《人工智能》结课总结.docx

《人工智能》结课总结.docx

《《人工智能》结课总结.docx》由会员分享，可在线阅读，更多相关《《人工智能》结课总结.docx（23页珍藏版）》请在冰点文库上搜索。

《人工智能》结课总结

《人工智能》结课总结

0.30考试基本情况

时间：

5月28日晚

题型：

选择：

10*1

填空：

15*1

名词解释：

5*3

解答题：

5*5

应用题：

3*5+2*10

2.00考试范围：

提示：

复习最好用书；

考试整体难度不大，但题目量较多；

注意有的放矢。

不考查补充内容，主要是1-6章

3.00各章节分值分布：

1：

10分左右；

2：

13分左右；

3：

23分左右，比较重要；

4：

15分左右；

5：

30分左右，算法比较容易考；

6：

10分左右。

4.10复习方法：

题型+分值分布=》考试情况

填空与选择主要以主观题目为主；

名词解释：

都是章节中的重要内容，如：

某个公式的组成部分；

某个算法的描述（主要是简单算法，不会有A算法A*算法什么的。

）

提示：

没有类似于“人工智能是什么”的题目；

有书的最好看书；

描述内容大体上意思相同就可以，但公式定义一定要完全正确。

6.00问答题：

主要集中于基本问题的问答。

应用题：

主要集中于中间4章；

典型计算和典型算法应用。

8.40第一章

题型：

填空与选择

分值：

10分左右

提示：

定义很多，不需要都背下来；

AI是一门综合性学科；

其余内容也不排除有一两分。

11.30主要内容

发展的五个时期：

要求知道

孕育期（1956年前）

形成期（1956年-1969年）-达特茅斯会议

发展期-基于知识的系统

实用期-神经网络的复兴

智能主体的兴起

研究内容：

了解

知识表示、自动推理、搜索、机器学习

三大学派：

知道名称及具体含义

符号主义：

强调物理符号系统，人类智能的基本单元是符号，认知过程就是符号操作过程，从而思维就是符号计算。

连接主义：

又称仿生学派，强调神经元的运作，人工智能可以通过仿生人类的大脑的结构来实现，它研究的内容就是神经网络。

行为主义：

行为主义又称为进化主义或控制论学派，是基于控制论和“动作--感知”型控制系统的人工智能学派，属于非符号处理方法。

14.30主要研究领域：

了解即可

专家系统、数据挖掘、语义网络、模式识别、自然语言理解、机器人、博弈、智能控制和自动推理证明。

15.40第二章

分值：

13分左右

提示：

比较重要的章节；

主要内容集中于知识表示方面

知识表示：

含义：

以形式化方式表示知识；供计算机自动地进行智能处理。

常见分类：

谓词逻辑表示法★

产生式表示法★

语义网络表示法★

框架表示法

脚本

状态空间表示法★

面向对象的知识表示

16.20重要知识表示方法

一阶谓词逻辑表示法：

考查内容：

把一句话用一阶谓词描述

重点：

谓词定义；

全称量词、存在量词及各种连词符号（共五个，不仅这里用，后面的推理也用。

）的使用。

P

Q

¬P

P∧Q

P∨Q

P→Q

P↔Q

F

F

T

F

F

T

T

F

T

T

F

T

T

F

T

F

F

F

T

F

F

T

T

F

T

T

T

T

提示：

只要把课件及书上的举例掌握即可；

考试也是考查最基本的表示。

18.25产生式表示法

提示：

主要用于产生式系统特别是专家系统。

产生式规则的基本形式：

IFPthenQ或PQ

常见的产生式规则：

①前提-结论型

②条件-动作型

提示：

注意这里具体的是哪些基本的组成。

19.50产生式系统的组成：

提示：

通过三个方面组成了产生式系统：

规则库：

用于描述某领域内知识的产生式集合，是某领域知识（规则）的存储器，其中的规则是以产生式形式表示的。

规则库中包含着将问题从初始状态转换成目标状态（或解状态）的那些变换规则。

综合库：

综合数据库又称为事实库，用于存放输入的事实、从外部数据库输入的事实以及中间结果（事实）和最后结果的工作区。

控制系统：

整个推理系统的中枢，控制应用规则推出解答的全过程

20.50产生式系统的推理方式

正向、反向和双向

提示：

了解即可

21.05两种常见的结构化表示：

语义网络

考试热点；

常见题型，课堂中的例题；

