7,129
个编辑
更改
→规划
=== 规划 ===
=== 规划 ===
[[File:Hierarchical-control-system.svg|thumb| 分层控制系统是控制系统的一种形式，在这种控制系统中，一组设备和控制软件被放在一个层次结构中.]]
[[File:Hierarchical-control-system.svg|thumb| 分层控制系统是控制系统的一种形式，在这种控制系统中，一组设备和控制软件被放在一个层次结构中.]]
在经典的规划问题中，智能体可以假设它是世界上唯一运行着的系统，以便于智能体确定其做出某个行为带来的后果。<ref>Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2,pp. 375–430</ref><ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3, pp. 375–430,<ref><ref><ref>然而，如果智能体不是唯一的参与者，这就要求智能体能够在不确定的情况下进行推理。这需要一智能体不仅能够评估其环境和作出预测，而且还评估其预测和根据其预测做出调整。<ref name="Non-deterministic planning"/>
在经典的规划问题中，智能体可以假设它是世界上唯一运行着的系统，以便于智能体确定其做出某个行为带来的后果。<ref>Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2,pp. 375–430</ref><ref>Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3, pp. 375–430</ref><ref><ref>然而，如果智能体不是唯一的参与者，这就要求智能体能够在不确定的情况下进行推理。这需要一智能体不仅能够评估其环境和作出预测，而且还评估其预测和根据其预测做出调整。<ref name="Non-deterministic planning"/>
多智能体规划利用多个智能体之间的协作和竞争来达到目标。进化算法和群体智能会用到类似这样的涌现行为。<ref name="Multi-agent planning"/>
===学习===
===学习===
'''无监督学习 Unsupervised Learning'''可以从数据流中发现某种模式，而不需要人类提前标注数据。'''有监督学习 Supervised Learning'''包括分类和回归，这需要人类首先标注数据。分类被用于确定某物属于哪个类别，这需要把大量来自多个类别的例子投入程序；回归用来产生一个描述输入和输出之间的关系的函数，并预测输出会如何随着输入的变化而变化<ref name="Machine learning"/><ref>{{cite journal|last1=Jordan|first1=M. I.|last2=Mitchell|first2=T. M.|title=Machine learning: Trends, perspectives, and prospects|journal=Science|date=16 July 2015|volume=349|issue=6245|pages=255–260|doi=10.1126/science.aaa8415|pmid=26185243|bibcode=2015Sci...349..255J}}</ref>。在强化学习<ref name="Reinforcement learning"/>中，智能体会因为好的回应而受到奖励，因为坏的回应而受到惩罚；智能体通过一系列的奖励和惩罚形成了一个在其问题空间中可施行的策略。
'''无监督学习 Unsupervised Learning'''可以从数据流中发现某种模式，而不需要人类提前标注数据。'''有监督学习 Supervised Learning'''包括分类和回归，这需要人类首先标注数据。分类被用于确定某物属于哪个类别，这需要把大量来自多个类别的例子投入程序；回归用来产生一个描述输入和输出之间的关系的函数，并预测输出会如何随着输入的变化而变化<ref name="Machine learning"/><ref>{{cite journal|last1=Jordan|first1=M. I.|last2=Mitchell|first2=T. M.|title=Machine learning: Trends, perspectives, and prospects|journal=Science|date=16 July 2015|volume=349|issue=6245|pages=255–260|doi=10.1126/science.aaa8415|pmid=26185243|bibcode=2015Sci...349..255J}}</ref>。在强化学习<ref name="Reinforcement learning"/>中，智能体会因为好的回应而受到奖励，因为坏的回应而受到惩罚；智能体通过一系列的奖励和惩罚形成了一个在其问题空间中可施行的策略。
===自然语言处理===
===自然语言处理===