急求人工智能课程结束报告！！
自20世纪50年代以来，经过几个阶段的不断探索和发展，人工智能在模式识别、知识工程和机器人学等领域取得了巨大成就，但离真正的人类智能还很远。但进入新世纪以来，随着信息技术的快速进步，人工智能相关的技术水平也相应提高。特别是随着互联网的普及和应用，对人工智能的需求越来越迫切，这也为人工智能的研究提供了新的更广阔的舞台。本文强调，在当今网络时代，作为信息技术的先导，人工智能学习是人工智能科学领域值得关注的研究方向。在跨学科研究中实现人工智能学习的发展和创新，要重视认知科学、脑科学、生物智能、物理学、复杂网络、计算机科学和人工智能之间的交叉渗透点，特别要重视认知物理学的研究。自然语言是人类思维活动的载体，是人工智能学习中不可回避的知识表示的直接对象。有必要建立一个可以用语言定量表达概念的不确定性转换模型，发展不确定性人工智能。我们要利用现实生活中复杂网络的小世界模型和无标度特性，把网络拓扑作为一种新的知识表示方法，研究网络拓扑的演化和网络动态行为，研究网络化智能，以适应信息时代数据挖掘的一般要求，迎接人工智能学习和应用领域的新辉煌。
摘要
20世纪90年代以来，随着全球化的形成和日益激烈的国际竞争，人们越来越重视人工智能技术的研究和应用，人工智能在制造业中的应用成为实现制造业知识化、自动化和柔性化以实现快速响应市场的关键。
人工智能是研究人类智能的机制以及如何用机器模拟人类智能的学科。在后一种意义上，人工智能也被称为“机器智能”或“智能模拟”人工智能是在现代电子计算机出现后发展起来的。它一方面成为人类智能的延伸，另一方面为探索人类智能的机制提供了新的理论和研究方法。
学习机制的研究是人工智能研究的核心课题。它是智能系统适应性和自我完善功能的基础。学习过程具有以下特点:学习行为一般有明显的目的性，结果是获取知识；学习系统中结构的变化是有方向性的，是由学习算法或环境决定的。学习系统是构建智能系统的中枢骨架，是全面组织和保存系统知识的场所。因此，人工智能学习研究的主要目的之一就是使机器能够胜任一些通常需要人类智能来完成的复杂任务。但是，不同的时代，不同的人对这个“复杂的作品”有不同的理解。
一、人工智能学习的历史基础和发展步伐
人工智能学习的发展史与计算机科学技术的发展史相关。除了计算机科学，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学、哲学等多个学科。
一般认为，人工智能的思想可以追溯到德国著名数学家、哲学家莱布尼茨(1646-1716)提出的“通用语言”思想。这一思想的要点是建立一种通用的符号语言，在这种语言中用符号表达“思想内容”，用符号之间的形式关系表达“思想内容”之间的逻辑关系。所以“思维机械化”可以用“共同语言”来实现的想法，可以看作是对人工智能最早的描述。
计算机科学的创始人图灵被誉为“人工智能之父”。他关注的是计算机应该满足什么条件才能被称为“智能”。1950年，他提出了著名的“图灵实验”:一个人和一台电脑在两个房间里，与外界的联系只通过键盘和打印机。人类裁判向房间里的人和电脑提问，通过人和电脑的回答判断哪个房间是人，哪个房间是电脑。图灵认为，如果“温和”的裁判不能正确区分，这样的计算机可以说是智能的。“图灵实验”是智能标准的明确定义。有趣的是，虽然有些计算机通过了图灵实验，但人们并不承认这些计算机是智能的。这反映了人们对智能标准的理解更加深入，对人工智能的要求更高。
图灵和冯·诺依曼的上述工作，以及麦卡洛和皮茨对神经网络数学模型的研究，构成了人工智能的初级阶段，实际上是人工智能学习的开始。
