人工智能导论期末考试内容（考后回顾）

试卷分析

1.试卷满分100分
2.题型有三种，所占分值如下：

复习知识点

简答题＋思考题：40分

1.什么是人工智能？人工智能的基本技术是什么？ 必考
人工智能就是用人工的方法和技术开发智能机器或智能系统，以模仿、延伸和扩展人的智能、生物智能、自然智能，实现机器的智能行为。
人工智能的三大基本技术：
①知识表示技术
②知识推理、计算和搜索技术：包括推理技术、搜索技术、机器学习、智能计算等。
③系统实现技术
2.语义网络表示事实 未考
语义网络可以用有向图表示，图的节点表示概念，有向边表示概念之间的语义关系。
3.什么是专家系统？包含哪几部分？专家系统有什么特征？ 未考
专家系统是应用于某专门领域，拥有该领域专家级知识，能够像人类专家一样解决复杂问题的计算机系统。
专家系统包括：用户界面、解释机、知识获取机、推理机、知识库、动态数据库。
4.产生式系统由哪几部分组成？阐述各部分功作用。 未考
产生式系统由动态数据库、产生式规则库和推理机这三部分组成。
动态数据库的作用是存放输入的事实和问题状态。
产生式规则库是用规则形式表示的知识的集合。
推理机：将事实与规则匹配，并应用。
5.列出5种符号学习的具体方法。 未考
①语义网络
②专家系统
③框架系统
④逻辑编程
⑤本体论
6.什么是机器学习？机器学习系统的基本结构以及各部分的作用。 考了
机器学习：实现通过经验来提高对某任务处理性能的行为的计算机程序。它使计算机系统能够从数据中进行学习，根据经验自动改进，不需要明确编程。
基本结构：环境（数据）——学习算法——知识库——评价
环境：提供外界信息，往往以训练数据的形式出现。
学习算法：处理环境提供的信息并接收执行环节的反馈信息，直到满足性能标准。
知识库：学到的知识
评价：测试所学到的知识的性能，进行评价。

深度神经网络：连接学习
符号学习：专家系统
统计学习：决策树
7.按照拓扑结构分，神经网络可分为哪几类？具有什么网络特征？ 未考
网络的拓朴结构，即神经元之间的连接方式。按此划分，可将神经网络结构分为两大类：层次型结构和互联型结构。
层次型结构的神经网络将神经元按功能和顺序的不同分为输入层、中间层（隐藏层）、输出层。输入层各神经元负责接收来自外界的输入信息，并传给中间各隐层神经元；隐藏层是神经网络的内部信息处理层，负责信息变换。根据需要可设计为一层或多层；最后一个隐藏层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。
而互连型网络结构中，任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的连接程度将互连型网络细分为三种情况：全互连型、局部互连型和稀疏连接型。
8.自然语言处理是什么？自然语言处理涉及哪些层次？自然语言处理有哪些应用？试举例说明。（考了相关的）
自然语言处理是指用计算机来分析、处理自然语言，让计算机理解并能表达自然语言，实现人与计算机的自然语言交流。
自然语言处理涉及：语音分析、词法分析（词语的识别和词性的判断）、句法分析（推导出句子的语法结构）、语义分析（获取一段文字所表达的意义） 和语用分析。
自然语言处理应用：
1.语音识别与合成
2.机器翻译：是一种使用计算机将一种自然语言（源语言）自动翻译成另一种自然语言（目标语言）的技术。
3.信息检索
4.问答系统
5.文本分类
9.结合课程所学，谈谈人工智能有哪些研究流派，他们的认知观是什么，在人工智能发展史上起什么作用？谈谈你对人工智能这门学科的认识，设想一下人工智能的未来什么样？（最后一题简答题，15分，这次考的是你认为当前人工智能的最新成果是什么？它对人工智能的发展有什么作用？）
人工智能三大研究流派：符号主义、连接主义、行为主义。
符号主义是以人脑的心理模型为依据，将问题或知识表示成某种符号，采用符号推演的方法，从宏观上模拟人脑的推理、联想、学习、计算等能力，实现人工智能
连接主义通过对大脑微观生理结构的模拟达到对智能的模拟，用人工神经元组成的人工神经网络作为信息和知识的载体，用神经计算实现学习、记忆、联想、识别和推理等功能，模拟人脑的智能行为，使计算机表现出某种智能
行为主义学派也称进化主义学派、控制论学派、实用技术学派。行为模拟是模拟人在控制过程中的智能活动和行为特性，如自组织、自学习、自适应、自寻优等，以此来研究和实现人工智能。
这些流派在人工智能的发展史上起到了不同的作用，它们相互补充，共同推动了AI技术的进步。
10.什么是不确定性推理？不确定性知识表示和推理需要解决的问题？（考试考了，没复习到）
不确定性推理：从不确定的初始证据出发，运用不确定
性知识，推出既保持一定程度的不确定性又合理或基本
合理结论的推理过程。
需要解决的问题：
①不确定性的度量
②不确定性的知识表示
③不确定性的传递
④不确定性的合成
此外还考了open表和closed表存储了哪些信息。

