13.1 举例说明什么是数据，信息与知识，以及他们之间的关系
数据：是客观世界的计量及其最简单的表征方式，数据表现为事实、信号或者符号。
信息：是赋予含义的数据，可通过一些手段进行传播。
知识：则是信息的加工凝练，是关于信息的释义。
智慧：是对知识的高度总结和提升，是作出明智决定和判断的经验。
举例说明：
对于银行的顾客来说，数字10000和数字2在没有任何上下文关系的情况下只是一种数据；若10000被存进银行，作为定期存款的本金，2%是一年定期存款的利率，那么这些数字就变成了一部分信息。若上述10000作为本金定期存款一年，则一年后连本带利可以拿到10200元，这就变成了知识；顾客在银行存款、基金、股票以及其他金融产品上做出相应的决策并获得更多的收益，这就是智慧。
13.2 回顾知识表示的历史，论述研究知识表示的意义。
知识表示最早可以追溯到计算机语义网络，它采用网络形式来表示概念以及概念之间的语义关系。
知识表示研究如何将人类的知识表征为计算机系统可以处理的形式，以便进行推理和解决复杂的问题。所谓的负责问题主要指的是知识处理问题。而不是一般的计算或数据处理问题。医疗诊断专家系统、聊天软件等，都需要用自然语言进行对话，知识表示就派上了用场。常见的过程性知识可以用过程性编程语言加以描述，对于陈述性知识而言需要一种特殊的知识表现形式才可以，而常见的过程性表示对解决复杂问题并非是一种好的方法。
什么是知识表示：
关注于设计计算机表示来采集关于世界的知识，可以解决复杂的问题，并将知识通过这种表现新三国hi存放在知识库中。
13.3 论述可能世界的六个命题和三种性质，并举出相应的例子
可能世界与命题之间有着密切的关系。在任何给定的可能世界中，包括现实世界在内，每个命题都存在一种模式状态，因此一个命题就可以用它所在的世界的模式状态来表示：
（1）真命题：真命题指的是在现实世界中为真的命题，例如：人总是要死的
（2）假命题: 假命题指的是在现实世界中为假的命题，例如：人会长生不老
（3）可能命题：至少在一个可能世界中为真的命题成为可能命题。例如：明天是晴天
（4）不可能命题：指的是任何世界中都不为真，亦被称为必然假命题。例如：张三和李四同时比对方高。
（5）必然为真命题：亦称为必然命题，即使在所有的可能世界都为真的命题。例如：所有的单身汉都未婚。
（6）偶然命题：指的是在某些可能世界为真，而在其他世界为假的命题。例如：苹果会掉在地上（月球上不会）
上述六种命题还可以归结三种性质：
（1）可能性：至少在一个可能世界中为真，则称其为可能性。
（2）必然性：当且仅当在所有的可能世界都为真，才被认为是必然性。
（3）偶然性：在某些可能世界为真而在其他世界为假，则是偶然性。
13.4 叙述什么是确定性知识和不确定性知识
知识可以分为确定性知识和不确定性知识。不确定知识表示的是不精确、不完全或随机性的知识（可以表示不确定知识的有贝叶斯网络、模糊逻辑以及可能性理论）。确定性知识是指其真假是可以明确表示的知识（确定性知识的表述方法有：语义网络、框架、产生式系统、本体、资源描述框架、知识图谱等）。
13.5 叙述什么是过程性知识和陈述性知识
过程性知识是描述“怎么做”的知识，是在某些任务的执行中所运用的知识，过程性知识的表示采用过程性语言，典型的过程性语言包括C、C++、java、python、lisp等，过程性知识也被称为命令行知识。
陈述性知识亦被称为描述性知识，即描述“世界是什么”的知识，例如中国的首都是北京。陈述性知识采用陈述性语言来表示，包括命题逻辑、一阶逻辑、时序逻辑以及产生式系统。
13.6 论述语义网络与知识图谱之间的相同不不同之处？
语义网络是一种表示概念间语义关系的网络，是知识表示中最重要的方法之一。语义网络是有节点和边组成的“有向”或“无向”图，其中节点表示概念，边表示概念间的语义关系。