侧重实物间联系；

重点是语义网络的画法，不会有很复杂的，但基本的要知道；

基本画法：

通过图中结点与结点的联系表示，特别注意有量词的情况，尤其是全称量词，具体可以看习题。

24.10框架表示法

框架表示的基本结构：

大概掌握；

侧重实体内部联系；

常见的框架槽：

掌握前几个即可

ISA槽、AKO槽、Instance槽

具体的框架表示：

了解，能看懂即可。

25.30其它内容情况

后三节了解即可

26.20第三章

分值：

23分左右

考试重点内容之一

引言部分：

提示：

两个概念，重在理解。

盲目搜索：

没有考虑到问题本身知识，直接采用策略。

启发式搜索：

考虑到具体问题特性，把相应的启发性知识加入到搜索系统中。

27.45关于状态空间的搜索技术

状态空间：

由问题求解的合法状态集合和操作算子集合组成。

提示：

概念重在理解

状态空间搜索：

本质就是形成一个状态空间图。

举例：

传教士过河问题及另别一个课堂上的过河问题（有时间大概看一下）

28.50图的搜索算法

提示：

重点就是对算法的理解和掌握，这里的算法要求深入了解；

两个重要算法：

一般图的搜索算法：

A算法（A*算法在A算法的基础上加了一下限制条件。

）（这个更重要）

与或图搜索算法：

AO*算法

29.20一般图搜索算法

两个表的含义：

OPEN表：

存放待扩展节点的表

CLOSE表：

存放已被扩展的节点的表

具体搜索过程：

1、初始化

建立只包含初始状态节点s的搜索图G:

={s}

OPEN:

={s}

CLOSE:

={}

2、搜索循环

MOVE-FIRST（OPEN）-取出OPEN表首的节点n作为扩展的节点，同时将其移到close表

扩展出n的子节点,插入搜索图G和OPEN表

适当的标记和修改指针

排序OPEN表（？

？

？

这里这样做了吗？

）

通过循环地执行该算法，搜索图G会因不断有新节点加入而逐步长大，直到搜索到目标节点。

提示：

重点掌握的是启发式搜索算法、A算法（在一般图搜索算法上发展来的）和A*算法。

30.35盲目搜索

宽度优先——扩展当前节点后生成的子节点总是置于OPEN表的后端，即OPEN表作为队列使用，先进先出，使搜索优先向横广方向发展。

深度优先——扩展当前节点后生成的子节点总是置于OPEN表的前端，即OPEN表作为栈使用，后进先出，使搜索优先向纵深方向发展。

提示：

注意两种方法的特点；

具体算法描述不考查，两者的比较：

适用场合、共同优缺点；

自己的特点和之间的比较。

32.10关于两个衍生的深度优先

有限深度

迭代加深

提示：

了解即可

32.30启发式搜索

提示：

重中之重；

关于算法的描述不需要，但应用一定要清楚，如给一个题目，要求写出A算法的搜索过程。

A算法：

评优函数的含义及应用过程（搜索过程和两个表的变化）

34.30实现启发式搜索重点的考虑因素

（1）搜索算法的可采纳性（Admissibility）;

（2）启发式函数h（n）的强弱及其影响。

（重点）

A*算法的定义：

在A算法中，规定h（n）≤h*（n）；经如此限制以后的A算法就是A*算法

启发式函数的强弱：

注意这里相关的一个定理：

（2）启发式函数的强弱及其影响

☐定理：

解决同一问题的两个A*算法A1和A2，

⏹若h1（n）≤h2（n）≤h*（n）且g1（n）=g2（n）

⏹则t（A1）≥t（A2）

⏹其中，h1、h2分别是算法A1、A2的启发式函数，t指示相应算法到达目标状态时搜索图含的节点总数。

⏹【证明：

《人工智能上册》陆汝钤P250）】

☐八数码游戏：

w（n）≤p（n）≤h*（n）

☐p（n）扩展出的节点总数≤t（w（n））

（也就是说，在满足不大于h*（n）的情况下，h（n）越大越好。

不要求证明，但要求应用）

提示：

重点是启发式函数强弱的影响（以8数码问题中两个的比较）

37.35其它内容（不要求）

扩展及迭代加深A*算法

回溯法及爬山法

37.55问题归约和与或图

问题归约

定义：

将复杂问题化为简单问题的一种形式，具体来说就是把复杂的问题变换为若干需要同时处理的较为简单的子问题后再加以分别求解；只有子问题全部解决时，问题才算解决；问题的解答由子问题的解答联合构成。

提示：

一般了解，知道基本含义即可

与或图

定义：

应用问题归约策略得到的状态空间图，也称为“与或图”