应用题（60分）——每道大题十分

第二章——基于图的知识表示与图搜索技术

考点：
1.代价树，瞎子爬山搜索法，给出相应的解（路线）
考试考了，课后习题 √
2.用极大极小方法求最佳走步
考试考了√
3.画出状态空间转换图
考试考了√
例1.构造二阶梵塔问题的状态空间图，并给出一个解（移动路线）
（1，1）分别代表在最下和最上面的盘子的位置。
（1，1）→（1，2）→（3，2）→（3，3）
先说明0代表什么，1代表什么？然后直接给出状态空间图。
或者是引入一个三元组Q0=（0，0，0）表示…状态，操作是什么，开状态为0，关状态为1，然后把全部可能的状态罗列出来，画状态空间图的时候可以用双箭头连接，移动路线是…

第三章——归结原理

1.应用归结原理证明定理或者求取答案（考试考了）
2. 采用支持集策略归结（这次考试考了，没复习到，10分）
归结策略-类型
◼ 简化性策略：尽量简化子句集，避免无效归结。
◼ 删除策略
◼ 限制性策略：尽量缩小搜索范围，提高搜索效率。
◼ 支持集策略
◼ 线性归结策略
支持集：目标公式否定的子句及其后裔。
支持集策略：参与归结的两个亲本子句中至少有一个是目标公式否定的子句或其后裔。
思想：归结原理属于目标制导的反向推理策略，尽量避免在可满足的子句集中做归结，因为从中推不出空子句。
特点：完备。

这一章比较重要，是重难点，也是考试必考点。

第四章——确定性理论以及模糊推理

不确定性推理（考试考了√）
◼ 不确定性的度量：概率、信度等
例：（这场球赛甲队取胜，0.9）
◼ 不确定性的知识表示：产生式规则A→B,C(B|A)
例：
如果乌云密布并且电闪雷鸣，则天要下暴雨(0.95)。
如果头疼发烧，则患了感冒(0.8)。
◼ 不确定性的传递：前提的不确定性如何决定结论的不确定性。
◼ 不确定性的合成：不同证据支持同一结论时其不确定性的如何综合衡量？
◼ 不确定性度量
可信度因子(Certainty Factor) CF(H,E)：
指当前提条件E对应的证据为真时，对结论H为真的支持程度。
◼ 不确定性的表示
知识的不确定性表示 if E then H (CF(H, E))
初始证据E的不确定性CF(E)由用户给出
CF(H,E)的取值范围是[-1,1]
如果为1，表示E所对应证据的出现使H为真
如果为-1，表示E所对应证据的出现使H为假
如果大于0，说明E所对应的证据的出现增加了H为真的概率。
如果为0，表明E所对应证据的出现对H没有影响。
组合证据E的CF值采用最大最小法计算
如何根据证据的不确定性CF（E）和已知的规则的可信度CF（H，E）来求结论H的可信度CF（H）？
公式就是：CF（H) = CF(H,E)×max{CF(E),0}
当由不同的证据通过不同的规则得到相同的结论时，当结论的可信度不同时，如何将可信度进行合成？

做题步骤：
先画出推理网络，然后再算可信度：

模糊推理：（没考）

一个含有两两互斥元素的不变的集合就是论域。
模糊集合是用来表示模糊概念的。
模糊规则的前件和后件分别用论域U和V上的模糊集来表示。
A和B都是模糊语言值，可以分别用论域U和V上的模糊集来表示。
A’是论域U上的模糊集合。
模糊集合F有很多种表示方式，常见的有两种：
F={0.1，0.5，0.3，0.9}或者
F={0.5/1+0.8/2+0.3/3+1/5}
正式答题的最后一步要回归到第二种方式上。
答题步骤：
①先抄一下题目条件A=…,B=…，利用关系合成来构造模糊关系Rm:,Rm是一个矩阵，算的方法是：Max(min(第一个，一行中的某一个),1-第一个）
比如上面的矩阵第一行就是
[0,0,0.5,0.7,0.9,1]
②由已知条件，与模糊关系进行合成得到结论的模糊集合。
B’ = A’ 。Rm = (…)
运算规则就是一行对应一列，先取小，后取这一排中的最大的。
③即模糊结论y为…用+号连接起来的模糊集合。
不过这次期末考试没考模糊推理。

参考文章：
https://blog.csdn.net/mynote/article/details/125704192
http://t.csdnimg.cn/za89v