人工智慧專家系統分類

A. 人工智慧的分類包括哪些呀

人工智慧領域六大分類：

1、深度學習：

深度學習是基於現有的數據進行學習操作，是機器學習研究中的一個新的領域，機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例像，聲音和文本。深度學習是無監督學習的一種。

2、自然語言處理：

自然語言處理是用自然語言同計算機進行通訊的一種技術。人工智慧的分支學科，研究用電子計算機模擬人的語言交際過程，使計算機能理解和運用人類社會的自然語言如漢語、英語等，實現人機之間的自然語言通信，以代替人的部分腦力勞動，包括查詢資料、解答問題、摘錄文獻、匯編資料以及一切有關自然語言信息的加工處理。例如生活中的電話機器人的核心技術之一就是自然語言處理。

3、計算機視覺：

計算機視覺是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像；計算機視覺就是用各種成象系統代替視覺器官作為輸入敏感手段，由計算機來代替大腦完成處理和解釋。計算機視覺的最終研究目標就是使計算機能像人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。計算機視覺應用的實例有很多，包括用於控制過程、導航、自動檢測等方面。

4、智能機器人：

如今我們的身邊逐漸開始出現很多智能機器人，他們具備形形色色的內部信息感測器和外部信息感測器，如視覺、聽覺、觸覺、嗅覺。除具有感受器外，它還有效應器，作為作用於周圍環境的手段。這些機器人都離不開人工智慧的技術支持；科學家們認為，智能機器人的研發方向是，給機器人裝上「大腦晶元」，從而使其智能性更強，在認知學 習、自動組織、對模糊信息的綜合處理等方面將會前進一大步。

5、自動程序設計：

自動程序設計是指根據給定問題的原始描述，自動生成滿足要求的程序。它是軟體工程和人工智慧相結合的研究課題。自動程序設計主要包含程序綜合和程序驗證兩方面內容。前者實現自動編程，即用戶只需告知機器「做什麼」，無須告訴「怎麼做」，這後一步的工作由機器自動完成；後者是程序的自動驗證，自動完成正確性的檢查。其目的是提高軟體生產率和軟體產品質量；自動程序設計的任務是設計一個程序系統，接受關於所設計的程序要求實現某個目標非常高級描述作為其輸入，然後自動生成一個能完成這個目標的具體程序。該研究的重大貢獻之一是把程序調試的概念作為問題求解的策略來使用。

6、數據挖掘：

數據挖掘一般是指從大量的數據中通過演算法搜索隱藏於其中信息的過程。它通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。它的分析方法包括：分類、估計、預測、相關性分組或關聯規則、聚類和復雜數據類型挖掘。

B. 什麼是人工智慧專家系統專家系統包括哪幾個主要部分舉例說明專家系統在環境工程領域的應用。

人工智慧專家系統就是用人工智慧的方法來模擬專家的特性以便使電腦可以向專家一樣來解決問題，分為知識庫，規則庫和控制系統三部分。至於應用你就自己想吧，我對環境工程領域也不懂。

C. 人工智慧一般有哪幾種類型

1、反應機器。一個例子是 Deep Blue，這是一個在 20 世紀 90 年代擊敗 Garry Kasparov 的IBM國際象棋程序。深藍可以識別棋盤上的棋子並進行預測，但它沒有記憶，也無法使用過去的經驗來通知未來的棋子。它分析了可能的舉動 – 它自己和對手 – 並選擇了最具戰略性的舉措。Deep Blue 和 Google 的 AlphaGO 專為狹隘目的而設計，不能輕易應用於其他情況。

2、有限的內存。這些 AI 系統可以使用過去的經驗來為未來的決策提供信 自動駕駛車輛中的一些決策功能就是這樣設計的。觀察用於告知在不遠的將來發生的行動，例如改變了車道的汽車。這些觀察結果不會永久存儲。

