是那些与人的思想、决策、问题求解和学习等有关活动的自动化过程。人工智能
是一种使计算机能够思考，使计算机具有智力的激动人心的新尝试。人工智能
是用计算机模型研究智力行为的技术。人工智能
是一门通过计算过程力图理解和模仿智能行为的学科。人工智能
是研究如何使计算机做事能够让人过得更好的学科。人工智能
是研究那些使理解、推理和行为成为可能的计算。人工智能
是计算机科学中与智能行为的自动化有关的一个分支。人工智能
推理方式的分类人类的智能活动有多种思维方式，相应地，对人类智能进行模拟的人工智能也有多种推理方式。下表从不同的角度对推理方式进行了分类。2.1人工智能的理论支撑常见的确定性推理有自然演绎推理和归结演绎推理。自然演绎推理自然演绎推理是指从一组已知为真的事实出发，直接运用命题逻辑或谓词逻辑中的推理规则推出结论的过程。其中，常用的推理规则有假言推理、拒取式推理和三段论式推理等。归结演绎推理在人工智能中，几乎所有的问题都可以转化成一个定理证明问题。对于定理证明问题，如果用一阶谓词逻辑表示的话，该问题的实质就是要求对前提P和结论Q证明是永真的。然而，要证明谓词公式的永真性，必须对谓词公式中变元个体域上的每个解释进行验证，这是极其困难的。为了简化问题，在推理时常采用归结演绎推理。归结演绎推理是一种基于归结原理的机器推理技术。实际上，它是一种基于逻辑的“反证法”，把关于永真性的证明转化为关于不可满足性的证明，即要证明
,永真，只要能够证明是不可满足的就可以了。2.1人工智能的理论支撑谓词公式的永真性：如果谓词公式P对个体域D上的任何一个解释都取真值T（真），则称P在D上是永真的；如果P在每个非空个体域上均永真，则称P永真。谓词公式的不可满足性：对于谓词公式P，如果至少存在一个解释使得公式P在此解释下的真值为T（真），则称公式P是可满足的，否则，则称公式P是不可满足的。
表示“P蕴涵Q”，可理解为“如果P，则Q
”；表示“P合取非Q
”，可理解为“P与非Q
宽度优先搜索图2深度优先搜索2.1人工智能的理论支撑启发式搜索策咯启发式搜索策略，又称有信息搜索策略，是指在搜索过程中，利用与问题有关的信息，引导搜索朝最有利的方向进行，从而加快搜索的速度，提高搜索效率。常用的启发式搜索策略有A搜索和A*搜索。启发式搜索策略的主要依据是问题自身的启发性信息。启发性信息是指可确定搜索方向，简化搜索过程，且可反映问题特性的控制性信息。启发性信息又是通过估价函数而作用于搜索过程的。估价函数常用于估计节点的代价，即通过充分利用启发性信息估计出经过当前节点搜索到目标节点的代价。2.1人工智能的理论支撑估计一个节点的价值，必须考虑两个重要的因素，即已经付出的代价和将要付出的代价。因此，可将估价函数定义为从初始节点S0出发，经过节点n到达目标节点G的所有路径中最优路径的代价估计值。其一般形式为
其中，表示从初始节点S0到达中间节点n的实际代价。的值是从节点S0到节点n的最优路径上所有有向边的代价之和。
形式分类有监督学习从含有标签的数据集中推出一个功能的学习方法无监督学习从不含标签的数据集中推出一个功能的学习方法半监督学习综合利用有标签的数据和无标签的数据，生成合适的函数强化学习以环境反馈（奖惩信号）作为输入，以统计和动态规划技术为指导的一种学习方法按学习
目标分类概念学习学习的目标和结果为概念，典型的概念学习有示例学习规则学习学习的目标和结果为规则，典型的规则学习有决策树学习函数学习学习的目标和结果为函数，典型的函数学习有神经网络学习类别学习学习的目标和结果为对象类别，典型的类别学习有聚类分析按学习
方法分类机械式学习通过直接记忆或外部提供的信息达到学习的目的指导式学习由外部环境向系统提供指示或建议示例学习通过从环境中获取若干与某知识有关的例子，经归纳得到一般性知识类比学习把两个事物进行比较，找出它们在某一抽象层上的相似关系，并以这种关系为依据，把某一事物的有关知识加以适当整理，然后对应到另一事物，从而获得求解另一事物的知识解释学习在领域知识指导下，通过对单个问题求解实例的分析，构造出求解过程的因果解释结构，并获取控制知识，便于指导以后求解类似问题按推理
