【人工智能】期末复习 重点知识点总结

试卷共有15道题，四种题型：

1、名词解释题（不超过五个字的概念）

2、简答题（包涵计算）

鲁滨逊归结原理、wuzi？置换？

1. 倒推值计算方法、
2. 代价树每个结点的代价的算法：最大代价法、和代价法
3. α-β剪枝、

3、证明题

4、综合题

小小tips

理解就可、不用和课本一模一样、说的正确就行

千万别空着，有步骤分、可以找分

书、课后习题、itc习题多看看

老师没有讲的 就不考

一、知识表示的基本方法

非结构化方法：一阶谓词逻辑，产生式规则

结构化方法：语义网络，框架

其他方法：状态空间法，问题规约法

二、人工智能三大流派

(1)符号主义学派：

认识的基元是符号，认识过程就是符号运算和推理；

代表人物：纽厄尔，西蒙；

代表成果：人工定理证明，人工智能语言LISP，鲁滨逊归结原理，专家系统。

(2)连接主义学派：

思维的基元是神经元，而不是符号，思维的过程是神经元的连接活动，而不是符号运算的过程；

代表人物：麦卡洛克，霍普菲德尔；

代表成果：单层感知机，Hopfield网络，BP网络。

(3)行为主义学派，

行为主义学派认为人工智能起源于控制论，智能取决于感知与行为，取决于对外部复杂环境的适应；

代表任务及成果：布鲁克斯研制的六角机器虫。

三、合一置换

置换的例题

合一置换的概念与计算方法

二元归结式证明过程

四、产生式表示法（不确定性推理方法里的说法）

1、产生式系统的组成

(1)一个综合数据库，又称事实库，用于存放输入的事实，从外部数据库输入的事实、中间结果、最后结果；

(2)一组产生式规则，描述某领域内知识的产生式集合；

(3)一个控制系统，包含推理方式和控制策略，又称推理机或推理引擎。

2、专家系统推理过程和结果

3、正向推理

也称为数据驱动推理或前向链推理

4、逆向推理

亦称为目标驱动推理或逆向链推理

5、知识匹配

五、框架、语义网

（了解如何构建）

框架：横向、纵向联系

匹配、继承方法

有例题

六、状态空间图

构建状态空间图来问题求解 盲目搜索 得到解、如何表示出来

七、与或图：搜索

1、搜索的概念

依靠经验，利用已有知识，根据问题的实际情况，不断寻找可利用知识，从而构造一条代价最小的推理路线，使问题得以解决的过程称为搜索。

2、启发式搜索与盲目性搜索的区别

(1)盲目搜素是指在搜索之前就预定好控制策略，整个搜索过程中的策略不变，即使搜索出来的中间信息有利用价值，其搜索过程中的策略不再改变，效率低，灵活性差，不利于复杂问题求解。

(2)智能搜索是指可以利用搜索过程中得到的中间信息（与问题相关的信息）来引导搜索过程向最优方向发展的算法。

3、启发式信息的概念、（简答、名词解释）

用于指导搜索过程且与具体问题求解有关的控制信息称为启发信息

启发信息作用分类：

1. 用于决定先扩展哪一个节点
2. 在扩展节点时，用于决定要生成哪一个或哪几个后继节点
3. 用于确定某些应该从搜索树中抛弃或修建的节点

4、启发函数的概念

在扩展节点时，用来描述节点重要程度的函数称为估价函数， 一般形式为f(x)=g(x)+h(x)。其中，g(x)为初始节点S0到节点x已实际付出的代价，h(x)是从节点x到目标节点Sg的最优路径的估计代价，启发信息主要由h(x)来体现，故把它称为启发函数。

5、A算法和A*算法基本原理和区别

A算法

在状态空间搜索中，如果每一步都利用估价函数f(n)=g(n)+h(n)对Open表中的节点进行排序，则称为A算法。它是一种为启发式搜索算法

类型：

全局择优：从Open表中的所有节点中选择一个估价函数值最小的进行扩展

局部择优：仅从刚生成的子节点中选择一个估价函数值最小的进行扩展。

A*算法

对在A算法的基础上，选用了一个比较特殊的估价函数，对节点n定义f*(x)=

g*(x)+h*(x)，表示从S0开始通过节点x到Sg的一条最佳路径的代价，g是g的估计，h是h的估计。g(x)是对最小代价g*(x)的估计，且g(x)>0,g(x)>=g*(x),

h(x)为h*(x)的下界，即对所有的x存在h(x)<=h*(x)

八、与或树

1、与或树的有序搜索

盲目搜索：没有考虑代价，所求得的解树不一定是代价最小的解树，即不是最优解树。

启发式搜索：要多看几步，计算一下扩展一个节点可能要付出的代价，以选择代价最小的节点进行扩展。

2、希望树的概念

在有序搜索中，应选择那些最有希望成为最优解树一部分的节点进行扩展。我们称这些节点构成的树为希望树。

全局择优、基于希望树的搜索？？？

3、解树的代价计算

最大代价法计算、和代价法计算

九、博弈树（很重要）：

1、博弈树的概念

在博弈过程中，已方的各种攻击方案为“或”关系，而对方的应着方案为“与”关系。描述博弈过程的“与/或”树称为博弈树。

根节点是初始状态

2、极大极小分析法（很重要）

根据所求解问题的特殊信息设计合适的估价函数，计算当前博弈树中所有端节点的得分，该分数称为静态估价值。

根据端节点的估值推算出其父节点的分数：

1. 若父节点为“或”节点，则其分数等于其所有子节点分数的最大值。
2. 若父节点为“与”节点，则其分数等于其所有子节点分数的最小值。
3. 计算出的父节点的分数值称为倒推值。
4. 如果一个方案能获得较大的倒推值，则它就是当前最好的行动方案。