3、心理理論。這是一個心理學術語。它指的是其他人有自己的信念，慾望和意圖影響他們做出的決定的理解。這種 AI 尚不存在。

4、自我意識。在這個類別中，AI 系統具有自我意識，具有意識。具有自我意識的機器了解其當前狀態，並可以使用該信息來推斷其他人的感受。這種類型的 AI 尚不存在。

D. 人工智慧與專家系統概述

一、人工智慧與專家系統

人工智慧AI(Artificial Intelligence)是集計算機科學、神經科學、心理學、語言學、認知學、思維科學、控制論、資訊理論等多種學科於一體的新興邊緣科學，也是當代主要的高科技領域之一。人工智慧可定義為用計算機來研究思維的科學，即由計算機來模仿和實現人類的智能行為的學科，如判斷、圖像識別、理解、學習、規劃和問題求解。自1956年正式提出人工智慧的概念後，四十多年以來，人工智慧的研究已取得了重大進展，它的最主要的研究和應用領域有：專家系統、機器學習、模式識別、自然語言理解、機器人學、計算機視覺、分布式人工智慧等。

專家系統ES(Expert System)是人工智慧的一個重要分支，自20世紀60年代以來，專家系統得到研究、開發和利用，並取得重大進展。專家系統主要研究如何使計算機程序能模仿各個領域的人類專家在解決實際問題時的思維過程，使機器具有專家水平的智能。專家系統的出現，使人工智慧的研究發生了重大的轉變，它實現了人工智慧從理論研究走向實際應用，是人工智慧從一般思維規律探討走向專門知識應用的重大突破。專家系統的成功使人們更清楚地認識到人工智慧系統應該是一個知識處理系統，而知識表示、知識獲取、知識利用則是人工智慧系統的三個基本問題。從1985年起，專家系統愈來愈引起人們的關心和注意，在很多情況下，專家系統逐漸成為人工智慧的代名詞。

開發專家系統的關鍵是表達和運用專家知識，即來自人類專家並已被證明對解決有關領域內的典型問題是有用的事實和過程。它和傳統的計算機程序最本質的不同之處在於專家系統所要解決的問題一般不能用演算法解決，並且經常要在不完全、不精確或不確定的信息基礎上做出結論。它應該是一個有相當數量權威性知識、並能運用這些知識解決特定領域中實際問題的計算機程序系統。它根據用戶提供的數據、信息和事實，運用系統存儲的專家經驗和知識，進行推理判斷，最後得出結論。同時給出這些結論的可信度，供用戶決策之用。

專家系統通過推理的方法來解決問題，並且得到的結論和專家相同。專家系統的重要部分是推理，正是由於這一點，使專家系統不同於一般的資料系統和知識庫系統。在專家系統中所存儲的不是答案，而是進行推理的能力與知識。

二、地質專家系統

隨著計算機的日益普及，專家系統在地質學中同樣得到廣泛應用。地質專家系統是在解決具有專家級規模和難度的地質問題中，用以局部地或全部地代替地質專家的計算機程序系統。地質專家經過長期學習和大量實踐積累了豐富的知識和經驗，他們的理論造詣很深，技術嫻熟，工作穩妥高效。他們知道運用所掌握的知識解決具體問題的訣竅和避免失誤的方法，並善於從多種信息中發現問題的本質，將遇到的新問題歸結為自己熟悉的問題類型，從而迅速找到解決問題的有效途徑。地質專家系統正是建立在地質專家豐富的知識和經驗基礎之上的。在這種系統中，具有由數量充足並達到一定權威性的地質知識建立的知識庫，採取一定的推理策略，具備學習機制，能夠對知識庫進行補充和改進，用以提高解決地質問題的能力。專家系統在地學領域中的應用主要包括：礦產資源評價預測、礦床勘探、地質和測井資料分析、礦床地質特徵監控、地質分類和對比、地質工程自動控制、遙感地質圖形自動處理和地質成果評價等。

成礦預測是地質專家系統應用的重要領域，在這一領域中地質專家系統的應用最早、應用的面也最廣泛，同時在地質專家系統的各種應用中具有最重要的意義。建立在礦床地質模型基礎之上的「探礦者」(PROSPECTOR)專家系統是其中最著名的例子，該系統於1976年建立於美國斯坦福大學國際研究所人工智慧中心，是世界上最早建立的3個專家系統之一。目前，其第二代產品PROSPECTOR Ⅱ包含了86個礦床模型和多於146個礦床的信息。該系統本身就是一個數字礦床模型專家系統，同時也是一個應用於成礦預測的計算機人工智慧咨詢系統，該系統無論是對專家系統研究本身或是對專家系統在地質領域中的應用都有重要意義。

E. 人工智慧可以分為哪三個級別

1、弱人工智慧

可以代替人力處理某一領域的工作。目前全球的人工智慧水平大部分處於這一階段。就像超越人類圍棋水平的阿爾法狗，雖然已經超越了人類在圍棋界的最高水平，不過在其他領域還是差的很遠，所以只是弱人工智慧。

