)據(jù)庫(kù)
1.5經(jīng)典的知識(shí)圖譜
二、知識(shí)圖譜應(yīng)用
2.1知識(shí)圖譜應(yīng)用場(chǎng)景
2.2知識(shí)圖譜應(yīng)用簡(jiǎn)介
三、知識(shí)表示與知識(shí)建模
3.1知識(shí)表示概念
3.2 知識(shí)表示方法
3.3典型知識(shí)庫(kù)項(xiàng)目的知識(shí)表示
3.4知識(shí)建模方法學(xué)
3.5知識(shí)表示和知識(shí)建模實(shí)踐
四、知識(shí)抽取與挖掘
4.1知識(shí)抽取基本問題
4.2數(shù)據(jù)采集和獲取
4.3面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.4面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.5.面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取
4.6.知識(shí)挖掘
4.7知識(shí)抽取上機(jī)實(shí)踐
五、知識(shí)融合
5.1知識(shí)融合背景
5.2知識(shí)異構(gòu)原因分析
5.3知識(shí)融合解決方案分析
5.4.本體對(duì)齊基本流程和常用方法
5.5實(shí)體匹配基本流程和常用方法
5.6 知識(shí)融合上機(jī)實(shí)踐
六、存儲(chǔ)與檢索
6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述
6.2.知識(shí)圖譜的存儲(chǔ)
6.3.知識(shí)圖譜的檢索
6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索
七、知識(shí)推理
7.1.知識(shí)圖譜中的推理技術(shù)概述
7.2.歸納推理：學(xué)習(xí)推理規(guī)則
上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)則挖掘
7.3.演繹推理：推理具體事實(shí)
7.4.基于分布式表示的推理
7.5.上機(jī)實(shí)踐案例：利用分布式知識(shí)表示技術(shù)完成Freebase上的鏈接預(yù)測(cè)
八、語(yǔ)義搜索
8.1.語(yǔ)義搜索概述
8.2.搜索關(guān)鍵技術(shù)
8.3.知識(shí)圖譜搜索
8.4
展開 顧寶和—淺談巖土工程的專業(yè)特點(diǎn)
力學(xué)是以基本理論為出發(fā)點(diǎn)，結(jié)合具體條件，構(gòu)建模型求解，特點(diǎn)是從一般到特殊嚴(yán)密，是一種滿繹推理的思維方法地質(zhì)學(xué)是在調(diào)查研究取得大量數(shù)據(jù)的基礎(chǔ)上。
分析綜合、對(duì)比找出科學(xué)規(guī)律，從特殊到一般。是一種歸納推理的思方法側(cè)重于分析成因滴化，宏觀把握，綜合判斯由于條件的不確定性和參數(shù)的不確定性，導(dǎo)致信息的不完全性，使單純的計(jì)算不僅不精確也不一定可靠，因而強(qiáng)調(diào)定性分析與定量分析相結(jié)合，強(qiáng)調(diào)綜合判斷。
綜合判斷就得依靠工程師的理論基和豐富的工程經(jīng)驗(yàn)。就像一位良醫(yī)，既要深刻理解醫(yī)藥理論，又要有豐富的臨床經(jīng)驗(yàn)，忽視經(jīng)驗(yàn)當(dāng)然是錯(cuò)誤的，沒有經(jīng)驗(yàn)的人肯定解決不了復(fù)雜的工程間恩，忽視理論也是錯(cuò)誤的，極易將局部經(jīng)驗(yàn)誤為普遍真理。犯概念性錯(cuò)誤。經(jīng)驗(yàn)之果只有結(jié)在理論之樹上才有生命力由上可知巖土工程迄今還是一門不嚴(yán)密，不完善，不夠成熟的科學(xué)技術(shù)處在發(fā)展中的一門科學(xué)技術(shù)因而存在相當(dāng)大的風(fēng)險(xiǎn)性，沈珠江院士說(shuō)土力學(xué)發(fā)展到現(xiàn)在是從學(xué)步走向自立：巖石力學(xué)發(fā)展更晚成熟程度還要低一些，
8.巖土工程的概念設(shè)計(jì)巖土工程崇尚概念設(shè)計(jì)。
狹義的概念設(shè)計(jì)可以理解為框架設(shè)計(jì)，從總體上勾面出設(shè)計(jì)框架以備進(jìn)一步細(xì)化。廣義的概念設(shè)計(jì)可以理解為一種設(shè)計(jì)思想。
概念設(shè)計(jì)大體上可以概括為：在充分了解功能要求和掌界必要資料的基礎(chǔ)上，通過設(shè)計(jì)條件的概化先定性分析，再定量分析，提出一個(gè)框架，從技術(shù)方法的適宜性和有效性施工的可操作性和質(zhì)量的可控制性，環(huán)境限制和可能產(chǎn)生的負(fù)而影響，經(jīng)濟(jì)性等方面進(jìn)行論證從概念上選擇一個(gè)或幾個(gè)方案，進(jìn)行必要的計(jì)算和驗(yàn)算通過施工檢驗(yàn)和監(jiān)測(cè)，逐步完善設(shè)計(jì)。
展開 