大部分语义网络的构成是基于人类的认知方式，将其组织成为一个分类层次体系。语义网络适用于这样的场合：所拥有的知识可以分解为一组概念，而这些概念之间具有语义上的关联关系。因此语义网络比较适合根据复杂的分类进行推理，以及需要表示事件状况、性质及动作之间关系的领域。
知识图谱源于语义网络，将知识表现为一种图的形式，故看作是一种基于图的知识表示的同义词。知识图谱是一种将知识组织成大型网络的知识表示方法，表现为RDF图。
语义网络和知识图谱是两种用于表示和组织知识的技术，它们在某些方面相似，但在其他方面又有所不同。
相同之处：
知识表示： 两者都旨在以结构化的方式表示知识。它们使用节点来表示实体或概念，并使用边缘来表示实体之间的关系或连接。
语义关系： 语义网络和知识图谱都侧重于捕获实体之间的语义关系。这些关系可以是层次关系、关联关系、属性关系等，以帮助理解实体之间的含义和联系。
用途： 两者都被广泛用于语义理解、信息检索、推理和智能系统等领域。它们都能够为机器理解和处理自然语言提供基础。
不同之处：
形式化程度： 知识图谱通常更加严格和形式化，其结构和关系经过精心设计和标准化。而语义网络的形式可能更加灵活，边缘和节点的定义可能相对更加宽泛。
数据规模： 知识图谱通常涵盖更广泛和更庞大的知识范围，涵盖多个领域和主题。相比之下，语义网络可能更加专注于特定领域或任务，因此规模可能相对较小。
语义表示： 语义网络可能更加侧重于表示实体之间的语义相似性和关联性，而知识图谱则更加注重于准确地表示实体之间的具体关系和属性。
来源和构建： 知识图谱通常通过从结构化和半结构化数据源中提取信息来构建，例如从维基百科、专业数据库或网络上抓取的数据。而语义网络的构建可能更加灵活，可以通过手动定义或自动从语料库中提取语义关系来完成。
总的来说，语义网络和知识图谱都是用于捕获和表示知识的重要技术，它们在形式化程度、数据规模和语义表示等方面有所不同，但都为机器理解和处理知识提供了有力工具。
13.7 叙述可能世界及其模糊逻辑的基本概念，论述模糊逻辑的意义及用途。
可能世界语义学的研究催生了模态逻辑。反之，模态逻辑又进一步充实了可能世界的理论。模态逻辑是一种形式逻辑，它将经典的命题逻辑和谓词逻辑加以扩展，增加了表达模态的运算功能。（可能，或许、可以等都是限定陈述的单词，用于模态处理）
处理必要性、可能性以及偶然性的模态称为真势模态。模态逻辑最初就是为了处理这些概念而提出的。
13.8 叙述一阶逻辑和描述逻辑的基本概念，论述描述逻辑的意义及其用途。
经典逻辑包含命题逻辑和一阶逻辑。一阶逻辑可看作是在命题逻辑上构建的形式系统，可使用非逻辑对象的两户是变量以及包含变量的语句。在命题逻辑的基础上增加了限量词，等量词。（例如：likes(bill,car)增加了量词及属性关系）
描述逻辑是一系列的形式化知识表示语言，是一阶逻辑的可判定片段，亦称子集。描述逻辑的逻辑表现能力介于经典逻辑中的命题逻辑与一阶逻辑之间。但与一阶逻辑不同的是，描述逻辑的核心推理问题通常是可判定的，并且针对这些问题设计并实现了有效的决策过程。（比如每门课程听课人数不少于5人，授课老师为1人，高级课程面向研究生，听课人数不能多于20）
知识表示可以分为两大类：一是基于逻辑形式体系的知识表示，即一阶逻辑语言；另一类是非逻辑的知识表示，如语言网络，框架。这两类知识表示方法各有长短。一阶逻辑是一套形式化的符号系统，有着严格的语义和推理能力，功能非常强大；但对于知识表示来说有些功能并不需要，如一阶逻辑定理证明等。另一方面，语义网络和框架等非逻辑的知识表示易于人类理解，但缺乏严格的语义。在这种背景下，描述逻辑应运而生。
13.9 叙述本体的基本概念，讨论本体的意义。
