人工智能导论考试---超详细
自己归纳的部分考试知识点
简答题
批量梯度递减和随机梯度递减
随机梯度算法(SGD)。相比于正统的批量梯度算法 (BGD)网络参数调参策略:全部样例计算一次误差, 调整一次参数,SGD的网络参数调参策略是:一样例、 一误差、一调参。在实践中,两种策略都被广泛采用, 但当样本数量较大时,SGD更容易收敛
盲目搜索与启发式搜索:
(1)盲目搜索:在不具有对特定问题的任何有关信息的条件下,按固定的步骤(依次或随机调用操作算子)进行的搜索。
5.3.1 回溯策略
5.3.2 宽度优先搜索策略
5.3.3 深度优先搜索策略
(2)启发式搜索:考虑特定问题领域可应用的知识,动态地确定调用操作算子的步骤,优先选择较适合的操作算子,尽量减少不必要的搜索,以求尽快地到达结束状态。
什么是推理、正向推理、逆向推理、混合推理?试列出常用的几种推理方式并列出每种推理方式的特点。
推理:人们在对各种事物进行分析,综合并最后做出决策时,通常是从已知的事实出发,通过运用已掌握的知识,找出其中蕴含的事实,或者归纳出新的事实的过程称为推理
正向推理:以知事实作为出发点的一种推理。
逆向推理:以某个假设目标作为出发点的一种推理。
混合推理:一种既有正向又有逆向的推理。
常用的推理方式有: 演绎推理、归纳推理、默认推理、 确定性推理、不确定性推理、
演绎推理是从全称判断推导到单称判断的过程。既从一般到个别的一种推理,常见的是三段论
归纳推理是从足够多的事例中归纳出一般性结论的推理过程,是个别到一般的推理 默认推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。
什么是可信度?由可信度因子 CF(H,E)的定义说明它的含义。
根据经验对一个事物或现象为真的相信程度称为可信度
CF(H,E)反映了前提条件与结论的联系强度。它指出当前提条件E所对应的证据为真时,它对结论H为真的支持程度,CF(H,E)的值越大,就越支持结论H为真。
什么是不确定性推理?有哪几类不确定性推理方法?不确定性推理中需要解决的基本问题有哪些?
不确定性推理:从不确定性的初始证据出发,通过运用不确定性的知识,最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。
不确定性推理方法有:可信度方法、证据理论、模糊推理方法
基本问题有:不确定性的表示与量度 不确定性匹配算法与阈值的选择 组合证据不确定性的算法 不确定性的传递算法 结论不确定性的合成
说明概率分配函数、信任函数、似然函数的含义。
概率分配函数与概率相同吗?为什么?
不同,概率分配函数实际上是对D的各个子集进行信任分配,M(A)表示分配给A的那一部分。
什么是谓词?什么是谓词个体及个体域?函数与谓词的区别是什么?
谓词:是用于刻画个体的体制、状态或个体间关系语句片段
谓词个体:是可以独立存在的物体。
个体域:是谓词个体的集。
区别:在谓词逻辑中,谓词是从个体常项或者谓词常项到真值的函数,函数是从个体常项到个体常项的函数。
A*和A
估价函数fn=gn+hn
八数码图:
A*具有
可采纳性:一个算法存在最短路径时可以在有限步里面找到它,则为可归纳性
单调性:
信息性:hn越大,A*算法搜索的信息性越多、所搜索的状态就越少。
什么是人类智能?它有那些特点?
人类智能:人类所具有的智力和行为能力。
特点:主要体现为感知能力、记忆与思维能力、归纳与演绎能力、学习能力以及行为能力。
什么是人工智能?它的发展过程经历了哪些阶段?
人工智能:用人工的方法在机器(计算机)上实现的智能。
阶段:孕育阶段、人工智能基础技术的研究和形成、发展阶段、大数据驱动人工智能发展期。
人工智能研究的基本内容有哪些?
基本内容:知识表示、机器感知、机器思维、机器学习、机器行为。
计算题or证明题
归纳反演证明
(1)能阅读者是识字的;
(2)海豚不识字;
(3)有些海豚是聪明的;
已知谓词R(x)表示x能阅读, L(x)表示识字,D(x)表示x是海豚,I(x)表示聪明的,请用归结原理证明:有些聪明者并不能阅读。
证明:
已知谓词:R(x)表示x能阅读, L(x)表示识字,D(x)表示x是海豚,I(x)表示聪明的。
则将条件与目标用谓词公式表示:
(1) ∀x(R(x)→L(x))
(2) ∀x(D(x)→¬L(x))
(3) ∃x(D(x)∧I(x))
把要求证的结论用谓词公式表示出来并否定,得:
(4) ∃x(I(x)∧¬R(x))
把上述公式化成子句集:
(1) ¬R(x)∨L(x)
(2) ¬D(y)∨¬L(y)
(3) D(a)
(4) I(a)
(5) ¬I(z)∨R(z)
应用归结原理进行归结:
(6) ¬L(a) (2),(3)归结
(7) ¬R(a) (1),(6)归结
(8) R(a) (4),(5)归结
(9) NIL (7),(8)归结
故得证
可信度法:
- (计算题)已知:规则可信度为
r1:IF E1 THEN H1(0.7)
r2:IF E2 THEN H1(0.6)
r3:IF E3 THEN H1(0.4)
r4:IF (H1 AND E4) THEN H2(0.2)
证据可信度为:CF(E1)=CF(E2)=CF(E3)=CF(E4)=0.5,H1的初始可信度一无所知,H2的初始可信度CF0(H2)=0.3,计算结论H2的可信度CF(H2)。
证据理论:
设样本空间D={a,b,c,d},M1、M2为定义在2D上的概率分布函数:
M1:M1({b,c,d})=0.7,M1({a,b,c,d})=0.3,M1的其余基本概率数均为0;
M2:M2({a,b})=0.6,M2({a,b,c,d})=0.4,M2的其余基本概率数均为0;
求它们的正交和M=M1⊕M2。
模糊推理
设有论域U={x1,x2,x3,x4},A,B是U上的两个模糊集,且有A=0.85/x1+0.7/x2+0.9/x3+0.9/x4+0.7/x5B=0.5/x1+0.65/x2+0.8/x3+0.98/x4+0.77/x5
求A∩B、A∪B和!A。
BP反向调整权值:
更多推荐
所有评论(0)