人工智能期末复习资料
人工智能期末考试复习
1、人工智能的概念及其发展历史上先后出现的主流学派2、传统搜索算法的优点和不足，会用宽度优先和深度优先求解问题答：宽度优先搜索算法（又称广度优先搜索）是最简便的图的搜索算法之一，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果。
换句话说，它并不考虑结果的可能位址，彻底地搜索整张图，直到找到结果为止。
在状态图搜索中，从初始节点出发，同层优先搜索，逐层进行搜索。
深度优先搜索是在搜索树的每一层始终先只扩展一个子节点，不断地向纵深前进直到不能再前进（到达叶节点或受到深度限制）时，才从当前节点返回到上一级节点，沿另一方向又继续前进。
这种方法的搜索树是从根节点开始一枝一枝逐渐形成的。
宽度优先搜索将新扩展的节点放在open表的尾部，而深度优先搜索将新扩展的节点放在open表的前面。
3、高级搜索算法的优点和不足4、A*算法的概念、步骤以及应用5、适值函数的作用和意义，会分析问题的适值函数（估价函数，如八数码问题的估价函数）6、谓词逻辑的概念、原理、优点和不足；能够用其描述知识和过程7、产生式系统概念、组成；能够用其进行逻辑推导。
8、语义网络概念、原理，会用（比较详细）语义网描述知识9、机器学习、聚类分类概念，了解其所采用四个策略。
10、SA原理，其计算过程中的三函数两准则，能够用SA求解实际问题11、GA原理，交叉、变异、选择操作，能够用GA求解实际问题12、人工神经网络的历史和要素13、递归网络结构和原理14、BP网络，能描述网络结构，解释其原理15、Hopfield网络，能描述网络结构，解释其工作机理16、博弈树原理，会利用α-β剪枝搜索（掌握生成节点倒推值的方法、判定剪枝）答：博弈策略假设我们对所讨论的博弈问题构造了一棵完整的博弈树，我们希望能从中找出棋手应采用的策略。
这种策略应当确保棋手会赢，或者起码能够得到和局的结果首先我们把该博弈树的每一个节点标上w（对应于赢）、d（对应于和局）或者l（对应于输）。
大数据与人工智能期末复习
• 25、人工智能的发展历程：
• 1956年—20世纪60年代初。机器定理证明、 跳棋程序等，掀起人工智能发展的第一个 高潮。
• 第二是反思发展期：20世纪60年代—70年 代初，无法用机器证明两个连续函数之和、 机器翻译闹出笑话等，使人工智能的发展 走入低谷。
• 25、人工智能的发展历程：
• 第三是应用发展期：20世纪70年代初—80 年代中。专家系统模拟人类专家的知识和 经验解决特定领域的问题，
• 18、大数据时代，我们是要让数据自己 “发声”，没必要知道为什么，只需要知 道是什么。
• 19、建立在相关关系分析法基础上的预测 是大数据的核心。
• 20、心跳机制：就是每隔几分钟发送一个 固定信息给服务端，服务端收到后回复一 个固定信息如果服务端几分钟内没有收到 客户端信息则视客户端断开。
• 21、计算智能：机器可以像人类一样存储、 计算和传递信息，帮助人类存储和快速处 理海量数据，即能“存储会算”。
• 14、大数据不是要教机器像人一样思考。 相反，它是把数学算法运用到海量的数据 上来预测事情发生的可能性。
• 15、大数据是指不用随机分析法这样的捷 径，而采用所有数据的方法。
• 16、大数据的简单算法与小数据的复杂算 法相比更有效。
• 17、大数据的发展，使信息技术变革的重 点从关注技术转向关注信息。
• 29、智能机器人可以根据行为能力得到信 息。
• 30、自动识别系统属于人工智能人类感官 模拟领域。
• 31、人人智能主要分人:
• 通讯、感知与人动是现代人人智能的三个关键能 人，在这人我们将根据这些能人/应人对这三个技 术领域进人介绍：计算机视觉(CV)、人然语人处 理(NLP)和机器人。人识别。
• 26、机器学习算法分类。
人工智能期末复习
