《人工智能导论》期末复习知识点
选择题知识点
1.人工智能、人工神经网络、机器学习等人工智能中常用词的英文及其英文缩写。
人工智能Artificial Intelligence,AI
人工神经网络Artificial Neural Network，ANN
机器学习Machine Learning，ML
深度学习Deep Learning,DL
2.什么是强人工智能？
强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意义上可以看作一种新的文明。
3.回溯算法的基本思想是什么？
能进则进。从一条路往前走，能进则进，不能进则退回来，换一条路再试。
4.面向对象、产生式系统、搜索树的定义？
面向对象：(Object Oriented)是软件开发方法，一种编程范式，它可以直观、自然地反映人类经验，它基于继承、多态性和封装的概念。
面向对象(Object Oriented)是软件开发方法，一种编程范式。面向对象的概念和应用已超越了程序设计和软件开发，扩展到如数据库系统、交互式界面、应用结构、应用平台、分布式系统、网络管理结构、CAD技术、人工智能等领域。面向对象是一种对现实世界理解和抽象的方法，是计算机编程技术发展到一定阶段后的产物。面向对象是相对于面向过程来讲的，面向对象方法，把相关的数据和方法组织为一个整体来看待，从更高的层次来进行系统建模，更贴近事物的自然运行模式。
把一组产生式放在一起，让它们相互配合，协同工作，一个产生式生成的结论可以供另一个产生式作为前提使用，以这种方式求得问题的解决的系统就叫作产生式系统。
对于需要分析方法，诸如深度优先搜索和广度优先搜索（穷尽的方法）以及启发式搜索（例如最佳优先搜索和A*算法），这样的问题使用搜索树表示最合适。
决策树（decision tree）是一种特殊类型的搜索树（见图5-12），可以从根节点开始，在一些可供选择的节点中选择，找到问题的解。
5.机器学习的基本定义是什么？P124
机器学习是一门研究及其获取新知识和新技能，并识别现有知识的学问。
6.智慧地球的概念，智慧地球提出的背景是怎样的？
借助新一代信息技术（如传感技术、物联网技术、移动通信技术、大数据分析、3D打印等）的强力支持，让地球上所有东西实现被感知化、互联化和智能化。
背景为金融危机影响全球。
7.相关关系是怎么回事？
相关关系是客观现象存在的一种非确定的相互依存关系，即自变量的每一个取值，因变量由于受随机因素影响，与其所对应的数值是非确定性的。相关分析中的自变量和因变量没有严格的区别，可以互换。
8.盲目搜索是什么意思？
盲目搜索方法又叫非启发式搜索，是一种无信息搜索，一般只适用于求解比较简单的问题，盲目搜索通常是按预定的搜索策略进行搜索，而不会考虑到问题本身的特性。常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
填空题知识点
1. Wiener 在智能活动领域的理论贡献？
创立控制论，开创了一个全新的学科“控制科学”（Control Science），也开创了人工智能中的行为主义学派。
2.常见的盲目搜素算法有哪些？
常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
3.最佳有限搜索算法？
题目可能是优先
最佳优先搜索（Best First Search），是一种启发式搜索算法（Heuristic Algorithm）,我们也可以将它看做广度优先搜索算法的一种改进；最佳优先搜索算法在广度优先搜索的基础上，用启发估价函数对将要被遍历到的点进行估价，然后选择代价小的进行遍历，直到找到目标节点或者遍历完所有点，算法结束。
4.大类来分，主要有哪三类机器学习算法？
监督学习、无监督学习、强化学习
5.监督学习的主要类型？
分类和回归，详见书上127页
6.人工智能之父是指？图灵测试的含义？
图灵。它的意义在于推动了计算机科学和人工智能的发展。
7.大数据时代，相关性和因果性的异同？
异：因果关系很难被轻易证明，但证明相关关系实验耗资少，费时也少。
同：相关关系为研究因果关系奠定了基础。
8.产生式系统的形式规则集怎样表示的？
IF[条件]THEN[动作]
9.机器学习算法都是基于什么理论的？
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
简答题知识点
1.大数据时代的思维转变？
1.样本=总体
大数据时代的第一个转变，是要分析与某事物相关的所有数据，而不是依靠分析少量的数据样本。
2.接受数据的混杂性
大数据时代的第二个转变，是我们乐于接受数据的纷繁复杂，而不再一味追求其精确性。
3.数据的相关关系
第三个变革，我们尝试着不再探求难以捉摸的因果关系，转而关注事物的相关关系。
2.人工智能领域的主要应用有哪些？
深度学习、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘
3.最小假币问题的状态空间图表示。P69
4.知识表示法有哪些?
