前言

从上述成绩分布来看，大家最后总评都还挺高的；
听闻，这次期末改卷相对松，倒是平时分上有些差异
(头歌平台上的实验占比25%、作业占比20%，小班讨论占比10%)
特别强调：24级的人工智能课程有些调整，下述内容仅作为复习方向参考

---

本次期末考试整体概念性内容偏多，应用型题目偏少。

往年试卷资源：甘晴的GitHub仓库（含 2015–2020 年以及部分年份的计科、智能和计拔的期中、期末试卷）

注意：文件中的参考答案仅供对照参考，可能存在个别错误。例如，"期中试卷"的 α-β 剪枝部分答案有误，使用时请注意识别。

关于时间：本次考试时长为 2 小时，虽然概念题较多，但是考察内容整体偏基础。

23级计科，期末考试范围为：
期中范围【1-9章】（对应教材章节）+ 13~15章 + 老师课件范围【机器学习 + 深度学习(Basic、CNN、RNN、Transformer) + 强化学习】

教材章节列表：

第 1 章 绪论
第 2 章 智能 Agent
第 3 章 通过搜索进行问题求解
第 4 章 超越经典搜索
第 5 章 对抗搜索
第 6 章 约束满足问题
第 7 章 逻辑 Agent
第 8 章 一阶逻辑
第 9 章 一阶逻辑的推理
第13章 不确定性的量化
第14章 概率推理
第15章 时间上的概率推理

---

真题回忆

一、Agent（10 分）

1. 什么是“理性 Agent”？ (2 分)
2. 一个 Agent 的理性取决于哪些因素？ (4 分)
3. 请描述 Agent 的任务环境。 (4 分)

---

二、一阶逻辑（15 分）

给定谓词：

• Red(x)：有红头发。
• Run(x)：喜欢跑步。
• Veg(x)：喜欢吃蔬菜。

将下述表述用一阶逻辑表示，并转换为CNF

1.不存在一个红头发的学生，既喜欢跑步又喜欢吃蔬菜
2.存在…(忘了)

---

三、隐马尔科夫（HMM）

题型说明：与往届很多期末试题（如 2019 年）基本一致，主要考察对 HMM 模型（状态转移概率、观测概率、初始状态分布）的理解和应用。

参考题目：（2019 年期末）

考试说明：本次考题形式类似上述题目，且这次运算量很少。

---

四、机器学习

1. 任务方法选择：

• 任务①：根据用户的历史购买记录，预测其下一个购买商品的种类。
• 任务②：预测某房型的房价。

任务①和任务②分别要用什么方法，为什么？

分类和回归

2. 验证集的作用是什么？通常如何划分训练集、验证集和测试集的比例？
3. N折交叉验证是什么，请阐述其优点和缺点

题目明确说的就是N折，不是k折

4. 在 N折交叉验证中，当 N 恰好等于数据集的总样本数时，这种方法叫什么？

留一法

5. 若一个模型在训练集上的准确率达到 99%，但在测试集上的准确率仅为 60%，这表明模型出现了什么现象？请分析其原因。针对此现象，通常可采用哪两种主要方法进行改善？

过拟合；
正则化方法和数据集扩增

---

五、深度学习

1. 卷积层和池化层分别起什么作用？
2. 输入图像尺寸为32 × 32 × 3，使用 8 个 3 × 3 × 3的卷积核进行卷积操作，步长为1，使用零填充，求输出的特征图尺寸，并给出详细的计算过程。

考到一半补充：零填充 → p=1

3. 使用一个 2 × 2 的最大池化层来处理第 2 问得到的输出，步长为2，求：输出的特征图尺寸。
4. 循环神经网络 (RNN)：
   • 单向 RNN 和 双向 RNN 的主要区别是什么？
   • 双向 RNN 的主要限制是什么？
5. Transformer：
   • 位置编码 (Positional Encoding) 的作用是什么？
   • 多头注意力机制 (Multi-Head Attention) 中，“多头”的设计有什么作用？
   • 层归一化 (Layer Normalization) 的作用是什么？

---

六、强化学习

1. 画出智能体（Agent）与环境（Environment）之间的交互示意图，并在图中明确标注出状态 (State, s)、奖励 (Reward, r) 和动作 (Action, a)
   

上图为老师课件图，考试中并未提供

2. 求轨迹，初始时刻t=1，最终时刻t=N
3. 请给出回报和折扣回报的公式，，考虑最终时刻 t=N。
4. 基于价值的方法和基于策略的方法分别的根本优化目标是什么？可以用数学公式表示。
5. 请叙述将时序差分应用于Deep Q-Network的完整过程。