2020-2021-2學期-人工智能復習總結
0 考試重點內容和范圍
- 判斷 10 x 2分
- 基本概念
- 計算應用題 4個題 共 60分
- 每章都有(語義網絡、搜索(盲目搜索寫路徑，OPEN表、CLOSED表；或者啟發式搜索八數碼搜索樹等)、神經計算(感知器學習) )
- 謂詞邏輯不考
- 設計題，綜合考核
- 給你一個場景，根據場景要實現的內容，講述如和才能實現？
1 中南配套5張試卷中的一些考點
1.1 零碎的知識點
-
被譽為國際“人工智能之父”的是 圖靈（Turing） 。
-
已知初始問題的描述，通過一系列變換把此問題最終變為一個子問題集合；這些子問題的解可以直接得到，從而解決了初始問題。這種知識表示法叫 問題規約法 。
-
語義網絡的組成部分為 節點和弧線 。
-
如果問題存在最優解，則下面幾種搜索算法中， 寬度優先搜索 必然可以得到該最優解，啟發式搜索 可以認為
是“智能程度相對比較高”的算法。 -
根據貝茲德克的觀點，計算智能系統應該呈現 : 計算適應性、計算容錯性、接近人的速度、誤差率與人接近
-
人工智能的研究領域有：問題求解與博弈、邏輯推理與定理證明、計算智能(神經計算、模糊計算、進化計算、人工生命等)、分布式與人工智能與Agent、自動程序設計、專家系統、機器學習、自然語言處理、機器人學、模式識別、機器視覺、神經網絡、智能控制、智能調度與指揮、智能檢索、系統與語言工具 。
-
A*算法中，節點 x 的估價函數 f(x)=g(x)+h(x)，其中 g(x)表示 從起始節點到x的代價的估計 ,h(x)表示 從x節點到目標節點的代價估計 ,並且 h(x)必須滿足 h(x) <= h*(x) 不等式，估價函數的作用是: 節點位於解路徑上的希望的估計 。g(n) >= g*(n) , g 是 g* 的估計，g*(n) 表示從起始節點到任意節點 n 的最佳路徑的代價。
-
人工神經網絡主要有 有師學習、無師學習、增強學習 。
-
決定神經網絡的三個主要因素是 神經元、網絡的拓撲結構、學習算法 ， 常用激勵函數包括：二值函數、線性函數、sigmoid 函數 。
-
采用語義網絡表示知識時，圖中的節點表示 實體、概念、情況等 ，弧表示 節點間的關系 。
-
采用問題歸約法的求解策略時，本原問題是指 可以直接求解的問題 ；其搜索是在一張與或圖中進行，圖中的節點分為可解節點和不可解節點，本原問題對應的是 可解 節點。
-
A 算法： 定義評估函數為 f(n) = g(n) + h(n) 對OPEN表的元素按照 f 值從小到大進行排列，每次從OPEN表中取出 f 值最小的節點擴展 ，這種圖搜索算法稱為 A 算法。
-
A* 算法 ：再A算法的前提下，如果對於任意節點n ，都有 h(n) <= h*(n) , 則此時的A算法稱為 A* 算法 。 h*(n) 就是 從節點 n 到目標節點最小代價路徑的代價 。
-
人工智能三大學派：符號主義(心理學派，邏輯主義，計算機學派) 、連接主義(仿生學派，生理學派)、行為主義(進化主義，控制論學派)
-
知識表示方法中是采用圖的形式表示知識的是 狀態空間法、問題規約法、語義網絡法 ,不是采用圖的形式表示知識的是 謂詞邏輯法 。
-
當狀態空間中有重復狀態會形成圈時，深度優先搜索算法 有可能找不到解。
-
對於一個如下圖的感知器，當前 w1 = -0.3，w2 = -0.6，w0 為閾值權重 w0 = -0.7，其激勵函數為二值型函數，
x1 = 1，x2 = 0，輸出為 0 ，若使用公式 w = w + r(t - o)x 為感知器學習的權值更新公式，其中 r 為學習常數 r = 0.1 ， t為 期 望 輸 出 t =1 ， o 為 實 際 輸 出 ，x 為當前輸入的值 ， 則 在 上 述 輸 入 下 經 過 一 次 學 習 后 ， 新 的 權 值 為 w1= -0.2 ，w2= -0.6 ， w0= -0.6 。
-
貪婪搜索 : 即評價函數 = 啟發函數 。缺點：找到的路徑不一定是最優的，節點容易陷入死循環。
1.2 大題，計算題等
1.2.1 計算八數碼
1.2.2 人工神經元之3數相乘奇偶性判斷
答：a) 第4個輸入單元是 偏置 ，其輸入值為 1 。
b) s = 1 * 0.3 + 2 * 0.2 + 3 * 0.5 + 4 * (-0.3) = 1 > 0 , 是偶數 。
1.2.3 搜索綜合+婉約