3、a-b剪枝法

一个“与”节点取当前子节点的最小值作为其倒推值的上界，称该值为β值。

一个“或”节点取当前子节点的最大值作为其倒推值的下界，称该值为α值。

–
如果“或”节点x的α值不能降低其父节点的β值，即：****α≥β

则应停止搜索节点x的其余子节点，并使x的倒推值为α。这种技术称为β剪枝。

如果“与”节点x的β值不能升高其父节点的α值，即：****β≤α

则应停止搜索节点x的其余子节点，并使x的倒推值为β。这种技术称为α剪枝。

例：对于下面的博弈树进行剪枝

十、不确定性知识表示

1、不确定性推理的概念

不确定性推理泛指除精确推理以外的其他各种推理问题。包括不完备、不精确知识的推理、模糊知识推理，非单调性推理等。

（只求概念理解、习题会做就行，涉及比较少、因为难度较大）

可信度推理、bayes推理、概率推理

课后习题也看一看

十一、机器学习

1、决策树

•
决策树****是一种由节点和边构成的用来描述分类过程的层次数据结构。

•
根节点：****表示分类的开始

•
叶节点：****表示一个实例的结束

•
中间节点：****表示相应实例中的某一属性

•
边代表：****某一属性可能的属性值

•
路径：从根节点到叶节点的每一条路径都代表一个具体的实例，并且同一路径上的所有属性之间为合取关系，不同路径****（即一个属性的不同属性值）之间为析取关系。

id3算法：（很重要、复杂、信息增益、要记住公式、要亲自动手算一算、不能光看、做习题例题、

2、ID3算法

信息熵的概念

** 信息熵是对信息源整体不确定性的度量。假设S为样本集，S中所有样本的类别有k种，如y1****,y2,…,yk，各种类别样本在S上的概率分布分别为P(y1),P(y2),…,P(yk****)，则S**的信息熵可定义为：

信息增益的概念

•
信息增益( information gain )是对两个信息量之间的差的度量。其讨论涉及到样本集S中样本的结构。

•
对S中的每一个样本，除其类别外，还有其条件属性，或简称为属性。若假设S中的样本有m个属性，其属性集为X={ x**1,x2****,...,m}，且每个属性均有r种不同的取值，则我们可以根据属性的不同取值将样本集S划分成r个不同的子集S1****, S2,...Sr**。

•
此时，可得到由属性xi的不同取值对样本集S进行划分后的加权信息熵。

•
其中，t为条件属性xi的属性值; S为x**t=t时的样本子集; E(St)为样本子集St信息熵; |S|和|St|分 别为样本集S和样本子集St的大小，即样本个数。**

•
有了信息熵和加权信息熵，就可以计算信息增益。所谓信息增益就是指E(S)和E(S, x**i)之间的差，即**

信息增益所描述的是信息的确定性，其值越大，信息的确定性越高。

3、SVM

（了解概念即可、分类的基本思想：升维、画超平面、）

十二、神经网络

1、人工神经元基本计算方法和公式（很重要）、

2、各种激励函数（了解）

最常用 sigmoid

3、前馈问题、反馈模型的基本拓扑结构和它们之间的区别

3、前馈网络的基本拓扑结构

4、反馈网络的基本拓扑结构

5、BP网络模型

双向传播问题：正向传播的作用、逆向传播的作用、两者之间的区别

正向传播：输入信息由输入层传至隐层，最终在输出层输出。

反向传播：修改各层神经元的权值，使误差信号最小。

6、hopfied网络

全连接、反馈网络

7、CNN

1）卷积、卷积核的概念

卷积（convolution）在卷积神经网络中的主要作用是实现卷积操作，形成网络的卷积层。

卷积操作的基本过程是：针对图像的某一类特征，先构造其特征过滤器（FF），然后利用该滤器对图像进行特征提取，得到相应特征的特征图（ FM）。依此针对图像的每一类特征，重复如上操作，最后得到由所有特征图构成的卷积层。

特征过滤器也称为卷集核（Coiling Kernel，CK），它实际上是由相关神经元连接权值所形成的一个权值矩阵，该矩阵的大小由卷集核的大小确定。卷集核与特征图之间具有一一对应关系，一个卷集核唯一地确定了一个特征图，而一个特征图也唯一地对应着一个卷积核。

2）池化、池化层的概念

池化层（Pooling Layer）也叫子采样层（Subsample Layer）或降采样（downsampling），其主要作用是利用子采样（或降采样）对输入图像的像素进行合并，得到池化层的特征图谱。

池化操作的一个重要概念是池化窗口或子采样窗口。所谓池化窗口是指池化操作所使用的一个矩形区域，池化操作利用该矩形区域实现对卷积层特征图像素的合并。

例如，一个8*8的输入图像，若采用大小为2*2的池化窗口对其进行池化操作，就意味着原图像上的4个像素将被合并为1个像素，原卷积层中的特征图经池化操作后将缩小为原图的1/4。

池化操作的基本过程是：从特征图的左上角开始，按照池化窗口，先从左到右，然后再从上向下，不重叠地依次扫过整个图像，并同时利用子采样方法进行池化计算。

常用的池化方法有最大池化（max pooling）法、平均池化（mean pooling）法和概率矩阵池化（stochastic pooling）法等。这里主要讨论最大池化法和平均池化法。

3）卷积与池化的计算方法