从符号主义到连接主义 · 十讲贯通
这是一座安静的线上书房。我们沿着人工智能经典教材的脉络，从知识表示出发， 经过推理、搜索、不确定性理论，抵达计算智能、机器学习、专家系统、 自然语言处理与分布式智能体——每一节理论，都配有可直接运行的 Python 代码。
理论讲透 · 代码写够 · 循序渐进
人工智能的定义、六十年兴衰史、符号／连接／行为三大学派、研究内容与应用图谱，以及 Python 与 AI 开发环境搭建。
谓词逻辑、产生式规则、框架、语义网络、面向对象与知识图谱——教会机器如何"记住"并"组织"人类的知识。
命题逻辑与谓词逻辑的自然演绎、子句集化简、Robinson 归结原理、归结反演，以及正向与反向规则演绎系统。
状态空间与问题归约表示、BFS／DFS／一致代价等盲目搜索、A* 启发式搜索、八数码问题、与或树搜索与博弈树 α-β 剪枝。
概率推理与贝叶斯网络、主观 Bayes 方法、MYCIN 可信度模型、D-S 证据理论，以及模糊集合与模糊推理的完整实现。
感知机与 BP 神经网络从零实现、遗传算法、粒子群与蚁群优化——模拟大脑、进化与群体行为的三类智能计算范式。
线性回归、逻辑回归、决策树、KNN、朴素贝叶斯、SVM、K-Means、PCA 与 Q-Learning——手写经典算法并理解其数学内核。
专家系统的典型结构、知识库与推理机，正向／反向推理链引擎的 Python 实现，并完整构建动物识别与医疗诊断两个系统。
中文分词、n-gram 语言模型、词袋与 TF-IDF、文本分类、词性标注、情感分析与命名实体识别——让机器读懂人类语言。
Agent 的特征与 BDI 模型、多智能体协作、FIPA 通信语言、合同网协议模拟与多智能体强化学习入门。
HOW TO USE THIS SITE
每一节先讲清"为什么"，再给出"怎么做"。建议阅读理论后亲手在 Python 环境中运行、修改代码示例，观察输出变化。
代码不是用来"看"的。尝试修改参数、替换数据、增加规则，例如为动物识别系统添加新的动物，是最快的学习方式。
知识表示是推理与专家系统的地基；搜索是机器学习的工具；不确定性推理与模糊计算贯穿计算智能与 NLP。建议按顺序学习。