人工智能期末复习

人工智能原理期末考试复习

1. 什么是人工智能?发展经历了几个阶段?

人工智能指的是能够感知或推断信息，并将其作为知识而拥有，以应用于环境或语境中适合的行为;

机器的智能称为人工智能，通常在运用程序、间或适当硬件的计算机系统中得以实现.

2. 人工智能研究的内容有哪些?

机器学习、知识表示方法、搜索求解策略、进化算法及其应用、确定性及不确定性推理方法、群体智能算法及其应用。

3. 人工智能有哪些研究领域?

安全防范、医疗诊断、语音识别、工业制造、计算机游戏、机器翻译。

4. 什么是知识?有哪些特性?有几种分类方法?

知识是人们在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。

相对正确性、不确定性、可表示性与可利用性。

分类方法：

(1)按知识的作用范围分为∶常识性知识和领域性知识﹔

(2)按知识的作用及表示分为∶事实性知识、规则性知识、控制性知识和元知识;

(3 )按知识的确定性分为：确定知识和不确定知识;

(4) 按人类思维及认识方法分为：逻辑性知识和形象性知识。

5. 什么是知识表示、命题、谓词，一阶谓词逻辑、产生式、框架、语义网络?

知识表示就是将人类知识形式化或者模型化；

命题是一个非真即假的陈述句；

谓词的一般形式： ),...,,(21n x x x P )；n x x x ,...,,21是个体，某个独立存在的事物或者某个抽象的概念， P 是谓词名，用来刻画个体的性质、状态或个体间的关系。

一阶谓词逻辑表示：谓词不但可表示一些简单的事实，而且可以表示带有变量的“知识”，有时称为“事实的函数”。进而可用谓词演算中的逻辑联接词“与()”、“或(v)"、“非(┐)”和“蕴含(→)”等来组合已有知识，从而表示出更复杂的知识。

产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识。 框架是一种描述所论对象（一个事物、事件或概念）属性的数据结构。

语义网络：从图论的观点看，它其实就是“一个带标识的有向图”，由结点和弧（也称“边”)

所组成。其中，结点表示各种事实、概念、属性及知识实体等，而弧表示它们之间的相互关系。一般，我们将关系的说明算作指示器或指针。

6.产生式系统的基本形式是什么?有几部分组成?

把一组产生式放在一起，让它们相互配合、协同作用，一个产生式生成的结论可以供另一个产生式作为已知事实使用，以求得问题的解，这样的系统称为产生式系统；

一般来说一个产生式系统由规则库、综合数据库、控制系统三部分组成；

7.什么是推理、正向推理、逆向推理、混合推理？

推理是指从已知事实出发，运用已掌握的知识，推导出其中蕴含的事实性结论或归纳出某些新的结论的过程。

正向推理是一种从已知事实出发、正向使用推理规则的推理方式，它是一种数据（或证据）驱动的推理方式，又称前项链推理或自底向上推理。

反向推理是一种以某个假设目标为出发点，反向运用推理规则的推理方式，它是一种目标驱动的推理方式，又称反向链推理或自顶向下推理。

混合推理是把正向推理和反向推理结合起来所进行的推理。

8.推理的方式和分类有哪些?

演绎推理（三段论法）、归纳推理（完全归纳推理和不完全归纳推理）、默认推理（缺省推理）；

确定性推理和不确定性推理（似然推理、近似推理）；

单调推理、非单调推理；

启发式推理、非启发式推理。

9.什么是冲突﹖在产生式系统解决冲突的策略有哪些?

已知事实与知识库中的多个知识匹配成功称发生了冲突。

解决冲突的策略有：

1）按针对性排序

2）按已知事实的新鲜性排序

3）按匹配度排序

4）按条件个数排序

5）按上下文限制排序

6）按冗余限制排序

7）根据领域问题的特点排序。

10.什么是子句?什么是子句集?

任何原子谓词公式及其否定的析取式为子句。

由子句构成的集合称为子句集。

11.谓词公式分别化为相应的子句集。

步骤：

1）消去谓词公式中的"→"和“?"符号；

2）把否定符号移到靠紧谓词的位置上；

3）变量标准；

4）消去存在量词；

5）化为前束型；

6）化为Skolem标准型；

7）略去全称量词；

8）子句变量标准化。

12.什么是不确定推理?有哪几种方法?

