1.什么是人工智能?它的研究目的是什么？人工智能就是用人工的辦法在機器（計算機）上實現的智能；或者說是人們使用機器模擬人類的智能。由于人工智能是在機器上實現的，因此又可稱為機器智能。人工智能是研究如何使計算機來模仿人腦所從事的推理、證明、識別、理解、設計、學習、思考、規劃及問題求解等思維活動，來解決需要人類專家才干解決的復雜問題，如醫療診療、石油測井解釋、氣象預報、交通運輸管理等決策性課題。2.人工智能有哪幾個重要學派？各自的特點是什么？符號主義主張運用計算機科學的辦法進行人工智能的研究，通過研究邏輯演繹在計算機上的實現辦法，實現人類智能在計算機上的模擬，稱為符號主義。符號主義又稱為邏輯主義或計算機學派，認為人類智能的基本單元是符號，認知過程就是符號表達下的符號計算，從而思維就是符號計算。其原理重要為物理符號系統假設和有限合理性原理。聯結主義主張用仿生學的辦法進行研究，通過研究人腦的工作模型，搞清晰人類智能的本質，稱為聯結主義。聯結主義又稱為仿生學派，認為人類智能的基本單元是神經元，認知過程是由神經元構成的網絡的信息傳遞，這種傳遞是并行分布的。其原理重要為神經網絡及神經網絡間的連接機制與學習算法。行為主義主張應用進化論的思想進行人工智能的研究，通過對外界事物的動態感知與交互，使計算機智能模擬系統逐步進化，提高智能水平，稱為行為主義。行為主義又稱進化主義，認為人工智能來源于控制論，提出智能取決于感知和行為（因此稱為行為主義），取決于對外界復雜環境的適應，它不需要知識、不需要表達、不需要推理。智能行為只能在與現實世界的環境交互作用中體現出來，人工智能也會像人類智能同樣通過逐步進化而實現（因此稱為進化主義）。其原理重要是通過控制論和機器學習算法實現智能系統的逐步進化。3.什么是人工神經元？它有哪幾個重要模型？人工神經網絡是由大量解決單元經廣泛互連而構成的人工網絡，用來模擬腦神經系統的構造和功效。而這些解決單元稱為人工神經元。人工神經網絡能夠當作是以人工神經元為節點，用有向加權弧連接起來的有向圖。根據激發函數的不同分為：閾值型（M-P模型）、分段線性型、Sigmoid函數型、雙曲正切型4.什么是人工神經網絡？它有哪些聯結方式？模擬人腦神經系統的構造和功效，運用大量簡樸解決單元經廣泛連接而構成的人工網絡系統。人工神經網絡中，各神經元的連接方式普通有諸多個，不同的連接方式就構成了網絡的不同連接模型。常見的連接模型有前向網絡、從輸入層到輸出層有反饋的網絡、層內有互連的網絡和網絡內任意兩個神經元都能夠互連的互連網絡。5.什么是機器學習？機器學習研究的目的是什么?研究機器學習的意義何在?機器學習是研究如何使用計算機來模擬人類學習活動的一門學科。更嚴格地說，就是研究計算機獲取新知識和新技能、識別現有知識、不停改善性能、實現自我完善的辦法。機器學習研究的目的有三個：人類學習過程的認知模型；通用學習算法；構造面對任務的專用學習系統的辦法。（a）人類學習過程的認知模型。這一方向是對人類學習機理的研究。這種研究不僅對人類的教育，并且對開發機器學習系統都有重要的意義。（b）通用學習算法。這個方向是對人類學習過程的研究，探索多個可能的學習辦法，建立起獨立于具體應用領域的通用學習算法。（c）構造面對任務的專用學習系統（工程目的）。這一方向是要解決專門的實際問題，并開發完畢這些專門任務的學習系統。機器學習是人工智能中最具智能特性、最前沿的研究領域之一。機器學習的研究獲得重大進展往往意味著人工智能，甚至整個計算機科學向前邁進了堅實的一步。機器學習速度快、便于知識積累、學習成果易于傳輸，因此人類在機器學習領域的每一點進步，都會使計算機的能力明顯增強，從而對人類社會產生影響，特別對今天信息化社會來說，這種影響將是十分深遠的。6.什么是決策樹？