野鸢尾
在我苦难的尽头 有一扇门。 听我说完:那被你称为死亡的 我还记得。 头顶上，喧闹，松树的枝杈晃动不定。 然后空无。微弱的阳光 在干燥的地面上摇曳。 当知觉 埋在黑暗的泥土里， 幸存也令人恐怖。 那时突然结束了:你所惧怕的，作为 一个灵魂却不能 讲话，突然结束了，僵硬的土地 略微弯曲。那被
HTML语言基础
基本代码结构 一个完整的html代码，必须要包含<html><head><body>三个标签。 <html></html>：表明该对标签之间的代码是html的全部内容。 <head></head>：网页的元信息，不会显示在页面中，包括字符编码、作者、标题等。 <body></body>：网页的页面内
智能系统——不确定性知识
真实世界的知识极少是确定无疑的。医疗诊断中"头痛且发烧则患感冒"的规则只能达到0.8的可信度，气象预报中"明天可能下大雨"的描述既不确定也不确切。这种"不确定性"与"不确切性"的普遍存在，使得前述基于二值逻辑的推理框架在工程应用中寸步难行。本章作为本科"智能系统"课程的关键转折，将系统讲授如何在知识
智能系统——知识表示
前两章分别以谓词逻辑和产生式规则为核心，解决了"如何用形式化语言精确表达知识"以及"如何用规则高效驱动推理"的问题；然而，现实世界的知识具有结构性、层次性、过程性与关联性等多重特征，单一表示方法难以胜任。本章正是对这一需求的回应——在本科"智能系统"课程中，知识表示是连接"推理算法"与"领域应用"的
智能系统——基于规则系统的机器推理
谓词逻辑以形式化的精确表达见长，却在工程实践中面临规则爆炸、推理效率低下、知识获取瓶颈等困境。产生式系统作为符号主义AI走向实用的关键桥梁，将逻辑规则转化为"IF-THEN"式的产生式规则，既保留了形式化推理的严谨性，又赋予系统更接近人类专家经验的表达灵活性，成为早期专家系统（如MYCIN、DEND
智能系统——基于谓词逻辑的机器推理
在人工智能的诸多技术路线中，符号主义AI以其可解释性强、推理过程透明的特点，至今仍是理解智能系统运作机制的重要基础。谓词逻辑作为符号主义的知识表示与推理核心工具，为后续学习专家系统、知识图谱、自动定理证明等内容奠定了不可或缺的理论基础。 本章内容围绕"知识如何被形式化表示"与"机器如何基于形式化知识
智能系统——与或图搜索
与或图，是将复杂问题拆解为子问题，并表达子问题间“并且（与）/或者（或）”逻辑的有向图，它的节点分为与节点（其子节点必须全真才真）和或节点（其子节点必须全假才假）。普通的状态图等同于一个全是或节点的与或图。与或图搜索的难点在于，一方面，其必须一边扩展节点一边判断子节点和父节点的逻辑关系；另一方面，当
智能系统——状态图搜索
写在开始之前：本笔记整理自西北工业大学2026年春智能系统课程内容，在此感谢老师以及助教的辛苦付出！ 智能系统，笔者上之前以为是教我怎么做一个完整的、以人工智能为主要内容的项目系统，但实际上是在讲人工智能从符号主义起源到当下连接主义盛行的历史发展过程中探索出的各种算法和系统。其实笔者上着感觉非常轻松
机器学习——模型评估与工程实践
在机器学习任务中，我们通常将原始数据集划分为三个互斥的部分：训练集、验证集和测试集。这种划分是评估模型泛化能力、防止过拟合的基础。同时，偏差与方差的权衡贯穿模型选择与评估的始终，是理解模型行为、指导改进方向的核心视角。 1. 数据集划分与模型拟合理论 - 训练集、验证集、测试集的定义与功能 - 常见
机器学习——特征工程与数据准备
数据准备通常可以分为四个紧密衔接的部分：数据收集、数据清洗、特征工程和数据集划分。它们在实际项目中往往相互影响、反复迭代，共同决定模型能否被有效训练。特征工程则是把原始数据转化成更适合学习任务的特征表达，在传统机器学习中，其质量往往比模型选择更能决定最终效果。 1. 机器学习数据准备 - 数据准备的