- 寬度優先 2) 等代價搜索 3) A* 搜索
答：
(1) 圖1(a)：E的啟發函數值為15，E到G的最短路徑實際代價為14，不滿足可納性條件
圖1(b)：F的啟發函數值為32，F到G的最短路徑為F-E-G，實際代價為31，不滿足可納性條件
(2) 通過對圖2的分析可知，節點B進行了擴展 ，此時的OPEN表{C,D,E,F,G,H} （按照節點產生的順序）。
- 寬度優先：C，理由：寬度優先搜索是一層一層來的，所以接下來該擴展的節點是 C 。
- 等代價搜索：D , 理由：等代價搜索每次擴展的是起始節點到節點i最少代價的節點，而起點A到其中代價最小的可以由圖中直接看出為節點D (5 < 3 + 4 ,5 < 3 + 5 ,5 < 3 + 5 ,5 < 3 + 6 ,5 < 19 ) 所以接下來擴展的節點為 D
- A * 搜索 ：G ，理由：A* 算法的估價函數 f(n) = g(n) + h(n) ，而由圖2和題干可知，連接節點的線上的數字即為 g(i) ,而已經給出了還未擴展各點的 h(i)的值，通過計算各點的 f 值(C 點的f值為19 + 5 = 24 ，D 點的 f 值為5 + 13 = 18 ，E 點的 f 值為 4 + 10 = 14 ，F 點的 f 值為5 + 12 = 17 ，G 點的 f 值為5 + 8 = 13 ，H 點的 f 值為6 + 10 = 16 ) 選擇 f 值最小的節點進行擴展，所以接下來擴展的節點為 G 。
1.2.4 語義網絡
用語義網絡表示下面的知識：
-
我是一個人 。2) 我有一台計算機。3) 我的計算機是 PC/PIV1.8G。4) PC 機是計算機 。
-
PC/PIV1.8G 是 PC 機。6) PC/PIV1.8G 包括硬盤、顯示器、CPU、內存。
1.2.5 搜索擴展節點順序及解路徑
-
求 節點從OPEN表中移出的順序（節點的擴展順序）
-
解路徑
1.2.6 TLU
2 對上述內容的補充
2.1 零碎知識點
- 符號主義認為，人工智能的核心問題是 知識表示、知識推理、知識運用 。知識表示是基礎，知識推理實現問題求解，知識應用是目的。
- 人工智能方法的爭論：符號主義(功能模擬) ， 連接主義(結構模擬) ，行為主義(行為模擬) 。
- 人工智能(學科)：人工智能是計算機科學中涉及研究、設計及應用智能機器的一個分支，它的近期主要目標在於研究機器來模仿和執行人腦的某些智力功能，並開發相關理論和技術。
- 人工智能(能力) ：是智能機器所執行的通常與人類智能有關的智能行為，這些智能行為涉及學習、感知、思考、理解、識別、判斷、推理、證明、通信、設計、規划、行動和問題求解等活動。
- 寬度優先搜索中，擴展節點得到的新節點是放到 OPEN 表的 末端 ， 而在深度優先搜索中，新節點是放到OPEN 表的 前頭 。
- 人工智能系統的知識包含的4 個要素 ：事實、規則、控制和元知識 。
- 語義網絡表達知識時，有向弧AKO 鏈、ISA 鏈是用來表達節點知識的 繼承性 。
- 或圖通常稱為 狀態圖 。
- 圖：由節點和有向邊組成的網絡。按照連接同一節點的各邊的邏輯關系又可分為或圖和與或圖。
- 人工智能的遠期目標是用自動機模仿人類的思維活動和智力功能 ，近期目標是 建造智能計算機以代替人類的某些智力活動 。
- A 算法不一定能獲得最優解，A*算法可以保證能獲得最優解。
- 如果對於所有的節點 ni 和它的一個后繼節點 nj 有 h(ni) - h(hj) <= c(ni , nj )，其中 h(t) = 0 (t 為任一目標節點)，則稱 h 滿足單調性質。上式也可寫成 h(ni) <= h(hj) + c(ni , nj ) 。
- 如果 h 滿足單調限制，則 A* 算法擴展的結點序列的f 值是非遞減的。
- 神經網絡中的常見模型：前饋神經網絡(前向神經網絡)，反饋神經網路(遞歸神經網路)。
- 影響神經網絡泛化能力的因素主要有：訓練樣本的質量和數量、網絡結構、問題本身的復雜程度。
2.2 應用計算題
2.3 設計題
某工廠要設計一個人工智能系統（如構建一顆決策樹，以預測某同學是否會參加XX 公司的招聘）試描述該人工智能系統的主要設計思路。假設已知提供相關信息（如公司規模、工資多少、福利情況、是否需要加班等）
解答：
1、數據集的構建和預處理
2、學習算法的選擇
3、基於訓練集對模型進行訓練即完成參數學習
4、基於測試集完成模型性能的評價或測試模型性能或效果。
