根据问题的实际情况不断寻找可利用的 知识,从而构造一条代价较少的推理路 线,使问题得到圆满解决的过程称为搜 索。搜索实用于:结构不良问题,无成 熟算法;或有算法,但问题复杂,如 博弈

虚拟现实(Virtual Reality,VR)是3D视频或虚拟世界，遮蔽了现实世界，增强现实(Augmented Reality,AR)则是将电子信息叠加于现实世界中，例如：军方的模拟飞行训练是VR、飞行员头盔上的信息提示是AR。 VR技术难点 其它连PC式头显 插手机式头盔 应用举例 AR Coming Magic Leap

3.2 归结演绎推理 3.3 应用归结原理求取问题答案 3.４ 归结策略 3.6 Horn子句归结与逻辑程序 3.7 非归结演绎推理

7.1 不确定性及其类型 7.2 不确定性知识的表示 7.3 不确定性推理的一般模式 7.4 确定性理论（可信度方法） 7.5 证据理论、7.6 模糊理论

1.(补充习题)判断以下公式对是否可合一若可合一,则求出最一般的合一 (3)P(f(x),y),P(y,f(b)) 解:令O=,S={p(f(x),y),P(y,f(b))} ①差异集为{f(x),y},做替换{f(x)/y},则 1=0of(x)y}={f(x)/y} S1 =S, ={P((x), f (x), P( f(x),(b)); ②差异集为{x,b},做替换{b/x},则

背景 MDPs 强化学习问题 蒙特卡洛方法 (Monte Carlo Methods) 蒙特卡洛预测（Monte Carlo Prediction） 蒙特卡洛控制（Monte Carlo Control） 时序差分学习 (Temporal-Difference Learning) 时序差分预测（TD Prediction） 时序差分控制（TD Control） Sarsa：on-policy Q-learning : off-policy 策略梯度 (Policy Gradient) Monte-Carlo Policy Gradient Actor-Critic Policy Gradient 深度强化学习 Deep Q-Networks (DQN) Policy Gradients for Deep Reinforcement Learning

EDA（Electronics Design Automation）即电子 设计自动化技术，是一种以计算机为基本工 作平台，利用计算机图形学、拓扑逻辑学、 计算数学以及人工智能学等多种计算机应用 学科的最新成果而开发出来的一整套软件工 具，是一种帮助电子设计工程师从事电子元 件产品和系统设计的综合技术

自动规划概述 经典规划 (Classical Planning) 规划问题 状态空间规划 (State-Space Planning) 规划空间规划 (Plan-Space Planning) 新经典规划 (Neoclassical Planning) 规划图技术 (Planning-Graph Techniques) Planning as {SAT, CSP, ILP, …} 经典规划的扩展 分层任务网规划 不确定规划 非确定规划 概率规划

深度学习简介 Neural Network Goodness of Function Pick the Best Function 前馈神经网络 Tips for Deep Learning 卷积神经网络（Convolutional Neural Network, CNN） 循环神经网络（Recurrent Neural Network, RNN） Keras CNN in Keras RNN in Keras

First-Order Logic Why FOL? Syntax and semantics of FOL Using FOL Knowledge engineering in FOL Inference in FOL Reducing first-order inference to propositional inference Unification (合一) Generalized Modus Ponens（一般化分离规则） Forward and backward chaining Resolution