人工智能期末复习一、名词解释1、人工智能（学科）：人工智能学科是计算机科学中涉及研究、设计和应用智能机器的一个分支，是一门综合性的交叉学科和边缘学科。
2、语义网络：语义网络是一种用实体及其语义关系来表达知识的有向图。
3、机器学习：机器学习就是让机器（计算机）来模拟和实现人类的学习功能。
4、正向推理产生式系统：正向推理也称数据驱动方式，它是从初始状态出发，朝着目标状态前进，正向使用规则的一种推理方法。
所谓正向使用规则，是指以问题的初始状态作为初始综合数据库，仅当综合数据库中的事实满足某条规则的前提时，该规则才被使用。
正向推理产生式系统简单明了，且能求出所有解，但是执行效率较低，具有一定的盲目性。
5、遗传算法：遗传算法是在模拟自然界生物遗传进化过程中形成的一种自适应优化的概率搜索算法。
6、人工智能（能力）：是智能机器执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。
7、机器学习系统：机器学习系统是指能够在一定程度上实现机器学习的系统。
8、逆向推理产生式系统：逆向推理也称目标驱动方式，它是从目标状态出发，朝着初始状态前进，反向使用规则的一种推理方法。
所谓逆向使用规则，是指以问题的目标状态作为初始综合数据库，仅当综合数据库中的事实满足某条规则的后件时，该规则才被使用。
逆向推理产生式系统不寻找无用数据，不使用与问题无关的规则。
9、演绎推理：演绎推理是从已知的一般性知识出发，去推出蕴含在这些已知知识中的适合于某种个别情况的结论。
是一种由一般到个别的推理方法，其核心是三段论，如假言推理、拒取式和假言三段论。
10、启发式搜索：状态空间的启发式搜索是一种能够利用搜索过程所得到的问题自身的一些特性信息来引导搜索过程尽快达到目标的搜索方法。
二、填空题1、目前人工智能的主要学派有下列三家：符号主义、联结主义和行为主义。
2、常用的知识表示方法有一阶谓词逻辑表示法、产生式表示法、语义网络表示法、框架表示法和过程表示法。
人工智能原理复习题
人工智能原理复习题一、人工智能的定义与发展历程人工智能（Artificial Intelligence，简称 AI），简单来说，就是让机器模拟人类的智能行为和思维方式。
它旨在使计算机能够像人类一样学习、推理、解决问题和执行任务。
人工智能的发展可以追溯到上世纪 50 年代。
早期的研究主要集中在基于规则的系统和逻辑推理。
然而，由于计算能力的限制和对智能本质理解的不足，进展相对缓慢。
到了 80 年代，专家系统开始流行，它们基于特定领域的知识和规则，能够为用户提供专业的建议和解决方案。
但专家系统的局限性也逐渐显现，比如难以处理不确定性和动态变化的问题。
进入 21 世纪，随着大数据的兴起、计算能力的大幅提升以及深度学习算法的突破，人工智能迎来了新的发展高潮。
图像识别、语音识别、自然语言处理等领域取得了显著的成果，人工智能开始广泛应用于医疗、交通、金融、教育等众多领域。
二、人工智能的主要技术（一）机器学习机器学习是人工智能的核心技术之一。
它使计算机通过数据自动学习和改进，而无需明确编程。
机器学习主要包括监督学习、无监督学习和强化学习。
监督学习是最常见的类型，通过有标记的训练数据来学习预测未知数据的标签。
例如，通过大量带有标签的图像（如猫、狗）来训练模型，使其能够识别新的未标记图像中的动物类别。
无监督学习则是在没有标记的数据中寻找模式和结构。
聚类分析就是一种无监督学习方法，它可以将相似的数据点分组在一起。
强化学习通过与环境进行交互并根据奖励信号来学习最佳策略。
比如，在机器人控制中，通过不断尝试不同的动作并根据获得的奖励来优化行为。
（二）深度学习深度学习是机器学习的一个分支，它基于深度神经网络（Deep Neural Network，简称 DNN）。
DNN 由多层神经元组成，可以自动从数据中提取特征和模式。