人工智能的早期研究给人们留下了深刻的印象。就像自动定理证明的研究意义不仅限于数学一样，搜索的研究意义也不仅限于游戏。认知心理学的信息加工学派认为，人的思维过程很大一部分可以抽象为一个问题从初始状态通过中间状态到终态的过程，因此可以转化为一个搜索问题，由机器自动完成。比如“策划”。想象一下，一个机器人被要求完成一个复杂的任务，这个任务包含许多不同的子任务，其中一些子任务只有在其他子任务完成后才能执行。这时，机器人需要事先“设想”一个可行的行动计划，按照这个计划采取行动，才能顺利完成任务。“规划”就是找到一个可行的行动方案，以其子任务为状态，子任务之间的依赖关系为直接后继，在状态空间中搜索即可实现。
人工智能早期的研究还包括自然语言理解、计算机视觉和机器人。通过大量研究发现，仅仅依靠自动推理搜索等一般的解题手段是远远不够的。纽维尔和西蒙的认知心理学研究表明，各个领域的专家在其专业领域表现出非凡的能力，主要是因为专家拥有丰富的专长(领域知识和经验)。20世纪70年代中期，费根鲍姆提出了知识工程的概念，这标志着人工智能的第二个发展时期。知识工程强调知识在解决问题中的作用；相应地，研究内容分为知识获取、知识表示和知识利用三个方面。知识获取研究如何有效地获取专家知识；知识表示研究如何将专家知识以一种在计算机中易于存储和使用的形式表达出来；知识利用研究如何使用恰当表达的专家知识来解决特定领域的问题。知识工程的主要技术手段是在早期成果的基础上发展起来的，尤其是知识的利用，主要依靠自动推理和搜索的技术成果。在知识表示方面，除了早期工作中出现的逻辑表示和过程表示，联想记忆和自然语言理解研究中提出的语义网表示得到了发展，随后又引入了框架表示、概念依赖、脚本表示和产生式表示等多种方法。与早期的研究不同，知识工程强调实际应用。主要应用成果是各种专家系统。专家系统的核心组件包括:
(a)知识库的表达，包括专家知识和其他知识。
(b)使用知识解决问题的推理机。
大型专家系统的开发周期往往长达10年，主要原因是知识获取。领域专家虽然能很好地解决问题，但往往说不清是怎么解决的，用了什么知识。这使得负责收集专家知识的知识工程师很难有效地完成知识获取的任务。这种情况极大地刺激了自动知识获取——机器学习研究的深入发展。研究得比较多的机器学习方法有归纳学习、类比学习、解释性学习、强化学习和进化学习。机器学习的研究目标是让机器从自身或“他人”的解题经验中获取相关的知识和技能，从而提高自己的解题能力。
20世纪80年代以来，随着计算机网络的普及，特别是互联网的出现，包括人工智能技术在内的各种计算机技术的广泛应用，推动了人机关系的巨大变化。根据日本、美国等国未来学家的预测，人机关系正从传统的“连接人”的模式迅速向“连接机器”的新模式转变。这种变化将引起社会生产方式和生活方式的巨大变化，同时也将对人工智能乃至整个信息技术提出新的课题。这促使人工智能进入第三个发展时期。
在这个新的发展时期，人工智能面临一系列新的应用需求。
首先，需要提供强大的技术手段来支持分布式协同工作。现代生产是一种社会化大生产，不同职业的劳动者在不同或相同的时间和地点从事同一任务的不同子任务。这就要求计算机不仅要为每个子任务提供协助和支持，还要为子任务之间的协调提供协助和支持。因为每个子任务在很大程度上都可以独立进行，所以子任务之间的关系必然是动态的、不可预测的。因此，子任务之间的协调(即对分布式协同工作的支持)对人工智能乃至整个信息技术和基础理论提出了巨大的挑战。
