结合本人学习学习《人工智能原理及应用》，现做如下总结！！
概述：本文涵盖人工智能在现阶段主要的研究领域，包括：机器思维、机器学习、机器感知、机器学习的详细介绍等。
1、机器思维
机器思维主要模拟人类的思维功能。在人工智能中，与机器思维有关的研究主要包括推理、搜索、规划等。
这里对该概念就不再赘述了，感兴趣的同僚可以参考《人工智能原理及应用》
2、机器学习
机器学习是机器获取知识的根本途径，同时也是机器具有智能的重要标志，有人认为，一个计算机系统如果不具备学习功能，就不能称其为智能系统。机器学习有多重不同的分类方法，如果按照对人类学习的模拟方式，机器学习可分为符号学习和联结学习。
1）符号学习
符号学习是指从功能上模拟人类学习能力的机器学习方法，它使一种基于符号主义学派的机器学习挂点。按照这种观点，知识可以用符号来表示，机器学习过程实际是一种符号运算过程。对符号学习，可根据学习策略，即学习中所使用的推理方法，将其分为记忆学习、归纳学习、研一学习等。
记忆学习也叫死记硬背学习，它是一种最基本的学习方法，原因是任何学习系统都必须记住它们所获取的知识，以便将来使用。归纳学习是指以归纳推理为基础的学习，它是机器学习中研究较多的一种学习类型，其任务是要从关于某个概念的一系列一直的具体例子出发，归纳出一般的结论，像示例学习、决策树学习和统计学习等都是归纳学习方法。演绎学习是指以演绎推理为基础的学习，解释学习是一种典型的演绎学习方法，它是在领域知识的知道下，通过对单个问题求解例子的分析，构造出求解过程的因果解释结构，并对该解释结构进行概括化处理，得到用来求解类似问题的一般性知识。
2）联结学习
联结学习也称为神经学习，它是一种基于人工神经网络的学习方法。 现有研究表明，人脑的学习和记忆过程都是通过神经系统来完成的。在神经系统中，神经元及时学习的基本单元，也是记忆的基本单位。连接学习可以有多种不同的分类方法。比较典型的学习算法有感知器学习、BP网络学习和Hopfield网络学习等。
感知器学习实际上是一种基于纠错学习规则，采用迭代思想对联结权重和阈值进行不断调整，直到满足结束条件为止的学习算法。BP网络学习是一种误差反向传播网络学习算法。这种学习算法的学习过程由输出模式的正向传播过程和误差的反向传播过程组成。其中误差的反向传播过程用于修改各层神经元的连接权值，以肘部减少误差信号，直至得到所期望的输出模式为止。Hopfield网络学习实际上是要寻求系统的稳定状态，即从网络的初试状态开始逐渐向其稳定状态过度，直至达到稳定状态为止。至于网络的稳定性，则是通过一个能量函数来描述的。
3）知识发现和数据挖掘
知识发现（knowledge discover）和数据发觉（data mining）是在数据库的基础上实现的一种知识发现系统。他通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从数据库中提炼和抽取知识，从而可以揭示出蕴涵在这些数据背后的客观世界的内在联系和本质原理，实现知识的自动获取。
传统的数据库技术仅限于对数据库的查询和检索，不能够从数据库中提取知识，使得数据库中所蕴涵的丰富知识被白白浪费。知识发现和数据挖掘以数据库作为知识源去抽取知识，不仅可以提高数据库中数据的利用价值，同时也为各种智能系统的知识获取开辟了一条新的途径。目前，随着大规模数据库和互联网的迅速发展，知识发现和数据挖掘已从面向数据库的结构化信息的数据挖掘，发展到面向数据仓库和互联网的海量、半结构化或非结构化信息的数据挖掘。
参考：《人工智能原理及其应用》_王万森
整理不易！！ 转载请注明出处！