卷积神经网络（Convolutional Neural Network，简称 CNN）在图像识别中表现出色，能够识别图像中的物体、场景等。
大学人工智能期末考试题库及答案
大学人工智能期末考试题库及答案1. 选择题1. 人工智能（AI）是一种：- [ ] A. 操作系统- [ ] B. 程序语言- [ ] C. 计算机硬件- [x] D. 计算机科学领域2. 以下哪个不是人工智能的应用领域？- [ ] A. 语音识别- [ ] B. 机器研究- [x] C. 图像处理- [ ] D. 人类基因编辑3. 以下哪个不是人工智能的主要方法？- [ ] A. 逻辑推理- [ ] B. 遗传算法- [x] C. 数学公式- [ ] D. 神经网络4. 以下哪个不属于机器研究的类型？- [ ] A. 监督研究- [ ] B. 无监督研究- [ ] C. 强化研究- [x] D. 编程研究5. 以下哪个算法被广泛应用于图像处理和计算机视觉？- [x] A. 卷积神经网络（CNN）- [ ] B. 支持向量机（SVM）- [ ] C. 遗传算法- [ ] D. 贝叶斯网络2. 简答题1. 请简要解释人工智能的定义和作用。
人工智能是一种计算机科学领域，旨在使计算机能够模拟和模仿人类智能的能力。
它的目的是使计算机能够感知、研究、推理和决策，以解决各种复杂问题和任务。
人工智能在许多领域有重大应用，如自然语言处理、图像处理、机器研究等，为现代社会和技术的发展带来了巨大的影响和潜力。
2. 请列举一个你认为人工智能在未来可能出现显著进展的领域，并说明原因。
一个可能出现显著进展的领域是医疗保健。
人工智能可以通过大数据分析和机器研究算法，帮助医生进行更准确的诊断和治疗决策。
它可以快速处理和分析大量的医疗数据，提供个性化的医疗建议，改善病患的治疗结果和医疗服务效率。
此外，人工智能还可以应用于医疗机器人和辅助技术，提供更好的医疗保健服务和患者管理。
3. 请说明机器研究和深度研究之间的区别。
机器研究是人工智能的一个分支，它关注如何从数据中研究和构建模型，以进行预测和决策。
机器研究算法可以通过分析数据集中的模式和规律，自动调整模型参数，并根据历史数据进行预测。
【2024版】人工智能导论复习
可编辑修改精选全文完整版《人工智能导论》期末复习一、题型：填空题、简答题、计算题、论述题二、复习重点：第一章：1．什么是人工智能？人工智能的三种观点分别是什么？2．实现人工智能的技术路线是哪四种？3．人工智能要研究的三个主要问题是什么？4．人工智能有哪些主要研究领域？第二章：1．什么是知识？何谓知识表示？2．用谓词逻辑表示法表示猴子摘香蕉问题。
3．产生式系统推理机的推理形式有哪三种？4．产生式系统一般由哪三个基本部分组成？5．用语义网络表示：“苹果树枝繁叶茂，上结了很多苹果，有大的，也有小的，有红的，也有绿的” 。
6．用与 / 或树方法表示三阶Hanoi 塔问题。
第三章：1．推理的含义是什么？2．应用归结原理求解下列问题：任何兄弟都有同一个父亲， John 和Peter 是兄弟，且 John 的父亲是 David ，问 Peter 的父亲是谁？第四章：1．可信度方法：例 4.1 ，例 4.22．主观 Bayes 方法：例 4.8 ，例 4.93．证据理论中描述证据和结论的不确定性采用哪两个函数度量？第五章：1．什么叫搜索？搜索的两层含义是什么？2．用全局最佳优先搜索方法求解以下八数码问题。
3．用代价树的深度优先搜索求解下面的推销员旅行问题。
第六章：1．什么是机器学习？机器学习研究的目标是什么？研究机器学习的意义何在？2．机器学习有哪些主要学习策略？3．机器学习系统的基本模型包含哪四个基本环节？4．实例学习的含义是什么？它包含哪两个空间模型？对规则空间进行搜索的方法有几种？第七章：1．什么是自然语言理解？自然语言理解过程有哪些层次？各层次的功能如何？2．对汉语语料库加工的方法是什么？汉语自动分词的方法有哪些？其难点何在？第八章：1．什么是专家系统？它有哪些基本特点？一般专家系统由哪些基本部分构成？2．知识获取的主要任务是什么？3．有哪几类专家系统开发工具？各有什么特点？第九章：1．解答 B-P 学习算法的流程图，并说明其优缺点。
