1. 机器学习

1.1 分类器 弱AI 

① 找出特征属性

② 人工分类标记

③ 划分决策边v尽快淆界和混矩阵

④ 所谓机器学习就是不断优化决策边界，使得正确选项最大化。

⑤ 所用分类方法有决策树、支持向量机等统计学方法， 以及 人工神经网络等仿生算法

神经网络算法（深度学习）：输入层即特征属性，输出层为分类，隐藏层负责运算（加权、求和、偏移、**函数）

强化学习策略：通过不断试错来学习。

1.2 计算机视觉

① 像素匹配：物体追踪

② 边缘检测：

两个Prewit operator

垂直边缘检测Kernel：-1 0 1 ；-1 0 1；-1 0 1

水平边缘检测Kernel：-1 -1 -1 ；0 0 0；1 1 1

此外还有锐化核，模糊核，特定形状的核。

③ 各种特定性状的核组成扫描块，用于人脸识别

④ 卷积神经网络：权重即核的数字；可自行生成核；多层嵌套最终识别面部

⑤ 生物识别：识别脸部之后，通过算法确定面部元素位置以及变化。

1.3 自然语言处理NLP

① 通过语法规则表建立分析树

② 通过分析树可以把句子分块进行分析

③ 知识图谱：通过不同实体的相互关系组成关系网，用于生成句子

④ 机器学习：通过大量真人聊天数据来确定回复句子

1.4 语音识别

① 频谱变换：通过识别元音等音素（44音素）的谱峰

② 接着区分单词间隔，句子开头结尾，从而完整识别一个句子

③ 结合语言模型（大量统计数据），能区分不同口音以及口误

④ 语音合成：音素结合；音调数据

2. 机器人

2.1 简单回路控制——比例控制

主要构成：输入——传感器，分析——控制系统，输出——控制器

2.2 比例-积分-微分控制器（PID控制器）

比例：即实际值与期望值的误差

积分：一段时间误差的累加，误差和持续变大的话要加快修正

微分：误差随时间的变化率（变化太快的话要降低控制），描述变化的趋势，又称期望控制

高层机器人控制软件负责分解任务，提供REFFERENCE值。

3. 计算机心理学

3.1 分块设计

3.2 直观设计

3.3 情感计算

3.4 增强凝视