一、人工智能元知识？
人工智能知识表示，包括知识表示概念、分类、基本方法等。人工智能知识表示，包括知识表示概念、分类、基本方法等。元知识可用来描述一类知识或知识集合所包含的内容、基本结构和一般特征。没有元知识,人们无法描述知识、使用知识和认识知识。在自动控制与人工智能等系统领域中,一般把使用和控制该系统领域知识的知识称为元知识。
元知识不是领域知识,不能解决具体知识领域问题；而是关于各领域知识的性质、结构、功能、特点、规律、组成与使用的知识,是管理、控制和使用领域知识的知识。
二、研究人工智能的知识需要哪些基础知识？
需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。
数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。
今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。
线性代数将研究对象形式化，概率论描述统计规律。
需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。
需要掌握至少一门编程语言，比如C语言，MATLAB之类。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。拓展资料：人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
人工智能可以对人的意识、思维的信息过程的模拟。
人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。
三、人工智能需要的数学知识和物理知识？
AI的基础应该是数学，把现在已知的，甚至未知的数学理解、探索、融汇贯通达到先有“能”，有计算与判断的能力；再有“智”，有理性、感性去分析判断问题的智力。注意：人工智能对物理知识的需求应该是较少的，他对语言学、哲学、心理学、社会学的需求都可能比物理学多。
四、人工智能获取知识的主要途径？
需要构建与世界联系的通道、发展拟人的感知系统，从而让机器像人那样感知世界。
人工智能如何嵌入世界？
知道是人的一种心智状态，它是一个命题态度；某人知道某个命题，该命题构成了他或者她的知识。知识被认为是得到证成的真信念（justified true belief），这是被广泛接受的定义，尽管它招致盖提尔难题的困扰。这里“证成”是一个给出理由的过程或行为，“真的”（true）是一个形而上学概念，而“信念”（belief）则是人的心灵中对命题的某个内在状态。“真”是无法被观察到的命题的性质，它作为知识的要素被质疑；至于证成，没有一个统一的标准评判一个信念如何得到证成。而知识是相关主体的一种内在的认知态度，则是没有什么异议的。
五、人工智能知识获取的过程？
人构造概念以认识世界，人的认知与人的身体密切相关。
计算机是人类心灵的延伸；而人类发明的各种认知用仪器（机器）是人类感官的延伸，它们是数据形成函数。
因此，我们可以将人类的概念嵌入到计算机之中让它概念化世界，同时连接人造的感知系统以数据化世界，从而实现人工智能。这样的人工智能是拟人类的或者准人类的，它们能够“像”人那样获得外部世界的知识。
由于嵌入进计算机的概念是人类的，人造感知系统即数据形成函数也是基于人类的科学理论的，这样的人工智能所获得的知识也是人能够理解的。
六、人工智能知识的分类方法？
各种以知识和符号操作为基础的智能系统,其问题求解方法都需要某种对解答的搜索。不过,在搜索过程开始之前,必须先用某种方法或某几种方法集成来表示问题。这些表示题的方法,可能涉及状态空间、问题归约、语义网络、框架或谓词公式,或者把问题表示为一条要证明的定理,或者采用结构化方法等。
对于传统人工智能问题,任何比较复杂的求解技术都离不开两方面的内容一一表示与搜索。对于同一问题可以有多种不同的表示方法,这些表示具有不同的表示空间。问题表示的优劣,对求解结果及求解效率影响甚大。
problem solving
1.状态空间表示
问题求解(problem solving)是个大课题,它涉及归约、推断、决策、规划、常识推理、定理证明和相关过程等核心概念。在分析了人工智能研究中运用的问题求解方法之后,就会发现许多问题求解方法是采用试探搜索方法的。
也就是说,这些方法是通过在某个可能的解答空间内寻找一个解来求解问题的。这种基于解答空间的问题表示和求解方法就是状态空间法,它是以状态和算符(operator)为基础来表示和求解问题的。
2.问题归约表示
问题归约( problem reduction)是另一种基于状态空间的问题描述与求解方法。已知问题的描述,通过一系列变换把此问题最终变为一个子问题集合;这些子问题的求解可以直接得到,从而解决了初始问题。
问题归约表示可由下列3部分组成:
(1)一个初始问题描述;
(2)一套把问题变换为子问题的操作符;
(3)一套本原问题描述（不能再被分割的问题）；
从目标（要解决的问题）出发逆向推理，建立子问题以及子问题的问题，直至最后把初始问题归约为一个平凡的本原问题集合，这就是问题归约的实质。
predicate calculus
3.谓词逻辑表示
虽然命题逻辑( propositional logic)能够把客观世界的各种事实表示为逻辑命题,但是它具有较大的局限性,不适合于表示比较复杂的问题。谓词逻辑( predicate logic)允许表达那些无法用命题逻辑表达的事情。
逻辑语句,更具体地说,一阶谓词演算( first order predicate calculus)是一种形式语言，其根本目的在于把数学中的逻辑论证符号化。如果能够采用数学演绎的方式证明一个新语句是从那些已知正确的语句导出的，那么也就能断定这个新语句也是正确的。
