前话：
以前说工欲善其事，必先利其器。现在开源的时代，器械不需要从头开始打磨，反而是工具太多，需要的是辨析工具，不被概念忽悠的能力。
学习目的是为了机器学习的理念做基本积累，同时也为了把知识门户的搜索端做的更好。
知识门户，主要是为了做部门一些分散到各专业的知识的索引，想着是个统一搜索的入口。以及把智能客服机器人的研究成果纳入到搜索结果中。
而且作为最火的ABCD的A，是该稍微了解下。
第一章 绪论
智能既要求推理又要求正当的行动。
人工智能的基础包括，哲学、数学、经济学、神经科学、心理学、计算机工程、控制论、语言学等。
知识表示与推理的核心原则：有益的是对世界及其运作具有某种形式的、明确的表示，并且能够使用演绎过程来处理那种表示。
采用更多数据带来的性能提升超过选用算法带来的性能提升。
只要学习方法有足够的数据可用，就可以使用学习方法，而不是通过手工编码的知识工程。
第二章 智能Agent
理性Agent的概念是人工智能方法的核心。
Agent通过传感器感知环境并通过执行器对所处环境产生影响。
感知序列的概念，是所有输入数据的完整历史。
在设计Agent的性能度量的时候，最好是根据实际在环境中希望得到的结果来设计性能度量，而不是根据Agent表现出来的行为。
收集-> 学习。最初设定可能是反映的先验知识，但知识会被改变和增加。只依赖于先验知识的Agent缺乏自主性。
Agent一开始是无法完全自主的，行为往往具有随机性，给人工智能的Agent提供一些初始知识以及学习能力是合理的。
在一些竞争环境中，随机行为是理性的，原因是这样可以避免预测中的缺陷。这句话比较难以理解。作者要表达的意思应该是现实环境中不可预测因素太多，Agent环境出现随机变化时，相对应的随机行为要表现为理性行为。
设计Agent时，第一步总是把任务空间定义得尽可能完全，包括性能度量、外部环境、执行器和传感器。
简单反射Agent直接对感知信息做出反应；基于模型的反射Agent保持内部状态，根据历史反映当前看不到的信息；基于目标的Agent的行动是为了达到目标；基于效用的Agent试图最大化它期望的“快乐”。
建造会学习的机器，然后教育它们。学习Agent的通用模型包括学习元件、性能元件、评判元件、问题产生器（建议进行某种探索性行动）。
表示的状态：原子->要素->结构。要素化表示将原子集合起来，结构化则能表达对象之间的关系。
本节完毕。
网友评论