叙述式表示法
把知识表示为一个静态的事实集合，并附有处理它们的一些通用程序，即叙述式表示描述事实性知识，给出客观事物所涉及的对象是什么。对于叙述式的知识表示，它的表示与知识运用（推理）是分开处理的。
过程式表示法
将知识用使用它的过程来表示，即过程式表示描述规则和控制结构知识，给出一些客观规律，告诉怎么做，一般可用一段计算机程序来描述。
5.线性回归与逻辑回归的比较
参考一：在线性回归模型中，输出一般是连续的， 对于每一个输入的x，都有一个对应的输出y。因此模型的定义域和值域都可以是无穷。
但是对于逻辑回归，输入可以是连续的[-∞, +∞]，但输出一般是离散的，通常只有两个值{0, 1}。
参考二：逻辑回归的模型 是一个非线性模型，sigmoid函数，又称逻辑回归函数。但是它本质上又是一个线性回归模型，因为除去sigmoid映射函数关系，其他的步骤，算法都是线性回归的。可以说，逻辑回归，都是以线性回归为理论支持的。
只不过，线性模型，无法做到sigmoid的非线性形式，sigmoid可以轻松处理0/1分类问题。
6.人工智能时代的重要工作岗位。
数据科学家、机器学习工程师、数据标签专业人员、AI硬件专家、数据保护专家
7.为什么在大数据时代更关注相关关系？
实验耗资少、费时也少。为我们提供新的视角，而且提供的视角都很清晰；
相关关系分析本身意义重大，同时它也为研究因果关系奠定了基础
8.深度优先搜索的算法实现。P71
顾名思义，就是试图尽可能快地深入树中。每当搜索方法可以做出选择时，它选择最左（或最右）的分支（通常选择最左分支）。沿着树的深度遍历数的节点，尽可能遍历搜索数的分支。也就是说，从根节点开始，它会首先遍历根节点的第一个子节点，接着遍历子节点的第一个子节点，并沿着树的深度一直遍历下去
9.语义网络如何理解？
语义网络是知识表示中最重要的通用形式之一，是一种表达能力强而且灵活的知识表示方法。它通过概念及其语义关系来表达知识的一种网络图。
10.神经元与神经网络的关系？神经元的工作原理。
关系：神经网络是以人脑和神经系统为模型的机器学习算法，人工神经网络是生物神经网络在某种简化意义下的技术复现，是研究人脑神经元组成而设计的。
原理：神经元由一个细胞体和突两部分组成。突分两类，轴突和树突。
树突和轴突共同作用，实现神经元之间的信息传递。
轴突的末端与树突进行进行信号传递的界面成为突触，通过突触向其他神经元发送信息。学习发生在突触附近，而且突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋信号或抑制信号。
对某些突触的刺激促使神经元触发，只有神经元所有输入的总效应达到阈值电平，它才开始工作。
综合应用题的知识点
1.旅行商问题的贪婪算法实现步骤。P70
1.从某一个城市开始，每次选择一个城市，直到所有的城市被走完。
2.每次在选择下一个城市的时候，只考虑当前情况，保证迄今为止经过的路径总距离最小。
2.常用的机器学习算法有哪些？各自的特点和适用领域是怎样的？
书上129-131页
回归算法：是最快速的机器算法之一，分类，预测离散值。
KNN算法：最基础和简单的算法之一，用于分类，比较数据点的距离，并将每个点分配给它最接近的组。
决策树算法：将一组“弱”学习器集合在一起，形成一种强算法。主要用来分类，也有做回归，但更多的是作为弱分类器，用在model
贝叶斯算法：通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率。用于文本分析、分类
聚类算法：发现元素之间的共性并对它们进行相应的分组。
神经网络算法：通过找到某种非线性模型拟合数据，主要用在图像处理等
3.专家系统的概念、结构、各模块的作用怎样？。P115-116
概念：专家系统是一种模拟人类专家解决领域问题的计算机程序系统
结构：专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成
综合数据库：专门用于存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区
知识库 用来存放专家提供的知识
推理机：针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。
人机界面：是系统与用户进行交流时的界面
解释器：能够根据用户的提问，对结论、求解过程做出说明
通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功能
4.线性回归算法解决问题的步骤和 Python 实现方法。
步骤:
- 根据预测目标，确定自变量和因变量
- 绘制散点图，确定回归模型类型
- 估计模型参数，建立回归模型
- 对回归模型进行检验
- 利用回归模型进行预测
import numpy
from pandas import read_csv
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
data = read_csv(
'file:///Users/apple/Desktop/jacky_1.csv',encoding='GBK'
)
#画出散点图，求x和y的相关系数
plt.scatter(data.活动推广费,data.销售额)
data.corr()
#估计模型参数，建立回归模型
'''
(1) 首先导入简单线性回归的求解类LinearRegression
(2) 然后使用该类进行建模，得到lrModel的模型变量
'''
lrModel = LinearRegression()
#(3) 接着，我们把自变量和因变量选择出来
x = data[['活动推广费']]
y = data[['销售额']]
#模型训练
'''
调用模型的fit方法，对模型进行训练
这个训练过程就是参数求解的过程
并对模型进行拟合
'''
lrModel.fit(x,y)
#对回归模型进行检验
lrModel.score(x,y)
#利用回归模型进行预测
lrModel.predict([[60],[70]])
#查看截距
alpha = lrModel.intercept_[0]
#查看参数
beta = lrModel.coef_[0][0]
alpha + beta*numpy.array([60,70])