4.语义网络表示
语义网络是知识的一种结构化图解表示,它由节点和弧线或链线组成。节点用于表示实体、概念和情况等,弧线用于表示节点间的关系。
语义网络表示由下列4个相关部分组成：
(1)词法部分 决定词汇表中允许有哪些符号,它涉及各个节点和弧线。
(2)结构部分 叙述符号排列的约束条件,指定各弧线连接的节点对。
(3)过程部分 说明访问过程,这些过程能用来建立和修正描述,以及回答相关问题
(4)语义部分 确定与描述相关的(联想)意义的方法,即确定有关节点的排列及其占有物和对应弧线。
procedure
5.框架表示
心理学的研究结果表明,在人类日常的思维和理解活动中,当分析和解释遇到新情况时,要使用过去经验积累的知识。这些知识规模巨大而且以很好的组织形式保留在人们的记忆中。例如,当走进一家从未来过的饭店时,根据以往的经验,可以预见在这家饭店将会看到菜单、桌子、服务员等。当走进教室时,可以预见在教室里可以看到椅子、黑板等。
人们试图用以往的经验来分析解释当前所遇到的情况,但无法把过去的经验一一都存在脑子里,而只能以一个通用的数据结构的形式存储以往的经验。这样的数据结构称为框架( frame)。框架提供了一个结构,一种组织。在这个结构或组织中,新的资料可以用经验中得到的概念来分析和解释。因此,框架也是一种结构化表示法。
6.过程表示
语义网络和框架等知识表示方法,均是对知识和事实的一种静止的表达方法,称这类知识表达方式为陈述式知识表达,它强调的是事物所涉及的对象是什么,是对事物有关知识的静态描述,是知识的一种显示表达形式。而对于如何使用这些知识,则通过控制策略来决定。
与知识的陈述式表示相对应的是知识的过程( procedure)表示。所谓过程表示就是将有关某一问题领域的知识,连同如何使用这些知识的方法,均隐式地表达为一个求解题的过程。它所给出的是事物的一些客观规律,表达的是如何求解问题。知识的描述形式就是程序,所有信息均隐含在程序之中。从程序求解问题的效率上来说,过程式表达的效率要比陈述式表达高得多。但因其知识均隐含在程序中,因而难以添加新知识和扩充功能,适用范围较窄。
七、人工智能系统的知识不包含？
人工智能技术不包括除了下列五种之外的。
人工智能技术包括五大核心技术：计算机视觉，机器学习，自然语言处理，机器人技术，生物识别技术。
1、计算机视觉：
计算机视觉技术运用由图像处理操作及机器学习等技术所组成的序列来将图像分析任务分解为便于管理的小块任务。
2、机器学习：
机器学习是从数据中自动发现模式，模式一旦被发现便可以做预测，处理的数据越多，预测也会越准确。
3、自然语言处理：
对自然语言文本的处理是指计算机拥有的与人类类似的对文本进行处理的能力。例如自动识别文档中被提及的人物、地点等，或将合同中的条款提取出来制作成表。
4、机器人技术：
近年来，随着算法等核心技术提升，机器人取得重要突破。例如无人机、家务机器人、医疗机器人等。
5、生物识别技术：
生物识别可融合计算机、光学、声学、生物传感器、生物统计学，利用人体固有的生体特性如指纹、人脸、虹膜、静脉、声音、步态等进行个人身份鉴定，最初运用于司法鉴定
八、人工智能需要哪些物理知识？
ai的基础应该是数学，把现在已知的，甚至未知的数学理解、探索、融汇贯通达到先有“能”，有计算与判断的能力；再有“智”，有理性、感性去分析判断问题的智力。
人工智能对物理知识的需求应该是较少的，他对语言学、哲学、心理学、社会学的需求都可能比物理学多
九、人工智能测试基础知识？
门槛一、数学基础
我们应该了解过，无论对于大数据还是对于人工智能而言，其实核心就是数据，通过整理数据、分析数据来实现的，所以数学成为了人工智能入门的必修课程!
数学技术知识可以分为三大学科来学习：
1、线性代数，非常重要，模型计算全靠它~一定要复习扎实，如果平常不用可能忘的比较多;
2、高数+概率，这俩只要掌握基础就行了，比如积分和求导、各种分布、参数估计等等。
提到概率与数理统计的重要性，因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的，参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作，概统是核心课程，没有之一。当拿到现成的算法时，仅需要概率基础知识就能看懂，然后需要比较多的线代知识才能让模型高效的跑起来。
3、统计学相关基础
回归分析(线性回归、L1/L2正则、PCA/LDA降维)
聚类分析(K-Means)
分布(正态分布、t分布、密度函数)
指标(协方差、ROC曲线、AUC、变异系数、F1-Score)
显著性检验(t检验、z检验、卡方检验)
A/B测试
门槛二、英语水平
我这里说的英语，不是说的是英语四六级，我们都知道计算机起源于国外，很多有价值的文献都是来自国外，所以想要在人工智能方向有所成就，还是要读一些外文文献的，所以要达到能够读懂外文文献的英语水平。
门槛三、编程技术
首先作为一个普通程序员，C++ / Java / Python 这样的语言技能栈应该是必不可少的，其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用。
人工智能入门的三道门槛，都是一些必备的基础知识，所以不要嫌麻烦，打好基础很关键!
十、人工智能基础知识详解？
人工智能基础知识包括机器学习、深度学习、自然语言处理等。机器学习是让计算机通过数据学习并改进性能的方法，包括监督学习、无监督学习和强化学习。
深度学习是一种机器学习方法，通过模拟人脑神经网络的结构和功能来实现对复杂数据的学习和理解。
自然语言处理是让计算机理解和处理人类语言的技术，包括文本分类、情感分析、机器翻译等。这些基础知识是人工智能发展的核心，对于构建智能系统和解决实际问题具有重要意义。