其次，网络化促进信息化，使原本分散、孤立的数据库形成一个互联的整体，即一个信息相同的信息空间。虽然现有的浏览器和搜索引擎为用户在网上查找信息提供了必要的帮助，但这种帮助远远不够，以至于“信息过载”和“信息流失”的情况越来越严重。更加强大的智能信息服务工具已经成为用户的迫切需求。另一方面，信息空间对人类的价值不仅仅在于个别的信息项(比如某厂商生产的某新产品的信息)，还在于隐藏在一大类信息中的普遍知识(比如某行业的供求变化趋势)。因此，数据中的知识发现已经成为一个迫切的研究课题。机器人一直是现代工业的迫切需求。随着机器人技术的发展，研究重点已经转移到能够在动态和不可预测的环境中独立工作的自主机器人和能够与其他机器人(包括人)合作的机器人。显然，机器人之间的这种合作可以看作是物理世界中的分布式协同工作，其中包含了同样的理论和技术问题。
可以看出，人工智能第三个发展时期的突出特点是研究一种能够在动态的、不可预测的环境中自主协调工作的计算机系统。这个系统叫做代理。目前，正在围绕Agent理论、Agent体系结构和Agent语言开展研究，产生了一系列重要的新思想、新理论、新方法和新技术。在这项研究中，人工智能呈现出与软件工程、分布式计算和通信技术相结合的趋势。Agent研究的应用不仅限于生产和工作，还深入到人们的学习和娱乐中。例如，Agent与虚拟现实相结合产生的虚拟训练系统，可以使学生在不实际操作飞机的情况下学习飞行的基本技能；同样，客户也可以“享受”实战的“滋味”。
中国还成立了中国人工智能学会、中国计算机联合会人工智能与模式识别委员会、中国自动化学会模式识别与机器智能委员会等学术团体，开展该领域的学术交流。此外，国家还开始建设一批人工智能研究相关的国家重点实验室，这将推动我国人工智能的研究，为这一学科的发展做出贡献。
纵观人工智能学习的发展，可以看到它一直遵循的基本思路。首先是强调人类智能的人工实现而不是简单的模拟，尽可能地服务于人类的实际需求。其次，强调跨学科的结合，越来越多的数学、信息科学、生物学、心理学、生理学、生态学、非线性科学等新学科融入到人工智能学习的研究中。
二、人工智能学习的主要技术及其发展趋势
目前，人工智能学习有三大热点:智能接口、数据挖掘、agent和多agent系统。
智能接口技术就是研究如何使人与计算机方便、自然地交流。为了实现这一目标，要求计算机能够理解文字、理解语言、表达文字，甚至在不同语言之间进行翻译，而这些功能的实现有赖于知识表示方法的研究。因此，智能接口技术的研究既有重大的应用价值，又有基本的理论意义。目前，智能接口技术已经取得了令人瞩目的成就，字符识别、语音识别、语音合成、图像识别、机器翻译、自然语言理解等技术已经开始应用。
数据挖掘是从大量不完整、有噪声、模糊和随机的实际应用数据中提取隐藏的、未知的但潜在有用的信息和知识的过程。数据挖掘和知识发现的研究已经形成了三个强大的技术支柱:数据库、人工智能和数理统计。主要研究内容包括基础理论、发现算法、数据仓库、可视化技术、定性定量交换模型、知识表示方法、发现知识的维护和重用、半结构化和非结构化数据中的知识发现以及在线数据挖掘。
主体是具有信念、欲望、意图、能力、选择、承诺等精神状态的实体，比客体更具有粒度和智能，具有一定的自主性。主体试图自主、独立地完成任务，并能与环境互动，与其他主体交流，通过规划实现目标。多智能体系统主要研究逻辑上或物理上分离的智能体之间的协调智能行为，最终实现问题求解。目前，对agent和多agent系统的研究主要集中在agent和多agent理论、agent体系结构和组织、agent语言、agent之间的合作与协调、通信与交互技术、多agent学习和多agent系统应用等方面。