《人工智能导论》期末复习知识点
《人工智能导论》期末复习知识点
人工智能导论知识点总结
一、定义：
人工智能（Artificial Intelligence，AI）是指研究如何实现机器的智能，即使用计算机来模拟或提高人类的智能表现和能力。
基于此，人工智能的主要任务是解决一些超出传统计算能力的问题，其中包括学习、推理和解决一些挑战。
二、技术：
人工智能技术可分为三个主要技术领域：
1、机器学习：机器学习是一种研究机器如何学习，并从这些学习中学习及其反馈环境的解决实际问题的学科。
包括规则学习、支持向量机以及深度学习。
2、自然语言处理：自然语言处理是指人工智能技术在处理人类自然语言的理解和翻译方面的应用研究。
它将注重语言应用的学习、理解、表达和使用，以及语言识别、概念识别和分析。
3、计算机视觉：计算机视觉是指使用计算机的视觉系统来处理可视化的图像、图片、视频信息，以及关于图像的相关内容的研究。
它是一种智能系统，包括图像处理、识别和分析等功能。
三、应用：
人工智能在各行各业都有广泛的应用，有助于改善工作效率，提高工作质量，提升企业竞争力，节省成本。
1、机器人：工业机器人、服务机器人等用于工厂生产线和服务行业，可以大大提高工作效率。
人工智能导论复习资料
人工智能导论复习资料一、什么是人工智能人工智能，简单来说，就是让机器像人一样思考和行动。
它不是一种单一的技术，而是一个涵盖了多种学科和技术的领域，包括计算机科学、数学、统计学、心理学、语言学等等。
想象一下，你有一个智能助手，它能理解你的需求，回答你的问题，甚至帮你完成一些复杂的任务，比如规划旅行、管理财务。
这就是人工智能在日常生活中的一种应用。
人工智能的目标是创建能够执行需要人类智能才能完成的任务的计算机系统。
这些任务包括学习、推理、解决问题、理解语言、识别图像和声音等等。
二、人工智能的发展历程人工智能的发展并非一蹴而就，它经历了几个重要的阶段。
在早期，科学家们就开始思考机器能否像人类一样思考。
20 世纪50 年代，人工智能的概念被正式提出，当时的研究主要集中在基于规则的系统和符号推理上。
然而，由于计算能力的限制和对智能本质理解的不足，人工智能在20 世纪 70 年代遭遇了第一次寒冬。
到了 20 世纪 80 年代，随着专家系统的出现，人工智能迎来了一次小的复兴。
专家系统是一种基于知识库和推理规则的系统，可以解决特定领域的问题。
但随着问题的复杂度增加，专家系统的局限性也逐渐显现。
近年来，由于大数据的出现、计算能力的大幅提升以及深度学习算法的突破，人工智能再次取得了巨大的进展。
图像识别、语音识别、自然语言处理等领域都取得了令人瞩目的成果。
三、人工智能的核心技术（一）机器学习机器学习是人工智能的核心领域之一。
它让计算机通过数据自动学习模式和规律。
机器学习有监督学习、无监督学习和强化学习等多种方法。
监督学习是最常见的一种，比如通过大量已标记的图片（比如猫和狗的图片）来训练计算机识别新的猫和狗的图片。
无监督学习则是让计算机在没有标记的数据中自己发现模式，例如将相似的客户分组。
强化学习是通过奖励和惩罚机制来训练智能体做出最优决策，比如让机器人学会走路。
（二）深度学习深度学习是机器学习的一个分支，它使用多层神经网络来学习数据的表示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1.什么是智能体？什么是理性智能体？智能体的特性有哪些？智能体的分类有哪些？
