【人工智能】绝密考试预测

第一章 绪论

1、百小度变形，问北京市城市规划有什么建议？：用自己的语言描述，哪门自然语言的在就业市场比较受欢迎？从得知问题到提出建议为止，整个技术过程以及实现过程？(分析题12分)
(1)通过听觉传感器，把我们语音信号的问题，转换成数字信号的形式
(2)语音识别技术，把我们每个读音转换成二进制表示
(3)自然语言处理，“哪门自然语言的在就业市场比较受欢迎”处理为“哪门自然语言在就业市场容易找工作”
(4)机器学习技术，通过分析每种语言在企业招聘要求的频数，发现提出的这个建议最合理
2、谷歌自动驾驶汽车应用技术：
(1)计算机视觉，通过图像摄取装置将被摄取的目标转换成图像信号
(2)雷达技术(3)人工智能(4)监控装置(5)全球定位系统
3、人工智能学科诞生的标志的什么？
1956的达特茅斯会议，麦卡锡、香农等人讨论机器模拟人工智能的问题
人工智能：用人工的方法在机器上实现的智能
智能的特征：感知能力、记忆与思维能力、学习能力、行为能力
思维的种类：逻辑思维、形象思维、顿悟思维
4、早期人工智能研究者属于哪几个学科领域？
数学、心理学、神经生理学、计算机等
5、简述实现人工智能的主要途径(观点、学派)、其基本思想及主要代表成果？(9分)
主要有三种途径：符号主义、连接主义、行为主义。
符号主义：通过模拟人类的逻辑思维来实现人工智能，主要代表成果是纽厄尔和西蒙提出的“逻辑理论家”数学定理证明程序；
连接主义：通过模拟人类大脑的结构来实现人工智能，主要代表成果是提出的各种人工神经网络算法；
行为主义：通过模拟生物进化来实现人工智能，主要代表成果是布鲁克斯设计的“六足机器虫”。

第二章 知识的表示

6、知识的概念和特性(客观题)
知识的定义：1.对客观世界的认识与经验 2.把有关信息关联在一起所形成的信息结构
知识的特性：1.相对正确性 2.不确定性 3.可表示性与可利用性
随机性、模糊性、经验容易引起不确定性
常见的知识表示方法：一阶谓词逻辑表示法、产生式表示法、框架表示法状态空间图、人工神经网络(5种5分)
为什么引入谓词逻辑（命题的缺点）：
无法把它所描述的事物结构及逻辑思维特征反映出来，也不能把不同事物间的共同特征反映出来

8、根据中文写出谓词逻辑公式：如一班的所有同学都是朋友关系(量词的顺序)
(Vx)(Vy) F(x, y)
9、量词的辖域：
位于量词后面的单个谓词或者用括弧括起来的谓词公式
10、一阶谓词逻辑应用—保姆机器人:
(1) 任务规划(2) 动作规划(3) 轨迹规划(4) 关节轨迹规划
11、产生式表示的知识：
事实性知识和规则性知识, 都分确定性不确定性
老李年龄是40岁：（Li，age，40）
老李年龄很可能是40岁：（Li，age，40，0.8）
12、推理过程涉及(产生式系统的部件)：
规则库、综合数据库、推理机

13、框架式特点：结构性、继承性、自然性
框架：一种描述所论对象属性的数据结构
槽：用于描述所论对象某一方面的属性
侧面：用于描述相应属性的一个方面

第三章 确定性推理（出证明题）

14、子句：任何文字的析取式，任何文字本身也都是子句
15、自然演绎推理：假言推理、据取式推理、假言三段论
例题：
（1）凡是容易的课程小王都喜欢；（2）C 班的课程都是容易的；
（3）ds 是 C 班的一门课程。 求证：小王喜欢 ds 这门课程。
证明：1、定义谓词
EASY ( x )： x 是容易的课程
LIKE ( x, y )：x 喜欢 y
C ( x )： x 是 C 班的一门课程
2、用谓词公式表示已知事实和结论
3、应用推理规则进行推理
由(1)推出EASY (z) →LIKE ( Wang, z )
由(2)推出C ( y ) →EASY ( y )
由C (ds), C (y) →EASY (y) 推出 EASY (ds)
所以可由EASY (ds), EASY (z) →LIKE (Wang，z)推出
LIKE ( Wang, ds )
16、归结演绎证明结论：
例：规则1：任何人的兄弟不是女性；规则2：任何人的姐妹必是女性。
事 实：Mary 是 Bill 的姐妹。求证： Mary 不是 Tom 的兄弟。
证明：1、定义谓词
brother ( x, y ) : x 是 y 的兄弟
sister ( x, y ) : x 是 y 的姐妹
woman ( x ) : x 是女性
2、将已知事实用谓词公式表示

