人工知能（AI）を学ぶにはどのような知識が必要ですか？

人工知能の定義は、「人工知能」と「知能」の 2 つの部分に分けられます。 「人工的」というのは理解しやすく、議論の余地も少ない。時には、人間が何を創造できるのか、人間の知能は人工知能を創造できるほど高いのか、などを考慮しなければならないこともあります。しかし、一般的に「人工システム」は通常の意味での人工システムです。

「知性」とは何かについては多くの疑問があります。これには、意識、自己、心（無意識を含む）などの他の問題が含まれます。人間が理解できる唯一の知能は人間の知能であるというのが一般的な見解です。しかし、私たち自身の知能に対する理解は非常に限られており、人間の知能を構成する必要な要素に対する理解も限られているため、「人工的に」作成された「知能」が何であるかを定義することは困難です。したがって、人工知能の研究には、人間の知能自体の研究が含まれることがよくあります。動物や他の人工システムに関するその他の知能も、一般的に人工知能に関連する研究トピックと見なされます。

人工知能は現在、コンピュータ分野でますます注目を集めています。また、ロボット、経済的および政治的意思決定、制御システム、シミュレーション システム、マシン ビジョン (指紋認識、顔認識、網膜認識、虹彩認識、掌紋認識、エキスパート システムなど) にも使用されます。

人工知能 (AI) は、人間の知能、知的行動、およびその法則を研究、説明、シミュレートする分野です。その主な任務は、インテリジェントな情報処理の理論を確立し、人間と同様の特定のインテリジェントな動作を示すことができるコンピューティング システムを設計することです。 AIは、コンピュータサイエンスの重要な分野であり、コンピュータ応用の広大な新しい分野であり、原子力技術や宇宙技術とともに、20世紀の3大最先端技術の一つとして知られています。

人工知能研究の主な内容には、知識表現、自動推論および検索方法、機械学習および知識獲得、知識処理システム、自然言語理解、コンピュータービジョン、インテリジェントロボット、自動プログラミングなどがあります。

知識表現は人工知能における基本的な問題の 1 つです。推論と検索は表現方法と密接に関連しています。一般的に使用される知識表現方法には、論理表現、生成表現、セマンティック ネットワーク表現、フレームワーク表現などがあります。

常識は人間にとって当然関心事であり、非単調推論や定性推論など、常識をさまざまな角度から表現し、処理する手法が数多く提案されてきました。

問題解決における自動推論は、知識を使用するプロセスです。知識を表現する方法はたくさんあるため、推論の方法もそれに応じてたくさんあります。推論プロセスは、一般的に演繹的推論と非演繹的推論に分けられます。述語論理は演繹的推論の基礎です。構造化された表現の下で継承されたプロパティについての推論は非演繹的です。知識処理の必要性から、近年、接続メカニズム推論、類推推論、例に基づく推論、帰納的推論、制限付き推論など、さまざまな非演繹的推論方法が提案されています。

[[427868]]

検索は人工知能における問題解決方法です。検索戦略は、問題解決の推論ステップで知識が使用される優先順位関係を決定します。情報誘導のないブラインド検索と経験的知識によって導かれるヒューリスティック検索に分けられます。ヒューリスティックな知識は、多くの場合、ヒューリスティック関数によって表現されます。ヒューリスティックな知識が十分に活用されるほど、問題を解決するための探索空間は小さくなります。一般的なヒューリスティック検索方法には、A*、AO* アルゴリズムなどがあります。近年、探索手法の研究は、数百万のノードを持つ超大規模な探索問題に焦点が当てられ始めています。

機械学習は人工知能におけるもう一つの重要なトピックです。機械学習とは、特定の知識表現に基づいて新しい知識を獲得するプロセスを指します。学習メカニズムの違いにより、主に帰納的学習、分析的学習、接続メカニズム学習、遺伝的学習があります。

知識処理システムは、主に知識ベースと推論エンジンで構成されています。ナレッジベースは、システムに必要な知識を格納します。知識の量が多く、表現方法が複数ある場合は、知識を合理的に整理して管理することが重要です。問題を解決する際、推論エンジンは知識を使用するための基本的な方法と戦略を規定します。推論プロセス中は、結果を記録したり伝達したりするためにデータベースまたは黒板メカニズムが必要です。知識ベースに特定の分野（医療診断など）の専門知識が格納されている場合、そのような知識システムはエキスパート システムと呼ばれます。複雑な問題を解決するニーズに適応するために、単一のエキスパートシステムは、マルチエージェント分散人工知能システムへと発展しています。このとき、知識の共有、主体間の連携、矛盾の発生と処理が重要な研究課題になります。

数学の基礎知識（高度な数学、線形代数、確率論、数理統計と確率過程、離散数学、数値解析）が必要です。

これには、人工ニューラル ネットワーク、サポート ベクター マシン、遺伝的アルゴリズムなどのアルゴリズムの蓄積が必要です。もちろん、ロボットが独自の環境をナビゲートしてマッピングできるようにする SLAM の研究など、さまざまな分野で必要なアルゴリズムがあります。つまり、多くのアルゴリズムを蓄積するには時間がかかります。

少なくとも 1 つのプログラミング言語を習得する必要があります。結局のところ、アルゴリズムの実装にはプログラミングが必要です。ハードウェアを深く理解する場合は、基本的な電気コースが不可欠です。