決策學習是如何運用決策樹進行學習的？決策樹是一種展示類似“在什么條件下會得到什么值”這類規則的辦法。決策樹是一種由節點和邊構成的用來描述分類過程的層次數據構造，用于監督學習的層次模型。該樹的根節點表達分類的開始，葉節點表達一種實例的結束，中間節點表達對應實例中的某一屬性，而邊則代表某一屬性可能的屬性值。在決策樹中，從根節點到葉節點的每一條途徑代表一種具體的實例，并且同一途徑上的全部屬性之間為合取關系，不同途徑之間為析取關系。決策樹學習是廣泛使用的一種歸納推理形式。它需要一組例子，其中每個例子都由對應的目的分類標記。如果訓練實例可表達為屬性值對，同時目的分類含有離散的輸出值，那么這樣的問題就特別適合用決策樹來進行學習。建立決策樹的過程，即樹的生長過程是不停地把數據進行分組的過程，每次分組對應一種問題，也對應著一種節點。每次分組都規定所分得的組之間的“差別”最大。7.什么是遺傳算法？簡述其基本思想和基本構造。闡明個體選擇的慣用方略以及遺傳操作”交叉”和”變異”所起的作用.遺傳算法(GeneticAlgorithm)是模擬生物在自然環境中的遺傳和進化過程而形成的自適應全局優化搜索算法。它最早由美國J.H.Holland專家提出，它借鑒了達爾文的進化論和孟德爾的遺傳學說，本質上是一種并行、高效、全局搜索的辦法，它能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最優解。遺傳算法的操作使用“適者生存”的原則，在潛在的解決方案種群中逐次產生一種近似最優方案。在每一代中，根據個體在問題域中的適應度值和從自然遺傳學中借鑒來的再造辦法進行個體選擇，產生一種新的近似解。這個過程造成種群中個體的進化，得到的新個體比原個體更能適應環境。遺傳算法使用群體搜索技術，將種群代表一組問題解，通過對現在種群施加選擇、交叉和變異等一系列遺傳操作來產生新一代的種群，并逐步使種群進化到包含近似最優解的狀態。個體選擇慣用方略:輪盤賭選擇法、隨機遍歷抽樣法、錦標賽選擇法8.試述機器學習系統的基本構造,并闡明各部分的作用.環境環境就是指系統外部信息的來源，它能夠是系統的工作對象，也能夠是工作對象和外界條件。環境就是為學習系統提供獲取知識所需的有關對象的素材或信息，如何構造高質量、高水平的信息，將對學習系統獲取知識的能力有很大影響。學習環節學習環節通過對環境的搜索獲得外部信息，并將這些信息與執行環節所反饋的信息進行比較。普通狀況下，環境提供的信息水平與執行環節所需的信息水平之間往往有差距，經分析、綜合、類比、歸納等思維過程，學習環節就要從這些差距中獲取有關對象的知識，并將這些知識存入知識庫中知識庫知識庫用于寄存由學習環節所學到的知識。知識庫中知識的表達形式以及存儲組織構造是影響學習系統設計的第二因素。知識庫中慣用的知識表達辦法有：謂詞邏輯、產生式規則、語義網絡、特性向量、過程、Lisp函數、數字多項式核框架等。執行環節執行環節是整個學習系統的核心。執行環節用于解決系統面臨的現實問題，即應用知識庫中所學到的知識求解問題，如智能控制、自然語言理解和定理證明等，并對執行的效果進行評價，將評價的成果反饋回學習環節，方便系統進一步的學習。執行環節的問題復雜性、反饋信息和執行過程的透明度都對學習環節有一定的影響。9.什么是專家系統?它有哪些基本特點?專家系統是一種含有大量專門知識與經驗的智能程序系統，它能運用某個領域一種或多個專家數年積累的經驗和專門知識，模擬領域專家求解問題時的思維過程，以解決該領域中的多個復雜問題?；咎攸c：啟發性:專家系統能運用專家的知識與經驗進行推理、判斷和決策。透明性：專家系統能夠解釋本身推理過程和回答顧客提出的問題，方便讓顧客理解推理過程，提高對專家系統的依賴感。