# 人工智慧

## 第一章

### 專家系統的局限性是什麼?
局限於非常狹小的專業領域只有非常有限的解釋能力很難進行核對與驗證沒有從經驗中學習的能力
### 什麼是弱方法?
對於不熟悉的問題時，因而無法使用特定策略來解決，就會轉而使用一些通用方法，此方法可解決的涵蓋領域極廣
### 什麼是GDRP?
一套處理與保護歐盟居民個人資料而建立的規則

## 第二章

### 描述前項連結推理技術，並舉個例子。
每個理論都或被激發，其餘無關的資訊都會被執行，會降低速度減少效率。
已知A、B、C，然後D->E、C->F、A+B->D，求E?
程式會先執行D->E，但是發現他不能執行，隨後往下進行直到完全結束才又重頭來，其中C->F這筆資料就是多餘的資訊。
### 描述後項連結推理技術，並舉個例子。
從事實往前推算，只取得所需的理論，可以有效地增加效率。
已知A、B、C，然後D->E、C->F、A+B->D，求E?
程式會判斷E是從哪裡來，得到這個D->E，在判斷D是否已知，如果沒有則繼續，A+B->D，最後A、B都知道了，程式結束。
### 什麼是規則衝突，如何解決規則衝突，說明基本的衝突解決方法
規則衝突就是兩個if都被激發，但是他們的規則互相衝突，可能要查看程式碼找出衝突的地方並修改或是只執行第一次觸發的規則。
### 說明基於規則專家系統的優缺點
優點:匯聚大多數的專家的知識，從而提供建議或協助專家從事工作。
缺點:未具備從經驗中學習的能力、局限於非常狹小的專業領域。

## 第三章

### 什麼是不確定性？什麼是專家系統中不確定知識的來源？
缺乏使我們可以得到完美可信結論的確切知識。
薄弱的蘊含關係、不精確的語言。
### 用數學方法描述在事件B已發生的條件下，事件A發生的機率?
p(A|B)
### 什麼是貝氏推理？
將事前的機率，轉換成事後機率

### 事前機率和條件機率
:::info
:::
### E3證據
:::info
:::
### E1E3證據
:::info
:::
### E1E2E3證據
:::info
:::

## 第四章

### 什麼是模糊集合與隸屬函數?請試著定義男性體重論域上可能的模糊集合
利用比較人性化的邏輯來定義集合的規則。其值介於0到1之間，用來反映模糊集合的狀態。
男性平均體重為68.6，其隸屬函數為1，男生為集合，體重只是裡面的一個物件。
### 什麼是模糊推理，並說明模糊推理過程的主要步驟
使用模糊集合論，將給定輸入對應到輸出的過程。
輸入變數的模糊化->規則評估->聚合規則的輸出->最終的解模糊化。
### 開發模糊專家系統的主要步驟有哪些
指定問題並定義語言變數。
定義模糊集合。
抽取並構造模糊規則。
做模糊集合、模糊規則和過程的編碼以在專家系統中執行模糊推理。
評估並調整系統。

## 第五章

使用感知器進行OR邏輯閘分類學習
門檻值：threshold = 0.1
學習率：α = 0.2
激勵函數使用步階函數(Step Function)

## 第六章

### 使用類神經網路解決分類類型的問題，為什麼在輸出層通常會使用Softmax Function來建立一層Softmax Layer?
因為通常神經網路輸出的結果可能為任何值，如果沒有給定方程式，這會使神經網路輸出的結果難以解釋。
### 為什麼要使用梯度下降法來進行類神經網路參數的調整？
因為它可以比較精確地找到我們要的範圍，如果太小就往右移動，反之則往左。
### 梯度下降法有甚麼缺點？可以如何改善？請分別針對缺點進行說明。
執行效率很緩慢，可以設定batch size的數值，不要讓他太大，這樣執行起來會更有效率一點。
無法保證能找到全域最佳結果，可以找到一些方法來避免落入全域最小值。

## 第七章

### 若要設計一個神經網路來進行貓跟狗圖片的辨識，圖片解析度為32*32，請用文字說明建構一個適合的神經網路架構。
我覺得可以先從網路抓取大量的貓狗照片，先從體型開始做區別，利用聚類特徵先判別體型然後是嘴巴的部分。因為狗的嘴巴大部分都是較為突出，我們可以從這邊下手來去判斷這張照片是否為貓咪或狗狗。在訓練過程中，就可以運用Kohonen來模擬訓練，慢慢縮減那些不必要的特徵，把狗狗跟貓咪的獨立特徵給顯示出來，重複訓練個50次左右，這些特徵應該就足夠明顯了，再來就是把它運用在二維樣本空間裡面，圖片放上去之後，開始去除不必要的部分，只留下那些特徵部分，再利用之前的訓練範本，來判斷是貓咪還是狗狗。
### 請說明自組織映射網路(SOM)的觀念
比較像是模擬大腦皮層的處理結構，需要有大量的實例才能盡可能地趨近於期望的值，大量數據的給定會縮小目標的範圍。