2、強人工智慧

擁有和人類一樣的智能水平，可以代替一般人完成生活中的大部分工作。這也是所有人工智慧企業目前想要實現的目標。走到這一步之後，機器人大量替代人類工作，進入生活就成為的現實。

3、超人工智慧

人工智慧的發展速度是很快的。當人工智慧發展到強人工智慧階段的時候，人工智慧就會像人類一樣可以通過各種採集器、網路進行學習。每天它自身會進行多次升級迭代。而那個時候，人工智慧的智能水平會完全超越人類。

(5)人工智慧專家系統分類擴展閱讀：

模式識別

採用模式識別引擎，分支有2D識別引擎 ，3D識別引擎，駐波識別引擎以及多維識別引擎。

2D識別引擎已推出指紋識別，人像識別 ，文字識別，圖像識別 ，車牌識別；駐波識別引擎已推出語音識別。

自動工程

自動駕駛（OSO系統）。

印鈔工廠（流水線）。

獵鷹系統（YOD繪圖）。

知識工程

專家系統。

智能搜索引擎。

計算機視覺和圖像處理。

機器翻譯和自然語言理解。

數據挖掘和知識發現。

F. 人工智慧的分類包括哪些

人工智慧領域的分類包括，研究包括機器人、圖像識別、語言識別、自然語言處理和專家系統等。人工智慧是一門極富挑戰性的科學，從事這項工作的人，必須懂得計算機知識、心理學和哲學。 人工智慧主要有三個分支：1) 認知AI （cognitive AI）  認知計算是最受歡迎的一個人工智慧分支，負責所有感覺「像人一樣」的交互。認知AI必須能夠輕松處理復雜性和二義性，同時還持續不斷地在數據挖掘、NLP（自然語言處理）和智能自動化的經驗中學習。                   現在人們越來越傾向於認為認知AI混合了人工智慧做出的最好決策和人類工作者們的決定，用以監督更棘手或不確定的事件。這可以幫助擴大人工智慧的適用性，並生成更快、更可靠的答案。2) 機器學習AI （Machine Learning AI）   機器學習（ML）AI是能在高速公路上自動駕駛你的特斯拉的那種人工智慧。它還處於計算機科學的前沿，但將來有望對日常工作場所產生極大的影響。機器學習是要在大數據中尋找一些「模式」，然後在沒有過多的人為解釋的情況下，用這些模式來預測結果，而這些模式在普通的統計分析中是看不到的。                然而機器學習需要三個關鍵因素才能有效：                  a) 數據，大量的數據                     為了教給人工智慧新的技巧，需要將大量的數據輸入給模型，用以實現可靠的輸出評分。例如特斯拉已經向其汽車部署了自動轉向特徵，同時發送它所收集的所有數據、駕駛員的干預措施、成功逃避、錯誤警報等到總部，從而在錯誤中學習並逐步銳化感官。 一個產生大量輸入的好方法是通過感測器：無論你的硬體是內置的，如雷達，相機，方向盤等（如果它是一輛汽車的話），還是你傾向於物聯網(Internet of Things)。藍牙信標、健康跟蹤器、智能家居感測器、公共資料庫等只是越來越多的通過互聯網連接的感測器中的一小部分，這些感測器可以生成大量數據（多到讓任何正常的人來處理都太多）。

