人工智能导论笔记精华（知识图谱与机器学习篇）

简介：
本笔记整理了《人工智能导论》中关于知识图谱和机器学习的核心内容，提炼关键概念、算法原理及应用实践，适合初学者快速掌握AI基础知识。 《人工智能导论笔记总结——知识图谱与机器学习》 一、知识图谱 作为一种将复杂关系以图形形式展示的语义网络，知识图谱揭示了实体之间的联系，并且通常由多种类型的节点（代表实体）和边（表示关系）构成。基于符号表示的知识图谱强调逻辑结构，分为数据层和模式层。 1. 模式层作为知识图谱的基础架构，以本体论为理论依据定义了数据的组织模式及相互关系。 2. 数据层则包含了具体的实体及其关联信息，并根据预设的数据模型进行组织。构建过程可以采用自顶向下或自下向上两种方式：前者先设计好数据结构再填充具体实例；后者则是从现有数据中归纳出模式。 知识图谱的存储需要考虑如何高效地保存和检索其复杂的结构性信息，涉及多个步骤如知识提取、实体对齐（融合）、构建模型以及质量评估等。 二、机器学习 通过分析数据中的规律来提升预测或决策能力是机器学习的核心。掌握基本术语对于理解该领域至关重要： 1. 数据集是指所有用于训练的数据集合。 2. 每个独立记录被称为样本，描述了一个特定事件或对象的特征。 3. 特征或者属性代表了样本在某一方面的表现，共同构成一个特征向量。 4. 学习过程是通过算法利用数据构建模型的过程。 5. 训练集用于训练机器学习模型；而单个实例则称为训练样本。 6. 标签提供预期结果信息，在监督学习中特别重要。 7. 误差衡量了预测值与实际值之间的差异，对于评估模型性能至关重要。 8. 验证方法如10折交叉验证被用来检验算法的泛化能力。 三、机器学习算法 根据是否需要标签指导可以将机器学习分为以下几类： 1. 监督学习涵盖分类（例如决策树、贝叶斯网络等）和回归问题（比如线性回归）。 2. 无监督学习如聚类，适用于未标记数据，并旨在发现其内在结构。 3. 半监督学习则结合了前两者的特点，在少量标签的情况下进行训练。 整个机器学习流程包括：从收集原始资料到预处理、特征选择与构建；模型的建立（划分训练集和测试集、算法的选择及优化）以及最终评估阶段。常用的评价标准有混淆矩阵中的准确率、精确度等，而验证方法则涵盖留出法、交叉验证如K折交叉验证或自助法。 总结：该导论概述了知识图谱构建与理解的要点，并深入探讨了机器学习的基本概念及其算法和评估方式。通过深入了解这些知识点，我们可以更好地运用人工智能技术解决实际问题。