新一代智能技术是指20世纪80年代以来迅速发展起来的计算技术，主要以神经网络(ANN)、进化计算、模糊逻辑和Agent为代表，其中主要具有学习进化和自组织的能力。
神经网络是模拟人脑中神经元的功能，希望通过模拟人脑最基本的单位神经元功能来模拟人脑的功能。它通过某个例子训练一个神经网络，就像教一个孩子一样。经过训练后，神经网络可以完成特定的功能。它通过学习实例来修改知识库和推理机的结构，达到人工智能的目的。
最后还有一个应用领域，就是模式识别。我觉得应该在知识挖掘中广泛应用，因为现在项目中获取的数据越来越多。从这些数据中人为地确定某种规律并不容易，更不要说在这些数据中发现新的规律了。因此，有必要进行数据挖掘，它的应用对决策支持系统有着重要的意义。
人可以思考，人工智能需要思考，这就是推理；人可以学习，人工智能需要学习；人可以有知识，所以人工智能也需要有知识。
人工智能就是模拟人脑的活动。人类已经可以用许多新技术和新材料来代替人体的许多功能。只要模拟人脑，人们就可以完成人工生命的研究，创造自己，这不仅在科学上，而且在哲学上都具有划时代的意义。
学习是指系统在适应环境时的适应性变化，使系统在完成类似任务时更加有效。20世纪80年代以来，人们更加关注人工神经网络的学习机制，基于连接机制的子符号学习再次成为当今学习机制研究的热点，提出了竞争学习、进化学习、强化学习等各种新的学习机制。
机械学习。它的另一个名字，死记硬背，可以直接体现它的特点。是最简单最原始的学习方法，也是机器的强项，人的弱项。
引导学习。这种学习方式是外部环境向系统提供一般性的指令或建议，系统将其转化为详细的知识并发送到知识库。在学习过程中，要对知识进行反复评估，使之完善。
归纳学习。我们可以看到，机器擅长的不是归纳，而是演绎。适合从特殊到一般，不适合从一般到特殊。从特殊到一般的归纳是人类特有的，是智慧的标志。有很多具体的归纳学习方法，但其本质都是让计算机学会从一般中得出规则。
类比学习。类比是一种通过比较相似事物的学习。它的基础是类比推理，即把记忆中的新事物和旧事物进行比较。如果发现它们之间有一些性质是相同的，那么可以推断(假设)其他性质也是相同的。
基于口译的学习。这是近年来出现的一种新的学习方法。它不是通过归纳或类比的方式学习，而是利用相关的领域知识和一个训练实例来学习某个目标概念，最后生成这个目标概念的一般描述，这是一个可以形式化表达的一般知识。
强化学习是一种基于行为方法的半监督学习。一般的学习方法有两种。一种是基于模型的。在这种方法中，智能体需要环境的精确模型，具有较高的智能，但不适合不确定的动态环境。另一种是基于行为的方法。该方法不需要环境的精确模型，采用分层结构。高层行为可以调节和约束低层行为能力，但每一层都有自己独立的决定权，如[3]中的合弄智能制造系统。增强有这些优点，所以经常用于机器人足球[4]，狩猎问题，甚至战争指挥[5]，但这些都只是理论研究，因为机器人足球本身的目的就是测试人工智能的可用性，更不可能让战争由计算机代替人指挥。
采用强化学习的Agent最早出现在遗传算法中，采用了“Ethogenetics”的思想，突破了长期以来一个代码串对应组合优化问题中所有策略变量的一种组合方式的传统静态认识，将一个代码串视为一个智能Agent主动进行的一系列决策动作的结果。
