華南理工大學《高級人工智能》考試真題

華南理工大學《高級人工智能》復習資料1局部緒論1-1. 什么是人工智能？試從學科和力量兩方面加以說明。人工智能是用計算機來表示和執(zhí)行人類的智能活動，人工智能〔學科：是計算機科學中涉及爭論、設計和應用智能機器的一個分支。其近期的主要目標在于爭論用機器來仿照和執(zhí)行人腦的某些智力功能，并開發(fā)相關理論和技術。人工智能〔力量理、證明、識別、感知、理解、通信、設計、思考、規(guī)劃、學習和問題求解等思維活動。1-2. 在人工智能的進展過程中，有哪些思想和思潮起了重要作用？數(shù)理規(guī)律，關于計算的思想掌握論思想專家系統(tǒng)，機器學習，計算智能，人工神經(jīng)網(wǎng)絡等和行為主義的爭論1-3. 為什么能夠用機器〔計算機〕仿照人的智能？模式相區(qū)分，就是一個符號。一個完善的符號系統(tǒng)應具有以下6種根本功能：輸入符號；輸出符號；存儲符號；復制符號；建立符號構(gòu)造：通過找出各符號間的關系，在符號系統(tǒng)中形成符號構(gòu)造；條件性遷移：依據(jù)已有符號，連續(xù)完成活動過程。66種智能。把這個假設稱為物理符號系統(tǒng)的假設。物理符號系統(tǒng)的假設伴隨3個推論，推論1：既然人具有智能，那么他〔她〕就肯定是個物理符號系統(tǒng)。推論2：既然計算機是一個物理符號系統(tǒng)，它就肯定能夠表現(xiàn)出智能。推論3：既然人是一個物理符號系統(tǒng)，計算機也是一個物理符號系統(tǒng)，那么就能夠用計算機來模擬人的活動。1-4. 人工智能的主要爭論和應用領域是什么？其中，哪些是的爭論熱點？機器學習，神經(jīng)網(wǎng)絡，機器人學，模式識別，機器視覺，智能掌握，智能檢索，智能調(diào)度與Agent，計算智能與進化計算，數(shù)據(jù)挖掘與學問覺察，人工生命，系統(tǒng)與語言工具。爭論熱點：專家系統(tǒng)，機器學習，神經(jīng)網(wǎng)絡，機器人學，模式識別，分布式人工智能與Agent，數(shù)據(jù)挖掘與學問覺察。1-5. 人工智能的進展對人類有哪些方面的影響？試結(jié)合自己了解的狀況和理解，從經(jīng)濟、社會和文化等方面加以說明？1-6. 試評述人工智能的將來進展。2局部學問表示2-1. 什么是學問？學問的要素有哪些？學問的表示方法有哪些？Feigenbaum：學問是經(jīng)過削減、塑造、解釋和轉(zhuǎn)換的信息。簡潔地說，學問是經(jīng)過加工的信息。Bernstein：學問是由特定領域的描述、關系和過程組成的。Hayes-Roth：學問是事實、信念和啟發(fā)式規(guī)章。從學問庫的觀點看，學問是某領域中所涉及的各有關方面的一種符號表示。學問要素：事實，規(guī)章，掌握，元學問學問表示方法：一階規(guī)律表示法，產(chǎn)生式學問表示法，框架表示法，語義網(wǎng)絡表示法，面對對象表示法2-2. 狀態(tài)空間法、問題歸約法、謂詞規(guī)律法和語義網(wǎng)絡法的要點是什么？它們有何本質(zhì)上的聯(lián)系及異同點?〔ppt無〕狀態(tài)空間法：基于解答空間的問題表示和求解方法，它是以狀態(tài)和算符為根底一個操作符，遞增地建立起操作符的試驗序列，直到到達目標狀態(tài)為止?！瞤pt無〕問題規(guī)約法：問題的描述，通過一系列變換把此問題最終變?yōu)橐粋€子問〔要解決的問題一個平凡的本原問題集合。明這個語句也是正確的。語義網(wǎng)絡法：是一種構(gòu)造化表示方法，它由節(jié)點和弧線或鏈組成。節(jié)點用于表示物體、題。2-3. 如何用謂詞公式表示學問?〔見課本例題〕系的規(guī)章性學問。用謂詞公式表示學問的一般步驟定義謂詞及個體，確定每個謂詞及個體的精準含義。依據(jù)所要表達的事物或概念，為每個謂詞中的變元賦以特定的值。依據(jù)所要表達的學問的語義，用適當?shù)倪B接符將各個謂詞連接起來形成謂詞公式。3局部經(jīng)典規(guī)律推理3-1. 什么是推理？推理的任務、分類。推理是按某種策略由推斷推出另一推斷的思維過程推理的根本任務是從一種推斷推出另一種推斷分類：演繹推理：從全稱推斷推導出特稱推斷或單稱推斷的過程歸結(jié)推理：從足夠多的事例中歸納出一般性結(jié)論的推理過程，是一種從個別到一般的推理3-2. 什么是置換？什么是合一？什么是歸結(jié)？W和W1 1