3、把要求证的结论用谓词公式表示出来并否定

4、将上述谓词公式化为子句集

5、将子句集进行归结

第四章 不确定性推理

17、可信度理论：AND合取则取min；OR析取则取max
计算公式：CF（H）= CF（H, E）* max（0, CF ( E )）
计算可信度例子：

18、可信度理论和证据理论描述一个结论成立的取值范围的区别
[-1，1], [0，1] ,-1假,1真,0未取得任何程度的观察
19、什么是概率分配函数，举例说明概率分配函数与概率的不同
定义：对于样本空间D，概率分配函数为D的每个子集A指派一个0到1之间的数M(A)，并且所有子集的概率分配函数值的和为1
举例：假如样本空间D为{红、黄、蓝}，概率分配函数M要求：M({红}) + M({黄}) + M({蓝}) + M({红、黄}) + M({红、蓝}) + M({黄、蓝}) + M({红、黄、蓝}) = 1，而概率P要求：P({红}) + P({黄}) + P({蓝}) = 1。
20、信任函数：Bel(A) 对命题A为真的总的信任度
似然函数：Pl(A) = 1 - Bel(非A)

第五章 搜索策略

21、状态空间：利用状态变量和操作符号，表示系统问题或问题的有关知识的符号体系
四元组：状态集合S、操作算子的集合O、初始状态S0、目标状态G
22、掌握宽度优先、深度优先画open、closed表
23、计算某个状态的估价函数的值，八数码问题f(n)=g(n)+h(n)
估计函数的值=深度(第几层) +步数和

第七章 机器学习

24、机器学习中的学习任务：分类、回归、聚类、关联规则挖掘
判断所给的水果是苹果还是桔子；预测明后两天的气温值、风级大小；
人以类聚，物以群分；啤酒与尿布、牛奶与面包 (实例)
knn分类算法：3近邻如果算出的哪种样例最多 最后就确定了属于哪一类
1 计算测试样例e与每一个训练样例ei的欧氏距离

      for i = 1 to N
             compute dist(e, ei)
         end for

2 找出与测试样例e距离最近的前k个训练样例，
3 将这些样例中最普遍的类别作为测试样例的类别
K含义：选择k个与判别值最近邻的值
25、分类模型算法：knn、决策树、向量机、人工神经网络
26、分类：根据对某一类事物的认识来判断之前未见过的新对象是否属于该类事物
基本过程：1.分类模型的生成阶段2.预测类别阶段
例子：为了让一个从来没见过苹果橘子的小孩辨别，给他3个苹果2个橘子，小孩通过触摸表皮软硬，品尝，在大脑中建立了什么是橘子什么是苹果的概念模型，为了验证他是否真的学会，过几天给他不同训练样例的水果，如果能正确判断，证明他以及学会辨别这两种水果
训练样例要与测试样例不同，否则不能说明模型建立的好坏
27、聚类：使用某种策略将给定的一些对象分成若干个簇的过程
应用举例：从客户基本信息库中发现不同的客户群；对基因进行分组，以更好地认识种群中的固有结构；根据地球卫星观测数据库，确定相似地区
k均值聚类算法思想： 簇中心o1= 1/3 *[(0.3,0.5) + (0.2,0.6) + (0.4,0.8)]

1. 从初始样例集D中随机选择k个样例 作为k个簇中心
2. 计算样例ei与每个簇中心ot的欧式距离，将其放入与其最近的簇中心ol所对应的簇Cl中
3. 重新计算每个簇的簇中心ot (t=1,2,…,k)
4. 若本次计算的簇中心与上一次的相同，则结束聚类过程

第八章 人工神经网络

28、设计一个BP神经网络：
1.由于每个训练样例有3个普通属性，因此BP神经网络输入层中节点个数应该为3
2.由于每个训练样例不是属于苹果类（1）就是属于桔子类（0），因此，BP神经网络输出层中节点个数应该为2
3.输入输出变换关系：第2层中第一个节点的输入：
(1) 先计算前一层各神经元输出的累加和
(2) 通过激励函数计算该节点的输出值y
4.通过调整这m层之间的权值wkij ：
使得输出层输出为[1,0]T,这样就完成了对第一个训练样例（2,0.9,6,1）“拟合”。
拟合：神经网络中的连接权值能反映样例的输入值与输出值之间的关系
5.同理，分别将训练集中第2、3、n个样例的值作为输入：
通过调整权值，使神经网络实现对这些样例输入值、输出值间关系的“拟合”
6.当使用训练集中所有n个样例训练完神经网络后，便得到了一个能反映训练集中各样例输入、输出关系的“模型”，该模型实现了对训练集的“拟合”
后续：当遇到一个需要进行分类的水果时 (2, 0.9, 6, ?)
1.只需将其普通属性值（2, 0.9, 6）输入到网络的输入层
2.然后利用训练得到的权值wkjp（k=1,2,…,m, j=1,2,…,pm）逐层往后计算各层神经元的输出值ymj
3.得到最后一层神经元的输出值时[ym1, ym2] (例如[1,0]),便完成了分类过程
29、人工神经网络是一种隐式的知识表示方式
优点：解决复杂问题性强 缺点：可解释性很差，对硬件要求很高
30、激励函数：硬极限函数, 对称硬极限函数, S型函数, 双曲正切S型
31、神经元数学模型：按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的模型
工作原理：(1)从各输入端接收输入信号xj (2)根据连接权值求出所有输入的加权和 (3)用非线性激励函数进行转换,得到输出
32、决定人工神经网络性能的三大要素：
(1)神经元的特性
(2)神经元之间相互连接的形式——拓扑结构
(3)为适应环境而改善性能的学习规则