例如，一種醫療診療專家系統診療某病人患有肺炎，并且必須用某種抗生素治療，那么，這一專家系統將會向病人解釋為什么他患有肺炎，并且必須用某種抗生素治療，就像一位醫療專家對病人具體解釋病情和治療方案同樣。靈活性：專家系統能不停地增加知識，修改原有知識，不停更新。由于這一特點，使得專家系統含有十分廣泛的應用領域。交互性：專家系統普通都是交互式系統，這種交互性現有助于系統從專家那里獲取知識，又便于顧客在求解問題時輸入條件或事實推理有效性：專家系統能高效、穩定、高速地工作。不會像人類專家那樣產生疲勞和不穩定。不同地專家系統所面對的領域不同，能夠解決不同的問題，因此在設計專家系統時，針對不同領域問題的特點，選擇不同的推理機制，從而確保問題求解過程中的推理有效性。復雜性：人類的知識豐富多彩，思維方式多個多樣，要想使計算機完全模擬人類的思維辦法去解決問題，還是一件非常復雜和困難的工作。因此，在建造專家系統時，如何實現對不擬定知識的表達，如何構造不擬定性的傳遞算法和匹配算法以實現推理計算，其復雜性和難度都是比較大的。實用性：專家系統是根據問題的實際需求開發的，因而含有堅實的應用背景。由于專家系統中存儲了有關領域許多高水平專家的知識，因此它含有解決問題的高水平和高效率，從而能夠產生巨大的社會效益和經濟效益，含有非常良好的實用性。知識的專門性：專家系統的知識都含有專門性，但只局限于所面對的領域，針對性很強。這與人類專家類似，由于人類也只是含有某首先的高深知識，否則也就不稱其為“專家”易推廣性：專家系統使人類專家的領域知識突破了時間和空間的限制，專家系統程序可永久保存，并可復制任意多的副本或在網上供不同地區或不同部門的人們使用，從而使專家系統的知識和技能更易于推廣和傳輸。10.普通專家系統由哪些基本部分構成?每一部分的重要功效是什么?專家系統的體系構造指專家系統各構成部分的構造辦法和組織形式。一種最基本的專家系統應涉及知識庫、數據庫、推理機構、解釋機構、知識獲取機構和顧客界面六個部分。知識庫知識庫是專家系統的知識存儲器，用來寄存求解領域問題所需的專家知識。知識庫中的知識分為兩種類型：一類是事實性知識，即廣泛公認的知識和常識；另一類是啟發性知識，它是領域專家在長久工作實踐中積累起來的經驗總結。專家系統開發中一種重要任務是要認真細致地對專家的這類經驗知識進行分析。知識原來是存儲在專家頭腦中的，讓專家把自己的直覺、訣竅、經驗表達為適累計算機表達和推理的形式是一種極大難題。因此在建立知識庫的過程中，知識工程師需要與領域專家較好地合作，認真提取領域專家的知識，進而根據計算機對這些知識的表達和使用規定，將這些知識轉化成知識庫的構成部分。數據庫數據庫又被稱為全局數據庫或綜合數據庫，它相稱于專家系統的工作存儲器，用來存儲與領域問題有關的事實、數據、初始證據、推理過程中得到的多個中間結論、求解目的等。例如，醫療專家系統中，數據庫寄存的是現在患者的狀況，如姓名、年紀、癥狀等，以及推理過程中得到的某些中間成果、病情等；氣象專家系統中，數據庫寄存的是現在氣象要素，如云量、溫度、氣壓，以及推理得到的中間成果等。數據庫的規模和構造可根據系統目的來擬定，并且隨著問題的不同，數據庫的內容能夠是動態變化的。推理機推理機是一組用來控制、協調節個專家系統的程序。它根據數據庫中存儲的現在數據，運用知識庫中的知識，按一定的推理方略，求解現在的問題，即解釋外部輸入的事實和數據，推導出對應成果。由于專家系統是模擬人類專家進行工作，因此設計推理機時，應使它的推理過程和專家的推理過程盡量相似，最佳完全一致。對大中型專家系統，由于其知識庫中的知識數量諸多，因此其推理機構由知識庫管理系統和推理機兩個重要部分構成。其中，知識庫管理系統實現對知識庫中知識的合理組織和有效管理；推理機重要用于生成并控制推理過程和使用知識庫中的知識。