W產(chǎn)生合式公式2W的運算。另一個推理規(guī)章是全稱化推理，它是由合式公式 (x)W(x)產(chǎn)生合式公式2WAA為任意常量符號。同時應用假元推理和全稱化推理，例如，可由合式公式(x)[W1

W2

(x和W1

生成合式公式W2

A。這就是查找的Ax的置換，使WA與W1

全都。s作用于表達式集{E的每個元素，則用{E}來表示置換例的集，稱表達式集{E是合一的。假設存在i i s i一個置換s使得：E E E ...那么稱此s為{E}的合一者，由于s的作用是使集1s 2s 3s i合{E成為單一形式。i有些專家把它叫做歸結(jié)原理。3-3.3-4.

把謂詞公式化為子句集有哪些步驟?請結(jié)合例子說明之把謂詞公式變換成子句形式：～｛→〔→］∧［→｝～｛→y→］［→｝消去蘊涵符號〔只應用∨和～符號，以～A∨BA→B〕～｛～∨［)∨］［)∨｝〔每個否認符號～摩根定律〕()｛～｛∨［～)∨］［)∨｝()｛)∧｛～［～)∨］［)∨｝()｛)∧｛～［～)∨］∨｛［)∨｝()｛)∧〔［)∧］()∧｝對變量標準化〔對啞元〔虛構(gòu)變量〕改名，以保證每個量詞有其自己唯一的啞元〕()｛)∧〔［)∧］(ω,ω)∧)｝消去存在量詞〔以Skolem函數(shù)代替存在量詞內(nèi)的約束變量，然后消去存在量詞〕)∧［)∧～］∨,)∧C｝化為前束形〔后面公式的整個局部〕把母式化為合取范式〔任何母式都可寫成由一些謂詞公式和(或)謂詞公式的否認的析取的有限集組成的合取〕)［)∨,))∨)［),)［∨C｝P(A)∧［p(B)∨Q(A,C)］∧［p(B)∨～P(C)］∧［～p(f(A,B))∨Q(A,C)］∧［～p(f(A,B))∨～P(C)］消去全稱量詞〔全部余下的量詞均被全稱量詞量化了。消去前綴，即消去明顯消滅的全稱量詞〕消去連詞符號∧〔用{A,B}代替(A∧B)，消去符號∧。最終得到一個有限集，其中每個公式是文字的析取〕P(A)p(B)∨Q(A,C)p(B)∨～P(C)～p(f(A,B))∨Q(A,C)～p(f(A,B))∨～P(C)更換變量名稱〔可以更換變量符號的名稱，使一個變量符號不消滅在一個以上的子句中〕P(x1)p(y1)∨Q(x2,ω1)p(y2)∨～P(ω2)～p(f(x3,y3))∨Q(x3,ω3)～p(f(x4,y4))∨～P(ω4)3-5. 〔消解反演求解過程給出一個公式集S和目標公式否認L，得到~L；把~L添加到S中去；把產(chǎn)生的集合{~L，S}化成子句集F；〔4〔以前〕應用消解原理，力圖推導出一個表示沖突的空子句〔現(xiàn)在ppt〕反復歸結(jié)子句集F中的子句，假設消滅了空子句，則停頓歸結(jié)，此時就證明白L永真3-6. 如何通過消解反演求取問題的答案?請結(jié)合例子說明之。從反演樹求取對某個問題的答案，其過程如下：把由目標公式的否認產(chǎn)生的每個子句添加到目標公式否認之否認的子句中去；依據(jù)反演樹，執(zhí)行和以前一樣的消解，直至在根部得到某個子句為止；用根部的子句作為一個答復語句。NIL的反演樹變換為根部帶有回答語句的一棵證明樹。3-7. 與/或形規(guī)章演繹系統(tǒng)有哪幾種推理方式?各自的特點如何？說明推理過程。請結(jié)合例子說明之。與/或形演繹推理推理方式：正向演繹、逆向演繹、雙向演繹；正向演繹：從事實動身，正向地使用蘊含式(F規(guī)章)進展演繹推理，直至得到某個目標公式的一個終止條件為止。/12把“3重命名變元名；4Skolem函數(shù)消去存在量詞；5消去全稱量詞，且使各主要合取式中的變元不同名把領域?qū)W問的表示形式變成規(guī)定形式的步驟12把“謂詞的位置上；3Skolem函數(shù)消去存在量詞；4消去全稱量詞5恢復蘊含式推理過程：用與/或樹把事實表示出來F規(guī)章的左部和與/或樹的葉節(jié)點進展匹配，并將匹配成功的F規(guī)章參加到與/或樹中重復第(2)步，直到產(chǎn)生一個含有以目標節(jié)點作為終止節(jié)點的解圖為止逆向演繹推理：從待證明的問題(目標)(B規(guī)章)含事實的終止條件為止Skolem函數(shù)消去全稱量詞約束的相應變元，然后在消去存在量詞推理過程：用與/或樹把目標公式表示出來用B規(guī)章的右部和與/或樹的葉節(jié)點進展匹配，并將匹配成功的B規(guī)章參加到與/或樹中重復進展第(2)步，直到產(chǎn)生某個終止在事實節(jié)點上的全都解圖為止與/或形雙向演繹推理：由表示目標及表示事實的兩個與/或樹構(gòu)造組成，這些與/或樹分別由正向演繹的F規(guī)章及逆向演繹的BF規(guī)章為單文字的左部，B規(guī)章為單文字的右部。4局部不確定推理4-1. 爭論不確定性推理有何意義?有哪幾種不確定性?現(xiàn)實世界中遇到的問題和事物間的關系往往比較簡單下運用不確定學問進展推理，即進展不確定性推理。〔課件〕意義：使計算機對人類思維的模擬更接近于人類的真實思維過程。不確定性推理是一種建立在非經(jīng)典規(guī)律根底上的基于不確定性學問的推理乎合理的結(jié)論。由兩種不確定性，即關于證據(jù)的不確定性和關于結(jié)論的不確定性4-2. 在什么狀況下需要承受不確定推理?不確定性；滿足問題求解的實際需求；便于推理過程中對不確定性的推算4-3. Bayes網(wǎng)等不確定推理方法。請結(jié)合例子說明之。4-4. BayesBayes網(wǎng)蘊涵的條件獨立假設是什么？簡述Bayes網(wǎng)的推理模式。請結(jié)合例子說明之.〔可表示為一有向無環(huán)圖以及一組局部條件概率集合；準確定義條件獨立性：XYZ3ZX聽從的概率分布獨立于Y的值，XZ時條件獨立于Y，即(x,y,zi j