对于哲学来说，本体是对存在的系统研究；而对于人工智能领域来说，本体则是一种知识体系的表征。本体是对某些知识体系中的实体、类别、属性及其隶属关系的形式化表征。每个领域都可以创建其领域本体来限制复杂性，并将本领域的信息组织成知识体系，用名词定义实体或对象，用动词定义实体或对象之间的关系。本体主要分为四种类型：即上层本体(一个通用对象的模型，通常适用于各种领域)、领域本体（与一个特定的主体或感兴趣的领域有关，例如信息技术或科学的某个分支）、接口本体（承载与两个学科交界的相关概念）以及过程本体（涉及工程或业务过程的输入、输出、约束及顺序信息等）。
13.10 讨论为什么贝叶斯可以同于不确定性知识的表示。
不确定性知识表示指的是用计算机能狗处理的方式表征不精确、不完全或随机的知识。将不确定性归纳为随机不确定性（因系统以随机方式运行而造成的不确定性）和认知不确定性（因缺乏系统知识的定义而造成的不确定性）
贝叶斯网络是一种采用有向非循环图来表示随机变量及其条件相关性的网络，包含三个要素。构建贝叶斯的步骤：
可以从两个角度来理解贝叶斯网络的意义。其一，将贝叶斯网络看作是一种联合概率分布的表示（有助于理解如何构建贝叶斯网络）。其二，将贝叶斯网络看作是一组条件独立语句的编码（有助于设计推理过程）
贝叶斯数值语义：一个节点，在给定其父节点后，条件独立于它的前趋节点。
贝叶斯拓扑语义：一个节点，在给定其父节点后，条件独立于它的非后继节点。
贝叶斯规则对于不确定知识的推理很有用，因为它可以通过对已知的信息进行概率推断来推断出未知的信息。
举个例子，假设有一个袋子里有30个球，其中有10个红色球和20个蓝色球。现在要从袋子里随机抽取一个球，但在抽取球之前，我们不知道这个球是红色球还是蓝色球。
我们可以使用贝叶斯规则来推断这个结果。假设我们现在有一些先验知识，比如我们知道红色球和蓝色球被抽中的概率是相等的（即50%）。现在我们进行了一次抽样，并且我们发现我们抽到了一个红球。我们可以使用贝叶斯规则来更新我们对后验概率的估计：
后验概率 = 先验概率 x 似然度 / 标准化常数
假设我们用 R 表示抽到红球的事件，B 表示抽到蓝球的事件。按照定义，我们有：
先验概率：P® = 0.5, P(B) = 0.5
似然度：P(R|红球) = 10/30 = 1/3, P(R|蓝球) = 0/30 = 0
标准化常数：P(红球) = P(红球|B)P(B) + P(红球|R)P® = 0 + 1/3 x 0.5 = 1/6
将这些值代入贝叶斯公式得出：
P(B|红球) = P(R|红球)P(B) / P(红球) = (1/3 x 0.5) / (1/6) = 1/2
这个结果告诉我们，在我们抽到一个红球的情况下，我们可以将“这个球是蓝球”的后验概率估计为50%。也就是说，即使我们现在没有直接的信息来确定这个球的颜色，我们仍然可以使用贝叶斯规则来根据我们已知的信息推断出这个球的颜色的后验概率。换句话说，贝叶斯规则允许我们在不确定性存在的情况下进行推理，这使得它在实际应用中非常有用。
13.11 叙述可能性理论的基本概念，讨论可能性理论的用途。
13.12 论述证据理论的基本概念，讨论证据理论的用途。
命题逻辑和一阶逻辑是逻辑学中常见的两种形式系统，它们的主要区别在于命题逻辑只对命题或公式进行分析，而不考虑包含在命题中的个体和关系。而一阶逻辑则更加复杂，可以描述关于个体、谓词和量词的数学和哲学性质。具体来说，命题逻辑研究的是命题之间真值的关系，每个命题都只有一个真值（真或假），通过逻辑联接诸如非、与、或等操作符组合命题，构成更加复杂的逻辑表达式。命题逻辑的语言包括非、与、或、蕴含和当且仅当等逻辑联结词。而一阶逻辑又称为第一阶谓词演算或低阶逻辑，在命题逻辑的基础上加入了谓词、变元和量词的概念，能够表示更为复杂的逻辑论证。谓词是指与个体相关的属性或关系，变元指代这些个体，而量词则指定了变元的范围。一阶逻辑的语言包括逻辑联结词和量词。因此，相对于命题逻辑而言，一阶逻辑能够更加准确地描述现实世界中的复杂问题。