解釋機構解釋機構事實上也是一組程序，它涉及系統提示、人機對話、能書寫規則的語言以及解釋程序。解釋機構的重要功效是解釋系統本身的推理成果，回答顧客的提問，使顧客能夠理解推理的過程及所運用的知識和數據。因此，在設計解釋機構時，應預先考慮好在系統運行過程中需要回答的問題和答案。知識獲取機構知識獲取是專家系統的一種輔助功效，用于增加和修改知識庫中的知識。基本任務是把知識加入到知識庫中，并維持知識的一致性及完整性，建立起性能良好的知識庫。不同專家系統，知識獲取辦法差別較大。有的系統首先由知識工程師向領域專家獲取知識，然后再通過對應的知識編輯軟件把知識輸入到知識庫中；有的系統本身就含有部分學習功效，由系統直接與領域專家對話獲取知識；有的系統含有較強的學習功效，可在系統運行過程中通過歸納、總結，得出新的知識。無論采用哪種方式，知識獲取都是現在專家系統研制中的一種重要問題。顧客界面顧客界面是專家系統的另一種核心構成部分，它作為專家系統于外界的接口，實現系統于外界之間的信息交換。普通，專家系統的使用者涉及最后顧客、領域專家、知識工程師。其中，最后顧客和領域專家普通都不是計算機專業人員，顧客界面必須滿足他們的需求，盡量地使用靠近自然語言的輸入、輸出形式，并能理解和解決聲音、圖像等多媒體信息。11.新一代專家系統應含有哪些特性?分布式專家系統與協同式專家系統有何區別與聯系?(1)并行與分布解決:基于多個并行算法，采用多個并行推理和執行技術，適合在多解決器的硬件環境中工作，即含有分布解決的功效，是新型專家系統的一種特性。專家系統的分布解決特性規定專家系統做到功效合理均衡地分布，以及知識和數據適宜地分布，著眼點重要在于提高系統的解決效率和可靠性等。(2)多專家系統協同工作:各子專家系統間能夠互相通信，一種(或多個)子專家系統的輸出可能就是另一子專家系統的輸入。多專家系統的協同合作其著眼點重要在于通過多個子專家系統協同工作擴大整體專家系統的解題能力。(3)高級語言和知識語言描述:為了建立專家系統，知識工程師只需用一種高級專家系統描述語言對系統進行功效、性能以及接口描述，并用知識表達語言描述領域知識，專家系統生成系統就能自動或半自動地生成所要的專家系統。(4)含有自學習功效:提供高級的知識獲取與學習功效。能根據知識庫中已有知識和顧客對系統提問的動態應答，進行推理以獲得新知識，總結新經驗，從而不停擴充知識庫，這即所謂自學習機制。(5)引入新的推理機制:現存的大部分專家系統只能做演繹推理。新型專家系統中，除演繹推理外，還應有歸納推理(涉及聯想、類比等推理)、多個非原則邏輯推理(例如非單調邏輯推理、加權邏輯推理等)以及多個基于不完全知識和含糊知識的推理等，在推理機制上應有一種突破。(6)含有自糾錯和自完善能力：為了排錯必須首先有識別錯誤的能力，為了完善必須首先有鑒別優劣的原則。有了這種功效和上述的學習功效后，專家系統就會隨著時間的推移，通過重復的運行不停地修正錯誤，不停完善本身，并使知識越來越豐富。(7)先進的智能人機接口：理解自然語言，實現語音、文字、圖形和圖像的直接輸入輸出是如今人們對智能計算機提出的規定，也是對新型專家系統的重要盼望。這首先需要硬件的有力支持，另首先先進的軟件技術將使智能接口的實現大放異彩。12.BP算法的網絡構造是什么?簡述BP算法的學習過程.B-P算法的網絡構造是一種前向多層網絡。網絡中不僅含有輸入節點和輸出節點，并且含有一層或多層隱（層）節點，網絡中各解決單元間的連接如圖6.16所示。當有信息向網絡輸入時，信息首先由輸入層傳遞到隱層節點，經特性函數（人工神經元）作用后，再傳至下一隱層。這樣一層一層傳遞下去，直到最后傳至輸出節點層進行輸出。其間各層的激發函數規定是可微的，普通是選用S型函數。