当前课程知识点：人工智能原理 > Part III. Reasoning: Chapter 7. Reasoning by Knowledge（第III部分 推理：第7章 知识推理） > 7.6 Summary（小结） > html
Knowledge representation captures information. Its typical methods are semantic network, first order logic, production system, ontology and Bayesian network.
知识表示捕捉信息。其代表性的方法是：语义网络、一阶逻辑、产生式系统、本体和贝叶斯网络。
Ontological engineering is to study the methods and methodologies for building ontologies.
本体工程是研究构建本体的方法和方法学。
Uncertain knowledge can be handled by probability theory, utility theory and decision theory.
不确定性知识可以用概率论、效用论和决策论来处理。
Bayesian networks can represent essentially any full joint probability distribution and in many cases can do so very concisely.
贝叶斯网络基本上可以表示任意的全联合概率分布，并且在许多情况下可以做的非常简洁。
-1.1 Overview of Artificial Intelligence (人工智能概述)
--Video
-1.2 Foundations of Artificial Intelligence(人工智能基础)
--Video
-1.3 History of Artificial Intelligence(人工智能历史)
--Video
-1.4 The State of Artificial Intelligence(人工智能现状)
--Video
-1.5 Summary (小结)
--html
-Part I. Basics: Chapter 1. Introduction
-2.1 Approaches for Artificial Intelligence(人工智能研究途径)
--Video
-2.2 Rational Agents (理性主体)
--Video
-2.3 Task Environments (任务环境）
--Video
-2.4 Intelligent Agent Structure （Agent的结构）
--Video
-2.5 Category of Intelligent Agents（Agent的分类）
--Video
-2.6 Summary（小结）
--html
-Part I. Basics: Chapter 2. Intelligent Agent
-3.1 Problem Solving Agents（问题求解Agent）
--Video
-3.2 Example Problems（问题实例）
--Video
-3.3 Searching for Solutions（通过搜索求解）
--Video
-3.4 Uninformed Search Strategies（无信息搜索策略）
--Video
--Video
--Video
--Video
--Video
--Video
-3.5 Informed Search Strategies（有信息搜索策略）
--Video
--Video
-3.6 Heuristic Functions（启发式函数）
--Video
-3.7 Summary（小结）
--html
-Part II. Searching: Chapter 3. Solving Problems by Search
-4.1 Overview（概述）
--Video
-4.2 Local Search Algorithms（局部搜索算法）
--Video
--Video
--Video
-4.3 Optimization and Evolutionary Algorithms (优化和进化算法）
--Video
-4.4 Swarm Intelligence and Optimization(群体智能和优化)
--Video
-4.5 Summary（小结）
--html
-Part II. Searching: Chapter 4. Local Search and Swarm Intelligence
-5.1 Games（博弈）
--Video
-5.2 Optimal Decisions in Games（博弈中的优化决策）
--Video
-5.3 Alpha-Beta Pruning（Alpha-Beta剪枝）
--Video
-5.4 Imperfect Real-time Decisions（不完美的实时决策）
--Video
-5.5 Stochastic Games（随机博弈）
--Video
-5.6 Monte-Carlo Methods（蒙特卡洛方法）
--Video
-5.7 Summary（小结）
--html
-Part II. Searching:
-6.1 Constraint Satisfaction Problems (约束满足问题)
--Video
-6.2 Constraint Propagation: Inference in CSPs（约束传播：CPS中的推理）
--Video
-6.3 Backtracking Search for CSPs（CPS的回溯搜索）
--Video
-6.4 Local Search for CSPs（CPS局部搜索）
--Video
-6.5 The Structure of Problems（问题的结构）
--Video
-6.6 Summary（小结）
--html
-Part II. Searching: Chapter 6. Constraint Satisfaction Problem
-7.1 Overview（概述）
--Video
-7.2 Knowledge Representation（知识表示）
--Video
-7.3 Representation using Logic（逻辑表示）
--Video
-7.4 Ontological Engineering（本体工程）
--Video
-7.5 Bayesian Networks（贝叶斯网络）
--Video
-7.6 Summary（小结）
--html
-Part III. Reasoning: Chapter 7. Reasoning by Knowledge
-8.1 Planning Problems（规划问题）
--Video
-8.2 Classic Planning（经典规划）
--Video
-8.3 Planning and Scheduling（规划与调度）
--Video
-8.4 Real-World Planning（现实世界规划）
--Video
-8.5 Decision-theoretic Planning（决策理论规划）
--Video
-8.6 Summary（小结）
--html
-Part IV. Planning: Chapter 8. Classic and Real-world Planning
-9.1 What is Machine Learning（什么是机器学习）
--Video
-9.2 History of Machine Learning（机器学习的历史）
--Video
-9.3 Why Different Perspectives（为什么需要不同的视角）
--Video
-9.4 Three Perspectives on Machine Learning（机器学习的三个视角）
--Video
-9.5 Applications and Terminologies（机器学习的应用及有关术语）
--Video
-9.6 Summary（小结）
--html
-Part V. Learning: Chapter 9. Perspectives about Machine Leaning
-10.1 Classification（分类）
--Video
-10.2 Regression（回归）
--Video
-10.3 Clustering（聚类）
--Video
-10.4 Ranking（排名）
--Video
-10.5 Dimensionality Reduction（降维）
--Video
-10.6 Summary（小结）
--html
-Part V. Learning: Chapter 10. Tasks in Machine Learning
-11.1 Supervised Learning Paradigm（有监督学习范式）
--Video
-11.2 Unsupervised Learning Paradigm（无监督学习范式）
--Video
-11.3 Reinforcement Learning Paradigm（强化学习范式）
--Video
-11.4 Other Learning Paradigms（其他学习范式）
--Video
-11.5 Summary（小结）
--html
-Part V. Learning: Chapter 11. Paradigms in Machine Learning
-12.1 Probabilistic Models（概率模型）
--Video
-12.2 Geometric Models（几何模型）
--Video
-12.3 Logical Models（逻辑模型）
--Video
-12.4 Networked Models（网络模型）
--Video
-12.5 Summary（小结）
--html
-Part V. Learning: Chapter 12. Models in Machine Learning
