为什么在一门简短的AI入门课程中只教授搜索算法？

我了解到搜索的概念在AI中很重要。有一个问题，这个网站关于这个话题，但人们还可以直观地理解为什么。我有一门关于AI的入门课程，为期半个学期，所以当然没有足够的时间来涵盖AI的所有主题，但是我希望学习一些AI理论（我听说过“代理” ”），但实际上我基本上学到了几种搜索算法，例如：

• BFS
• 统一成本搜索
• DFS
• 迭代深化搜索
• 双向搜寻

这些搜索算法通常归类为“盲目”（或“无知”），因为它们不考虑有关目标的剩余路径的任何信息。

或类似的算法：

• 启发式搜索
• 最佳优先搜索
• 一个
• 一个*
• IDA *

这类搜索通常属于“知情”搜索算法的类别，因为它们使用有关目标剩余路径的某些信息（例如“启发式”或“估计”）。

然后，我们还学习了“高级”搜索算法（专门应用于TSP问题）。这些算法是建设性的（例如，最近邻算法），局部搜索（例如，2-opt）算法或元启发式算法（例如，蚁群系统或模拟退火算法）。

我们还简要研究了适用于游戏的最小-最大算法和最小-最大的“改进”版本，即alpha-beta修剪。

学习完本课程后，我感到AI只是在“愚蠢地”或“更聪明地”进行搜索。

我的问题是：

• 为什么一位教授只在AI课程中教授搜索算法？优点/缺点是什么？下一个问题与此有关。

• 除了可以在入门课程中教授的AI“搜索”之外，还有什么？这个问题可能会导致主观答案，但实际上我是在试图了解AI的真正含义以及它真正涵盖的主题的背景下问的。显然，不幸的是，在阅读之后，看来这仍然是主观的。

• 是否有可以通过此类课程教授的AI理论？

人们对人工智能有很多误解，特别是关于使计算机像人类一样“思考”，模拟大脑，控制世界的科幻机器人，围绕大脑作为机器的所有哲学讨论等想法。 AI的概念是关于“使用计算来解决问题”，这基本上意味着您要解决任何问题，将其表示为计算问题，然后设计算法来解决计算问题，从而解决原始问题。这些搜索算法是用于通用计算问题的通用算法，即，任何现实世界的问题都可以由这些通用计算问题来表示，然后可以使用这些算法来解决它们。

请记住，它与问题解决有关，并且与可以代表任何现实问题的通用计算问题有关。

归结为，大多数AI问题都可以归类为搜索问题。让我们来看一些示例：

• 对象识别和场景构建（例如，获取周围环境的视听输入并以3D和上下文的方式理解它的过程）可以视为在输入中搜索已知对象。
• 解决数学问题可以看作是寻找解决方案。
• 玩视频游戏可被视为搜索对给定游戏状态的正确响应。

即使是最基本的聊天机器人，其特征也可以是找到对给定输入短语的“正确”响应以模仿人类语言！

由于搜索的这种普遍性，搜索算法是最早被认为是“ AI”的算法之一，并且经常构成许多AI教学课程的基础。在此搜索算法之上是直观且非数学的，这使AI领域有些可怕。这听起来像夸张，但我保证，如果您的讲师使用流形学习技术开课，那么当他们提到“协方差矩阵的本征值”时，您班上的一半就已经被淘汰。

现在，搜索算法并不是解决这些问题的唯一方法。我建议每位AI从业者都熟悉数据科学和机器学习算法的概念。ML通常与搜索算法相关，但是它们使用的技术可能与以下各项有很大不同：分类器/回归的迭代构建（例如C4.5构建决策树），如您所述的元启发式算法和从中静态生成的分类器/回归训练数据的分析（例如，朴素贝叶斯（Naive Bayesian）实际上是基于贝叶斯对给定数据进行分析的分类器，假设输入字段是独立的-这就是它的名字的“天真”）。ML算法通常是在AI研究小组中开发的，有时可以针对特定问题而设计，而不是一般形式的算法。

为什么一位教授只在AI课程中教授搜索算法？优点/缺点是什么？

我对这个问题的回答是，有很多问题可以通过搜索找到解决方案。以井字游戏为例。如果您正在为此设计一个智能的计算机播放器，那么您将要做的是形成一个搜索空间，然后搜索可以做出结论的最佳动作。在这些情况下，您必须了解最佳搜索策略。让我们再举一个例子，假设您正在开车，并且想去一个陌生人的房子。它离您的地方很远，您决定使用GPS。您的GPS将使用搜索算法找到您可以到达目的地的最佳路线（当然，要考虑交通等诸多因素，但这是基本思路）。

缺点仅在于处理和存储方面。对于慢速算法，您也将浪费大量CPU时间和存储空间，但对于高效高效的算法，则可以保留大量空间，并且可以非常快速地执行任务。当然，仅学习搜索不是AI。还有更多的东西。

除了可以在入门课程中教授的AI“搜索”之外，还有什么？

AI中除了搜索外还有很多东西。例如，学习技术（有监督，无监督，加强），计划何时要设计一个系统，该系统将独立智能地执行某些操作，知识（已知和未知）的表示以及代理中的推论（包括命题逻辑和一阶逻辑）逻辑等

AI背后是否有可以通过此类课程教授的理论？

可以教授一些主题，例如关于不同类型的代理（简单反射，基于模型，基于目标，基于效用和学习代理），代理在其中工作的不同类型的环境，代理的评估。可能还有一些其他介绍性主题，例如自然语言处理，专家系统等。