人工智能学习可能在以下几个方面发展:模糊处理、并行化、神经网络和机器情感。目前人工智能的推理功能已经被突破，正在研究学习和联想功能。下一步是模仿人类右脑的模糊处理功能和全脑的并行处理功能。人工神经网络是未来人工智能应用的新领域，未来智能计算机的组成可能是以冯诺依曼机为主机，人工神经网络为智能外设的组合。研究表明，情感是智能的一部分，而不是从智能中分离出来的，所以人工智能领域的下一个突破可能是赋予计算机情感能力。情感能力对于计算机与人的自然交流非常重要。
通过以上学习方法是获取知识，通过一种便捷的方式获取知识。我之前说过，因为机器的思维方式和人类有很大的不同，所以让机器通过自己的学习生成自己容易理解和使用的知识，也是机器学习的目标之一。
人工智能一直处于计算机技术的前沿，人工智能研究的理论和发现将在很大程度上决定计算机技术的发展方向。
因为计算机芯片的小型化已经接近极限。人们越来越希望全新的计算机技术能够推动人工智能的发展。目前，至少有三种技术可能会引发一场新的革命。它们是光子计算机、量子计算机和生物计算机。
结束语
许多科学家断言，机器的智慧将很快超过阿尔伯特·爱因斯坦和斯蒂芬·霍金的智慧总和。著名物理学家斯蒂芬·霍金(Stephen Hawking)认为，就像人类可以凭借其操纵数字的高超能力设计出计算机一样，智能机器也会创造出性能更好的计算机。最迟在本世纪中叶，也许更快，计算机的智能可能会超过人类。
本文对学习中的一些方法进行了基本描述，阐述了它们的发展趋势，但在一般学习中，基于行为的方法的使用仍然是最受关注的；本文介绍了强化学习方法的几种变体，并在一定程度上描述了它们的应用。在某种程度上，他们意识到了模拟的可行性。但这些模拟大多是验证性的，真正的人工智能在实际生产中的应用还是一个需要研究的课题。最后，我们总结一下人工智能学习的研究领域。参考人在各种活动中的作用，可以得出人工智能领域只是在取代人的活动。人工智能学习和研究的领域是人进行智力活动的领域。人工智能学习就是应用机器的优势来帮助人类进行智力活动。人工智能学习研究的目的是模拟人类神经系统的功能。
但是，随着技术和工艺的发展，人工智能学习的方法会发生变化，引起我们的关注。
参考
【1】人工智能简史，孙兴清华大学出版社，1990。
[2]蔡自兴徐光友《人工智能及其应用》清华大学出版社2002年1月。
[3]陈万秋；黄易；；NBIC融合技术的“后人类”问题[J]；湖南师范大学社会科学学报；2013 04
[4]王；；道德机器人:人类责任存在与缺失的矛盾[J]；理论月刊；2013 11
【5】为什么机器学习理论无法实现强人工智能？
[6]王；；人工智能的道德建立与伦理困境[J]；华南农业大学学报(社会科学版)；2014 01
[7]李雄；媒体道德激励功能及其实践研究[D]；湖南大学；2013
[8]孙志南；；人工智能在电气自动化控制中的应用[J]；现代商业贸易业；2013 07
[9]宋翠萍；；智能技术在电气工程自动化中的应用[J]:电力技术的应用；2013 06
[10]胡琴；；电气自动检测技术的现状与发展[J]；硅谷；2013 11
[11]刘慧晏；；电气自动化工程控制系统的现状及发展趋势[J]；科技创新和应用；2013 18
【12】朱锦芳；；人工智能在电气工程自动化中的应用[J]；化学工程与设备；2013 05
[13]潘杭炜；；浅析电气自动化在日常生活中的作用及未来发展趋势[J]；科技创新和应用；2013 12
[14]郑宇；；浅谈人工智能技术在电气自动化中的应用[J]:电子生产；2013 05
[15]赵刚；刘刚；；电气控制电路的设计研究[J]；电子生产；2013 02
[16]黎均平；人工智能技术的伦理问题及其对策研究[D]；武汉理工大学；2013
[17]赵；锰粉制备输送控制系统的设计与研究[D]；兰州理工大学；2012