智能体定义：通过传感器感知所处环境并通过执行器对该环境产生作用的计算机程序及其控制的硬件。
理性智能体定义：给定感知序列(percept sequence)和内在知识(built-in knowledge)，理性智能体能够选择使得性能度量的期望值(expected value)最大的行动。
智能体的特性：自主性（自主感知学习环境等先验知识）、反应性（Agent为实现自身目标做出的行为）、社会性（多Agent及外在环境之间的协作协商）、进化性（Agent自主学习，逐步适应环境变化）
智能体的分类：
简单反射型智能体：智能体寻找一条规则，其条件满足当前的状态（感知），然后执行该规则的行动。
基于模型的反射型智能体：智能体根据内部状态和当前感知更新当前状态的描述，选择符合当前状态的规则，然后执行对应规则的行动。
基于目标的智能体：为了达到目标选择合适的行动，可能会考虑一个很长的可能行动序列，比反射型智能体更灵活。
基于效用的智能体：决定最好的选择达到自身的满足。
学习型智能体：自主学习，不断适应环境与修正原来的先验知识。
2.描述几种智能体类型实例的任务环境PFAS，并说明各任务环境的属性。
答题举例：
练习：给出如下智能体的任务环境描述及其属性刻画。
o机器人足球运动员
o因特网购书智能体
o自主的火星漫游者
o数学家的定理证明助手
二、用搜索法对问题求解
1.简述有信息搜索（启发式搜索）与无信息搜索（盲目搜索、非启发式搜索）的区别。
非启发式搜索：按已经付出的代价决定下一步要搜索的节点。
具有较大的盲目性，产生较多的无用节点，搜索空间大，效率不高。
启发式搜索：要用到问题自身的某些信息，以指导搜索朝着最有希望的方向前进。
由于这种搜索针对性较强，因而原则上只需搜索问题的部份状态空间，搜索效率较高。
2.如何评价一个算法的性能？（度量问题求解的性能）
完备性：当问题有解时，算法是否能保证找到一个解；
最优性：找到的解是最优解；
时间复杂度：找到一个解需要花多长时间
搜索中产生的节点数
空间复杂度：在执行搜索过程中需要多少内存
在内存中存储的最大节点数
3.简述几种搜索方式的思想。
非启发式搜索：
广度优先搜索：首先扩展根节点，接着扩展根节点的所有后续，然后在扩展它们的后续，依
次类推。
在下一层的任何节点扩展之前搜索树上本层深度的所有节点都已经扩展过。
代价一致搜索：扩展路径消耗最低的节点，若单步耗散相等，则等价于广度优先搜索算法。
深度优先搜索：扩展搜索树的当前边缘中最深的节点。
搜索直接推进到搜索树的最深层，当最深层节点扩展完没达到目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。
深度有限搜索：深度为l的节点被当做没有后续的节点对待。
迭代深入深度优先搜索：不断增大深度限制，直到找到目标节点。
代价一致搜索的迭代搜索：不断增加路径耗散限制
双向搜索：运行两个同时的搜索：向前搜索（从初始状态向前搜索）和向后搜索（从目标状态向后搜索），扩展节点前检查该节点是否在另一棵树的边缘。
启发式搜索：
贪婪最佳优先搜索：定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。
局部搜索算法：从单独的一个当前状态出发，只移动到相邻状态，找目标状态，通常不保留搜索路径。
爬山法搜索：根据一个目标函数，找寻目前邻居中状态最好的一个（最陡上升）。
（贪婪局部搜索）
模拟退火搜索：先高温烧热，再慢慢降温。
当“温度”T降低得足够慢，能找到全局最优解的概率逼近1。
局部剪枝搜索：按一定概率随机地从后续集合中选择k个后续，若出现目标状态则停止，否则再从所有后续中选择k个最佳后续，重复这一过程。
遗传算法：基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法。
4.什么是启发式、启发式函数、可采纳的启发式、一致的启发式、启发式搜索？PPT方法一：对h加以限制。