G. 求問什麼是專家系統

專家系統(expert system)是人工智慧應用研究最活躍和最廣泛的課題之一。 專家系統是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。也就是說，專家系統是一個具有大量的專門知識與經驗的程序系統，它應用人工智慧技術和計算機技術，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題，簡而言之，專家系統是一種模擬人類專家解決領域問題的計算機程序系統。 專家系統 expert system 運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種復雜的、具體的問題，達到與專傢具有同等解決問題能力的計算機智能程序系統。它能對決策的過程作出解釋，並有學習功能，即能自動增長解決問題所需的知識。 發展簡況 專家系統是人工智慧中最重要的也是最活躍的一個應用領域，它實現了人工智慧從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。20世紀60年代初，出現了運用邏輯學和模擬心理活動的一些通用問題求解程序，它們可以證明定理和進行邏輯推理。但是這些通用方法無法解決大的實際問題，很難把實際問題改造成適合於計算機解決的形式，並且對於解題所需的巨大的搜索空間也難於處理。1965年，f.a.費根鮑姆等人在總結通用問題求解系統的成功與失敗經驗的基礎上，結合化學領域的專門知識，研製了世界上第一個專家系統dendral ，可以推斷化學分子結構。20多年來，知識工程的研究，專家系統的理論和技術不斷發展，應用滲透到幾乎各個領域，包括化學、數學、物理、生物、醫學、農業、氣象、地質勘探、軍事、工程技術、法律、商業、空間技術、自動控制、計算機設計和製造等眾多領域，開發了幾千個的專家系統，其中不少在功能上已達到，甚至超過同領域中人類專家的水平，並在實際應用中產生了巨大的經濟效益。 專家系統的發展已經歷了3個階段，正向第四代過渡和發展。第一代專家系統（dendral、macsyma等）以高度專業化、求解專門問題的能力強為特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統（mycin、casnet、prospector、hearsay等）屬單學科專業型、應用型系統，其體系結構較完整，移植性方面也有所改善，而且在系統的人機介面、解釋機制、知識獲取技術、不確定推理技術、增強專家系統的知識表示和推理方法的啟發性、通用性等方面都有所改進。第三代專家系統屬多學科綜合型系統，採用多種人工智慧語言，綜合採用各種知識表示方法和多種推理機制及控制策略，並開始運用各種知識工程語言、骨架系統及專家系統開發工具和環境來研製大型綜合專家系統。在總結前三代專家系統的設計方法和實現技術的基礎上，已開始採用大型多專家協作系統、多種知識表示、綜合知識庫、自組織解題機制、多學科協同解題與並行推理、專家系統工具與環境、人工神經網路知識獲取及學習機制等最新人工智慧技術來實現具有多知識庫、多主體的第四代專家系統。 類型 對專家系統可以按不同的方法分類。通常，可以按應用領域、知識表示方法、控制策略、任務類型等分類。如按任務類型來劃分，常見的有解釋型、預測型、診斷型、調試型、維護型、規劃型、設計型、監督型、控制型、教育型等。 體系結構 專家系統與傳統的計算機程序系統有著完全不同的體系結構，通常它由知識庫、推理機、綜合資料庫、知識獲取機制、解釋機制和人機介面等幾個基本的、獨立的部分所組成，其中尤以知識庫與推理機相互分離而別具特色。專家系統的體系結構隨專家系統的類型、功能和規模的不同，而有所差異。 為了使計算機能運用專家的領域知識，必須要採用一定的方式表示知識 。目前常用的知識表示方式有產生式規則、語義網路、框架、狀態空間、邏輯模式、腳本、過程、面向對象等。基於規則的產生式系統是目前實現知識運用最基本的方法。產生式系統由綜合資料庫、知識庫和推理機3個主要部分組成，綜合資料庫包含求解問題的世界范圍內的事實和斷言。知識庫包含所有用「如果：〈前提〉，於是：〈結果〉」形式表達的知識規則。推理機（又稱規則解釋器）的任務是運用控制策略找到可以應用的規則。正向鏈的策略是尋找出前提可以同資料庫中的事實或斷言相匹配的那些規則，並運用沖突的消除策略，從這些都可滿足的規則中挑選出一個執行，從而改變原來資料庫的內容。這樣反復地進行尋找，直到資料庫的事實與目標一致即找到解答，或者到沒有規則可以與之匹配時才停止。逆向鏈的策略是從選定的目標出發，尋找執行後果可以達到目標的規則；如果這條規則的前提與資料庫中的事實相匹配，問題就得到解決；否則把這條規則的前提作為新的子目標，並對新的子目標尋找可以運用的規則，執行逆向序列的前提，直到最後運用的規則的前提可以與資料庫中的事實相匹配，或者直到沒有規則再可以應用時，系統便以對話形式請求用戶回答並輸入必需的事實。 早期的專家系統採用通用的程序設計語言（如fortran、pascal、basic等）和人工智慧語言（如lisp、prolog、smalltalk等），通過人工智慧專家與領域專家的合作，直接編程來實現的。其研製周期長，難度大，但靈活實用，至今尚為人工智慧專家所使用。大部分專家系統研製工作已採用專家系統開發環境或專家系統開發工具來實現，領域專家可以選用合適的工具開發自己的專家系統，大大縮短了專家系統的研製周期，從而為專家系統在各領域的廣泛應用提供條件。]