演绎推理、正向推理在传统的亚里士多德逻辑中是“结论，可从叫做‘前提’的已知事实，‘必然地’得出的推理”。如果前提为真，则结论必然为真。这区别于溯因推理和归纳推理：它们的前提可以预测出高概率的结论，但是不确保结论为真。
情境最佳化也称为情境方法，是一种求解强健最佳化问题和机会约束规划问题的方式，其方法会以一些约束的样本为基础。情境最佳化也和建模及决策中的归纳推理有关。此方法已以启发法的形式存在了数十年，近来开始探讨此方法系统化理论的基础。
乌鸦悖论，也叫做亨佩尔的乌鸦或亨佩尔悖论，是1940年代德国逻辑学家卡尔·亨普尔为了说明归纳推理违反直觉而提出的一个悖论。
在数学上，数学证明是在一个特定的公理系统中，根据一定的规则或标准，由公理和定理推导出某些命题的过程。比起证据，数学证明一般依靠演绎推理，而不是依靠归纳推理和经验性的理据。这样推导出来的命题也叫做该系统中的定理。
演绎推理、正向推理在传统的亚里士多德逻辑中是“结论，可从叫做‘前提’的已知事实，‘必然地’得出的推理”。如果前提为真，则结论必然为真。这区别于溯因推理和归纳推理：它们的前提可以预测出高概率的结论，但是不确保结论为真。
逻辑推理中有三种方式：演绎推理、归纳推理和溯因推理。给定前提、结论和规则，而前提导致结论，例如：
英国经济历史学派虽然不如德国经济历史学派著名，但在19世纪初大卫·李嘉图的演绎推理方法取得胜利之后，该学派寻求在经济学中回归归纳推理方法， 认为自己是过去英国强调经验主义和归纳法人物如弗朗西斯·培根和亚当·斯密的知识继承人。
演绎推理、正向推理在传统的亚里士多德逻辑中是“结论，可从叫做‘前提’的已知事实，‘必然地’得出的推理”。如果前提为真，则结论必然为真。这区别于溯因推理和归纳推理：它们的前提可以预测出高概率的结论，但是不确保结论为真。
人工智能逻辑是指用逻辑方法和逻辑成果研究智能主体如何处理知识的理论。人工智能逻辑的研究对象与人工智能研究的对象不同，人工智能逻辑不研究智能主体如何从外部获得知识。
人工智能逻辑的产生来源于人们在计算机中实现知识处理的探索。为此必须建立实现知识处理的形式理论。至少在基础研究或者在理论重建的层面上，利用现代逻辑的种种方法和成果来建立上述形式理论成为必要。
处理知识又称知识处理，内容主要包括知识表示、知识反思、知识修正、知识推理。知识推理除了传统意义上的演绎推理、归纳推理和类比推理，还包括常识推理。常识推理是人类日常生活中获取新知识的最重要手段之一，具有非单调性和信息不完备性。人工智能逻辑即重点在研究常识推理的形式化及刻画。
经过多年发展人工智能逻辑发展了许多种类，比较完善的有缺省逻辑、非单调模态逻辑、限定逻辑等！此外，还有一些讨论相似问题，并且在形式上与上述逻辑密切相关的逻辑，如正常条件句逻辑、相信修正逻辑、认知逻辑。还有一些讨论类似问题，但在形式上与上述逻辑的关系更为松散的理论。例如逻辑编程理论、相信修正理论。上述分类并不十分严格，例如逻辑编程理论可以嵌入非单调模态逻辑。由此也可看出人工智能逻辑是一类严格意义上的逻辑和一类不严格意义上的逻辑的混合。
最早研究人工智能逻辑的是约翰·麦卡锡，他提出采用逻辑方法来形式化人工智能需要解决的问题。
确认偏误是个人选择性地回忆、搜集有利细节，忽略不利或矛盾的资讯，来支持自己已有的想法或假设的趋势，属其中一类认知偏误和归纳推理中的一个系统性错误。当人们选择性收集或回忆信息时，又或带有偏见地解读信息时，他们便展现了确认偏误。
Mini wiki