评价函数 f(n) = g(n) + h(n)
g(n): 从初始状态s到状态n的实际耗散值。
h(n): 启发函数，从状态n到目标的最短路径的估计耗散值
f(n):从s经过n到目标的最短路径估计耗散值
5.简述A*算法，证明其最优性。
6.简述智能优化方法中遗传算法的概念及优点。
遗传算法通过作用于染色体上的基因寻找好的染色体来求解问题。
随机产生初始群体，其中每个个体给予一个数值评价即适应度，基于适应度来随机选择染色体，使适应性好的染色体有更多繁殖机会。
优点：
随机搜索：始于搜索空间的一个随机点集，而不像图搜索那样固定地始于初始节点。
满意解
并行搜索：从搜索空间的一个点集（种群）到另一个点集。
适合大规模并行计算，有能力跳出局部最优解。
算法适应性强：除确定适应度函数外几乎不需要其他先验知识
不要求解的连续性，因此能从离散的、多极值、含噪声的高维问题中找到全局最优。
三、知识表示
课本P42用谓词表达语句。
四、确定性推理方法
1.演绎推理、归纳推理、默认推理的概念。
演绎推理是从全称判断推导出单称判断的过程，即由一般性知识推出适合于某一具体情况的结论。
这是一种从一般到个别的推理。
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，是一种从个别到一般的推理。
默认推理又称为缺省推理，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。
3.确定性推理、不确定性推理的概念。
确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假，没有第三种情况出现。
不确定性推理：推理时所用的知识与证据不都是确定的，推出的结论也是不确定的。
4.单调推理、非单调推理的概念。
单调推理：随着推理向前推进及新知识的加入，推出的结论越来越接近最终目标。
非单调推理：由于新知识的加入，不仅没有加强已推出的结论，反而要否定它，使推理退回到前面的某一步，重新开始。
5.启发式推理、非启发式推理的概念。
如果推理过程中运用与推理有关的启发性知识，则称为启发性推理，否则称为非启发性推理。
启发性知识：与问题有关且能加快推理过程、求得问题最优解的知识。
6.正向推理、逆向推理的概念及优缺点。
正向推理是以已知事实作为出发点的一种推理。
正向推理简单，易实现，但目的性不强，效率低。
逆向推理是以某个假设为目标作为出发点的一种推理。
逆向推理不必使用与目标无关的知识，目的性强，同时利于向用户提供解释，但起始目标的选择有盲目性，比正向推理复杂。
7.谓词公式化为子句集。
8.归结原理
（1）应用归结原理证明定理
（2）应用归结原理求解问题
五、不确定性推理方法
1.不确定推理的概念。
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。
2.可信度方法
可信度：根据经验对一个事物或现象为真的相信程度。
可信度带有较大的主观性和经验性，其准确性难以把握。
C－F模型：基于可信度表示的不确定性推理的基本方法。
CF（H，E）的取值范围: [-1,1]。
若由于相应证据的出现增加结论H 为真的可信度，则CF（H，E）> 0，证据的出现越是支持H 为真，就使CF（H，E) 的值越大。
反之，CF（H，E）< 0，证据的出现越是支持H 为假，CF（H，E）的值就越小。
若证据的出现与否与H 无关，则CF（H，E）= 0。
3.可信度求法
4.证据理论：信任函数、似然函数、概率分配函数的正交和、例
5.模糊推理方法：模糊集合运算、求模糊关系例、模糊关系的合成、模糊推理应用例
6.根据全联合概率分布表求边缘概率、条件概率P365
7.用贝叶斯法则证明P368 公式证明题
8.怪兽推理（172、389）。