B-P算法的學習過程以下：（a）選擇一組訓練樣例，每一種樣例由輸入信息和盼望的輸出成果兩部分構成。（b）從訓練樣例集中取同樣例，把輸入信息輸入到網絡中。（c）分別計算經神經元解決后的各層節點的輸出。（d）計算網絡的實際輸出和盼望輸出的誤差。（e）從輸出層反向計算到第一種隱層，并按照某種能使誤差向減小方向發展的原則，調節網絡中各神經元的連接權值。（f）對訓練樣例集中的每一種樣例重復（c）—（e）的環節，直到對整個訓練樣例集的誤差達成規定時為止。13.在什么狀況下需要采用不擬定推理或非單調推理？在日常生活中，人們普通所碰到的狀況是信息不夠完善、不夠精確，即所掌握的知識含有不擬定性。人們就是運用這種不擬定性的知識進行思維、推理，進而求解問題。14.什么是產生式知識表達?給出這種表達辦法的優缺點。產生式普通用于表達事實、規則以及它們的不擬定性度量，適合于表達事實性知識和規則性知識。基本形式IFPTHENQ，其中P是產生式的前提，用于指出該產生式與否可用的條件；Q是一組結論或操作，用于指出前提P所批示的條件被滿足時，應當得出的結論或應當執行的操作。優點：（1）自然性（2）模塊性（3）有效性（4）清晰性缺點：（1）效率不高（2）不能體現構造性知識15.簡述自然語言理解的層次劃分及對應的技術。詞法分析、句法分析、語義分析16.搜索辦法的啟發能力有哪幾個基本的度量辦法?滲入度是對一種搜索算法的搜索性能的度量，表達搜索集中指向某個目的的程度，而不是在無關的方向上徘徊。定義為：P=L/T其中，L是算法發現的解途徑的長度，T是算法在尋找這條解途徑期間所產生的節點（不涉及初始節點，涉及目的節點）有效分枝系數就是一棵搜索樹的平均分枝數．設搜索樹的深度是L，算法所產生的總節點數為T，有效分枝系數是B，則有B＋B2十…＋BL=T或B（BL-1）/（B-1）=T17.簡述狀態空間法三要點？三要點：(1)狀態（state）：表達問題解法中每一步問題狀況的數據構造；(2)算符（operator）：把問題從一種狀態變換為另一種狀態的手段；(3)狀態空間辦法：基于解答空間的問題表達和求解辦法，它是以狀態和算符為基礎來表達和求解問題的。備注：用狀態空間表達問題的環節：（1）定義狀態的描述形式；（2）用所定義的狀態描述形式把問題的全部可能的狀態都表達出來，并擬定出問題的初始狀態集合描述和目的狀態集合描述；（3）定義一組算符，使得運用這組算符可把問題由一種狀態轉變為另一種狀態。問題的求解過程是一種不停把算符作用于狀態的過程。（1）首先將合用的算符作用于初始狀態，以產生新的狀態；（2）然后再把某些合用的算符作用于新的狀態；（3）這樣繼續下去，直到產生的狀態為目的狀態為止。這時，就得到了問題的一種解。這個解是從初始狀態到目的狀態所用算符構成的序列。18.同傳統的計算機程序相比，人工智能程序有哪些特點？（1）人工智能首先研究的是以符號表達的知識，而不是數值數據為研究對象（2）人工智能采用的是啟發式推理辦法,而不是常規算法（3）人工智能的控制構造與知識領域是分離的，并允許出現不對的的解答19.什么是問題歸約？問題歸約的操作算子與普通圖搜索有何不同？問題規約是在問題求解過程中，將一種大的問題變成若干個子問題，子問題又能夠分解成更小的子問題，這樣始終分解到能夠直接求解為止，全部子問題的解就是原問題的解；并稱原問題為初始問題，可直接求解的問題為本原問題。問題規約的操作算子是一組變換規則，通過一種操作算子把一種問題化成若干個子問題。而普通圖搜索的操作算子是引發狀態中的某分量發生變化，從而使問題由一種具體狀態A變化為另一種具體狀態B的作用。使問題一種狀態變化為另一種狀態的手段稱為操作符或算符，操作符可為走步、過程、規則、數學算子、運算符號或邏輯符號等。20.在選擇知識表達的辦法時，應當考慮哪些因素？(1）充足表達領域知識。