组成：

K-连接、根、叶、终节点

应用举例：

给你一个与或图，要求判定哪些是叶节点、终节点及代表目标状态的节点。

提示：

重点内容

39.05AO*算法

AO*算法与A算法的比较（重点理解）

解图——解答路径，

估计代价最小的局部解图加以优先扩展——OPEN表中f（n）最小的节点；

只考虑评价函数f（n）=h（n）——同时计算分量g（n）和h（n），

应用LGS存放待扩展局部解图，并依据fi（n0）值排序——应用OPEN表和CLOSE表分别存放待扩展节点和已扩展节点，并依据f（n）值排序OPEN表。

提示：

具体过程掌握，但要求不高。

40.00博弈

博弈：

博弈提供了一个可构造的任务领域，在这个领域中，具有明确的胜利和失败两种状态。

两个重点算法：

极大极小过程

α-β过程

关于极大极小过程：

含义和思想

含义：

极大极小过程是考虑双方对弈若干步之后，从可能的走法中选一步相对好的走法来走，即在有限的搜索深度范围内进行求解。

思想：

提示：

算法不要求强制掌握，掌握三个基本概念即可。

41.35第四章

分值：

15分左右

提示：

重点集中在归结演绎推理（也称归结反演）

自然演绎推理了解即可

42.354.4归结演绎推理

子句集的划归：

提示：

一定要掌握，重点掌握。

注意它是一个非等价变换，因为中间的变换是非等价的；

考查方式一般是给一个一阶谓词，然后要求把它化成子句集。

44.25归结（也叫消解）

基本的消解方法：

计算：

45.00空子句

定义：

表示：

45.35归结的计算

提示：

比较简单，一定得会

45.45归结原理

归结演绎树的过程：

46.20归结反演系统

基本推理方法（即基本思路）：

要从作为事实的公式集F证明目标公式W为真；

①先将W取反W，加入公式集F；

②标准化F∧W为子句集S；

③通过归结演绎证明S不可满足，得出W为真的结论。

提示：

总共三步；

掌握课件中例题

47.50本章总结

补充内容不考，重点是归结演绎推理这一节中。

48.30第五章

分值：

30分左右

提示：

三个重点都是在中间三节（5.35.45.5）的计算上；

重要定义式的组成。

49.05第一节

不确定推理的基本含义（了解）：

要解决的基本问题：

不确定知识的表示问题

不确定信息的计算问题

不确定性表示

计算的语义解释问题

0.105.3主观Bayes方法

提示：

公式太多，掌握最基本、最关键和最重要的计算（LS/LN相关的定义式的计算）即可；

重点是LS/LN的含义；

两个定义式一定要深入掌握。

1.30相关例题

课件中的一个例题：

课本中的例5.1（相对较复杂）：

推理的传递例题：

3.055.3节总结

两个例题

关于LS/LN的表示的相关问题

4.55关于其它复杂的计算：

不要求

5.25关于LS/LN两个重要因子的认识

LS

定义式：

含义：

LS——推理规则PQ成立的充分性因子；表示P成立对Q成立的影响力。

性质：

=1:

O（Q/P）=O（Q），P对Q无影响；

>1:

O（Q/P）>O（Q），P支持Q；

<1:

O（Q/P）

LN

定义式：

含义：

LN——推理规则PQ成立的必要性因子；表示P不成立对Q成立的影响力。

性质：

=1:

O（Q/﹁P）=O（Q），﹁P对Q无影响；

>1:

O（Q/﹁P）>O（Q），﹁P支持Q；

<1:

O（Q/﹁P）

7.205.4节可信度方法

提示：

重点是可信度计算；

本身并不太难，但考试容易考；

课件及书上都有相应举例。

可信度的定义式（重点）：

可信度的计算：

提示：

主要是在合取、析取情况下计算；

单个节点可信度与推导可信度相乘；

最终综合可信度计算。

9.40可信度应用举例

PPT106

书上的例题是（见专用课件）

21.305.5证据理论

提示：

本身的计算也很复杂，但这里掌握最核心的计算即可。

21.50几个定义式

信任函数：

似然函数：

提示：

要能写出它们的定义式。

22.55两个函数的性质（书上有总结）

提示：

注意几个特殊集合（空集、全集）的值；

正常情况下信任函数的两个值间的关系

A的不确定性的描述。

24.55本节总结

重点是前两个函数的构成、表示方法及性质；

第三个函数掌握定义式即可；

本节的计算要求不高，只要掌握到作业中的程度即可。

26.00第六章

提示：

没有什么应用题，主要集中几个基本概念上。

26.30学习系统的基本组件及含义

27.25关于课件中基本策略的学习分类

机械学习

示教学习

类比学习

示例学习

27.42归纳学习

含义：

从提供的示例中抽象出结论的知识获取过程。

两个重要的归纳学习：

示例学习

ID3算法