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。

可信度方法、证据理论。

13.什么是可信度?求取问题结论可信度的步骤?

可信度：根据经验对一个事物或现象为真的相信程度；

步骤：

第一步：对每一条规则求出CF（H）；

第二步：根据结论不确定性的合成算法得到综合可信度。

14.可信度方法（计算)

15.深度优先、广度优先、A*、一致代价、遗传算法、模拟退火算法、蚁群算法、贪婪算法的原理、步骤（求解过程)、伪代码。

16.机器学习的基本概念?机器学习任务有哪些?

机器学习是人工智能的一个分支，从事研究和构建可以从数据或环境中学习的算法，用以改善性

能或作出预测。

任务：分类、回归、聚类、排名、密度估计、降维。

17.人工神经网络的特点是什么?

(1)并行性。传统的计算方法是基于串行处理的思想发展起来的，计算和存储是完全独立的两个部分。计算速度取决于存储器和运算器之间的连接通道，大大限制了它的运算能力。而神经网络中的神经元之间存在大量的相互连接,所以信息输入之后可以很快地传递到各个神经元进行并行处理，在值传递的过程中同时完成网络的计算和存储功能，将输入输出的映射关系以神经元间连接强度(权值)的方式存储下来，其运算效率非常高。

(2)自学习、自组织性。神经网络系统具有很强的自学习能力，系统可以在学习过程中不断地完善自己，具有创造性。

(3)联想记忆功能。在神经网络的训练过程中，输入端给出要记忆的模式，通过学习并合理地调一节网络中的权系数，网络就能记住所有的输入信息。在执行时，若网络的输入端输入被噪声污染的信息或是不完整、不准确的片断，经过网络的处理后，在输出端可得到恢复了的完整而准确的信息。

(4)很强的鲁棒性和容错性。在神经网络中，信息的存储是分布在整个网络中相互连接的权值上的，这就使得它比传统计算机具有较高的抗毁性。少数几个神经元损坏或断几处连接，只会稍许降低系统的性能，而不至于破坏整个网络系统，因而具有强的鲁棒性和容错性。

18.B P神经网络的主要功能是什么?

主要功能:通过调整输入节点与隐层点的连接强度和隐层点与输出节点的连接强度以及阈值，使误差沿梯度方向下降。经过反复学习训练，确定与最小误差相对应的网络参数（权值与阀值)。

19.前馈神经网络与反馈神经网络有什么不同?

前馈型神经网络取连续或离散变量，一般不考虑输出与输入在时间上的滞后效应，只表达输出与输入的映射关系；

反馈型神经网络可以用离散变量也可以用连续取值，考虑输出与输入之间在时间上的延迟，需要用动态方程来描述系统的模型。

前馈型神经网络的学习主要采用误差修正法（如BP算法)，计算过程一般比较慢，收敛速度也比较慢;

而反馈型神经网络主要采用Hebb学习规则，一般情况下计算的收敛速度很快。反馈网络也有类似于前馈网络的应用，并且在联想记忆和优化计算方面的应用更显特点。

20.简要叙述网络、层、损失函数和优化器之间的关系。

输入进去的数据通过每层的权重的线性组合和非线性转换，以上一层的输入作为下一层的输出，经过多层后神经网络就会预估一下结果，和损失函数算一个loss score出来，这个误差会经过一个优化器反馈回去，每一层的权重都要做更新。更新完之后再把输入数据丢进去看看有没有学的比较好。

21.简要叙述机器学习的工作流程。

(1)定义问题与要训练的数据。收集这些数据，有需要的话用标签来标注数据。

(2)选择衡量问题成功的指标。你要在验证数据上监控哪些指标?

(3)确定评估方法:留出验证?K折验证﹖你应该将哪一部分数据用于验证?

(4)开发第一个比基准更好的模型，即一个具有统计功效的模型。

(5)开发过拟合的模型。

(6)基于模型在验证数据上的性能来进行模型正则化与调节超参数。