（2）有助于對知識的運用。（3）便于對知識的組織、維護與管理。（4）便于理解與實現。表達能力：能夠將問題求解所需的知識對的有效地體現出來，可理解性：所體現的知識簡樸、明了、易于理解，可訪問性：能夠有效地運用所體現的知識，可擴充性：能夠方便靈活地對知識進行擴充。表達范疇與否廣泛、與否適于推理、與否適于計算機解決、與否有高效的算法、能否表達不精確知識、能否模塊化、知識和元知識能否用統一的形式表達、與否加入啟發信息、過程性表達還是闡明性表達、表達辦法與否自然?？傊斯ぶ悄軉栴}的求解是以知識表達為基礎的，如何將已獲取的有關知識以計算機內部代碼形式加以合理地描述、存儲、有效運用便是知識表達所應解決的問題。21.什么是蟻群算法？簡述其基本思想和基本構造.根據螞蟻覓食過程的啟示，蟻群優化算法是采用人工螞蟻行走路線選擇問題最優解的一種算法。（1）每只人工螞蟻獨立地在問題解空間中搜索(行走)，當碰到解的分支途徑時，隨機地選擇某條途徑行走，其中信息素濃度更高的途徑含有更大的選擇概率。途徑越短，信息素濃度越高。（2）隨著時間的推移，途徑短的信息素濃度越來越高，引導更多的螞蟻通過最優的求解途徑，釋放出更多的信息素，而其它途徑上的信息素在揮發特性的作用下逐步消失，從而形成正反饋效應。（3）最后整個蟻群在正反饋作用下，集中到代表最優解的途徑上，表明找到了最優解。假設m只螞蟻在都市間移動，協作異步地得到問題的解。每只螞蟻的一步轉移概率由都市之間連邊的兩類參數決定：一是信息素值，二是可見度，即先驗值。信息素的更新有兩種：一是揮發，也就是全部途徑上的信息素以一定的比率減少，模擬自然蟻群的信息素隨時間揮發的過程；二是增強，給評價值“好”的邊增強信息素。螞蟻向下一都市的移動是通過一種隨機原則來實現的，也就是運用現在存儲的信息，計算出到下一種都市的概率，并按此概率實現上一步的移動，如此重復，越來越靠近最優解。（輪盤賭選擇算法）螞蟻在尋找過程中，或找到一種解后，會評定該解或解的一部分的優化程度，并把評價信息保存在有關連接的信息素中。22.什么是過程性知識表達？給出它的優缺點過程性知識表達可將所要表達的知識及如何使用這些知識的控制性方略一起隱式地表達為一種求解問題的過程。優點：（1）表達效率高（2）推理控制容易實現缺點：（1）知識庫不易維護（2）合用的表達范疇較窄23.理解ID3算法樹以代表訓練樣本的單個節點開始。如果樣本都在同一種類，則該節點成為葉節點，用該類標記。否則，算法使用信息增益作為啟發信息，選擇能夠最佳的將樣本分類的屬性。該屬性成為該節點的鑒定屬性。（全部屬性均為離散值，對于持續屬性需先進行離散化）。對測試屬性的的每個已知值，創立一種分支。算法使用同樣的過程，遞歸形成每個劃分上的樣本鑒定樹。一旦一種屬性出現在一種結點上，就不會出現在該節點的任何后裔上。遞歸劃分環節僅當下列條件之一成立時停止：（1）給定結點全部樣本屬于同一類，無需劃分；（2）現在屬性集為空，沒有剩余屬性能夠用來進一步劃分（3）現在結點包含的樣本集合為空，不能劃分屬性選擇度量：在樹的每個結點上使用信息增益度量選擇測試屬性。選擇含有最高信息增益的屬性作為現在結點的測試屬性。該屬性使得對成果劃分中的樣本分類所需要的信息量最小（直觀理解即是生成鑒定樹局部較低），并反映劃分的最小隨機性。這種信息理論辦法使得對一種對象分類所需要的盼望測試數目達成最小，并確保找到一顆簡樸的樹。24.有監督學習與無監督學習的區別是什么?在監督學習中，假定我們懂得每一輸入對應的盼望輸入，并運用學習系統的誤差，不停校正系統的行為在無監督學習中，我們不懂得學習系統的盼望輸出25.開發專家系統的基本規定是什么?采用原型法開發專家系統要通過哪幾個環節?基本規定：1)

選擇適宜的領域及問題2)

建造專家系統的可行性3)