人工智慧 -- 方法篇

人工智慧

前言

簡介

知識表達

知識學習

理論方法

搜尋優化

邏輯推論

神經網路

機率統計

實務應用

專家系統

自然語言

分群分類

程式語言

Prolog

javascript

程式實作

邏輯推論

爬山算法

基因算法

機率學習

交談程式

數字辨識

訊息

相關網站

參考文獻

最新修改

簡體版

English

人工智慧的方法非常多樣,早期的人工智慧研究聚焦在邏輯推論的方法,後來越來越多元化,像是類神經網路、模糊推論、遺傳演算法、機率模型等都被包含進來。

邏輯推論的方法,由於需要百分之百確定的事實配合,因此在實務上不容易使用,因此像模糊推論等方法,雖然在理論上較不優美,但是在實務上卻很有用。類神經網路則是在影像辨識、語音辨識等領域,表現得較為傑出。

近來,機率式的方法開始越來越受到重視,像是 Hidden Markov Model (HMM)、Bayes Network、Monte Carlo Marko Chain (MCMC)、Expectation-Maximization (EM) 等方法,都有越來越多的應用。舉例而言,HMM 在語音辨識上具有非常好的辨識率、而 EM 學習演算法則在機器翻譯上被大量的使用。

由於機率式的方法在數學理論上較為完備,因此有更多的數學工具可以使用,因此未來人工智慧與數學的關係應該會越來越密切,這個領域將有待數學背景強的新研究者加入與探索,以便創造出更好的數學模型,讓 AI 成為一門「真正的科學」。

Facebook

Unless otherwise stated, the content of this page is licensed under Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License