方式分类基于演绎的学习以演绎推理为基础的学习基于归纳的学习以归纳推理为基础的学习表机器学习的分类2.1人工智能的理论支撑其中，有监督学习和无监督学习是机器学习中常用且易懂的方法，下面将详细介绍这两种机器学习方法。有监督学习有监督学习是一种比较简单且直接的机器学习方式，它是利用含有标签的数据集对学习模型进行训练，然后得到预测模型，最后利用测试集对预测模型的性能进行评估的学习方法。有监督学习也可理解为“跟着老师学”，即在有老师的环境下，学生跟着老师学习知识，待他们掌握之后，再使用新的数据测试学生的认知水平。例如，老师拿两张猫咪图片，教小朋友认识猫咪，小朋友结合图片中猫咪的外在特征和老师的讲解认识猫咪，然后老师再拿出一张新的图片，询问小朋友图片中是什么动物，如右图所示。图
有监督学习2.1人工智能的理论支撑机器学习中，采用有监督学习方法建模的任务有分类任务和回归任务。（1）分类任务通常用于将事物打上一个标签，结果为离散值。例如，判断一幅图片上的动物是猫还是狗。分类的最终正确结果只有一个，错误的就是错误的，不会有相近的概念。分类是通过在已有数据的基础上进行学习，推导出一个分类函数或构造出一个分类模型，该函数或模型可以将待分类的数据集映射到某个给定的类别中，从而实现数据分类。其中，分类函数或分类模型也称为分类器。2.1人工智能的理论支撑在机器学习领域中，分类任务的实现需要先确定一个分类函数或模型，类似于数据样本中的分界线，然后对输入的新数据进行预测，即根据分界线对新数据进行分类，如下图所示。图
分类任务图中，实心的正方形和圆表示带有标签的训练数据；分界线表示经过训练后获得的分类函数或分类模型；空心的正方形和圆表示输入的新数据。分类任务中常用的核心算法有K近邻分类算法、决策树分类算法、贝叶斯分类算法、支持向量机分类算法和人工神经网络等。2.1人工智能的理论支撑（2）回归任务通常用来预测一个值，如预测房价、预测股价等。若一个产品的实际价格为500元，通过回归分析预测值为499元，则认为这是一个比较好的回归分析。回归是对真实值的一种逼近预测。回归是通过已有数据进行学习，拟合出一个回归函数或构造出一个回归模型，该函数或模型可以将待测试的数据集映射到某个给定的值，从而实现数据预测。2.1人工智能的理论支撑在机器学习领域中，回归任务的实现需要先对数据样本点进行拟合，再根据拟合出来的函数对输入的新数据进行输出预测，如下图所示。图
回归任务图中，圆表示带有标签的训练数据；回归曲线表示经过训练后获得的回归函数或回归模型。若该回归任务表示对商品价格走势的预测（x表示年份，y表示商品价格），则由回归函数可以预测未来某年的商品价格。回归任务中常用的核心算法有K近邻回归算法、决策树回归算法、贝叶斯回归算法、支持向量机回归算法和人工神经网络等。2.1人工智能的理论支撑无监督学习无监督学习是在没有标签的数据集里发现数据之间潜在关系的学习方法。例如，根据聚类或一定的模型得到数据之间的关系。无监督学习是一种没有明确目的的学习方法，无法提前知道结果，且它的学习效果几乎无法量化。无监督学习也可理解为“自学成才”，即在没有老师的环境下，学生自己观察事物的特征，将特征相似的事物聚成一类，并为该类取一个名字，当学生再次遇到相似的事物时，自然会将该事物和前面的事物归为一类。例如，学生看到几只动物，观察发现它们的外部特征相似，便将它们归为一类，并取了一个类名——“狗狗”，之后学生再看到这种动物，自然就将它归类于“狗狗”了，如右图所示。图
熟悉图像识别、人脸识别和文字识别等机器“看”世界技术。熟悉语音识别、声纹识别等机器“听”声音技术。熟悉自然语言处理、知识图谱等机器“思”内涵技术。231素质目标01熟悉人工智能的应用技术，拓展学生的视野，增加学生的知识储备。02探究应用实践背后的技术原理，培养学生的钻研精神。