)P(Xxi

,Zzj

)P(Xxi

|Zz)kPX|YZ)PX|Z)擴展到變量集合：下面等式成立時，稱變量集合X

...X1

Z1

...Zn

時條件獨立于變量集合Y...Y1 mP(X...X|Z)P(X...X|Z...Z)1l1 m 1n1l1 n推理模式：可以用貝葉斯網(wǎng)在給定其他變量的觀看值時推理出某些目標變量的值由于所處理的是隨機變量，所以一般不會賜予目標變量一個精準的值真正需要推理的是目標變量的概率分布，它指定了在賜予其他變量的觀看值條件下，目標變量取每一個可能值的概率在網(wǎng)絡中全部其他變量都精準知道的狀況下，這一推理步驟很簡潔分布5局部機器學習什么是學習和機器學習?為什么要爭論機器學習?學習〔西蒙統(tǒng)在下一次執(zhí)行同樣任務或類似任務時，比現(xiàn)在做的更好或效率更高?！舱n件為有效。提法是：機器學習是一門爭論及其獵取學問和技能，并識別現(xiàn)有學問的學問。機器學習進入階段的重要性表現(xiàn)在以下諸多方面：機器學習已成為的邊緣學科并在高校形成一門課程。結(jié)合各種學習方法，取長補短的多種形式的繼承學習系統(tǒng)爭論正在興起。機器學習與人工智能各種根底問題的統(tǒng)一性觀點正在形成。各種學習方法的應用范圍不斷擴大，一局部已形成商品。數(shù)據(jù)挖掘和學問覺察的爭論已形成熱潮，并在生物醫(yī)學、金融治理、商業(yè)銷售等領域得到成功應用，給機器學習注入的活力。與機器學習有關的學術活動空前活潑?！舱n件〕,也是現(xiàn)代智能:一個沒有學習功能的系統(tǒng)能被稱具有智能的系統(tǒng)；來自生物、金融與網(wǎng)絡等各領域的數(shù)據(jù)，迫切需要分析或建立模型。試述機器學習系統(tǒng)的根本構(gòu)造，并說明各局部的作用。環(huán)境環(huán)境學習學問庫執(zhí)行分。在具體的應用中，環(huán)境、學問庫和執(zhí)行局部打算了具體的工作內(nèi)容，學習局部所需要解決的問題完全由上述三局部確定。試說明歸納學習的模式和學習方法。歸納學習的一般模式為：給定：①觀看陳述〔事實〕F，用以表示有關某些對象、狀態(tài)、過程等的特定學問；②假定的初始歸納斷言〔可能為空何相關問題領域?qū)W問、假設和約束，其中包括能夠刻畫所求歸納斷言的性質(zhì)的優(yōu)先準則。求：歸納斷言〔假設〕H，能重言蘊涵或弱蘊涵觀看陳述，并滿足背景學問。學習方法：〔1〕〔教師〕供給的是一組例子〔正例和反例，它們是一組特別的學問，每一個例子表達了僅適用與該例子的學問。例如學習就是要從這些特別學問中歸納出適用于更大范圍的一般性學問排解全部的反例?！?〕觀看覺察學習：觀看覺察學習又稱為描述性概括，其目標是確定一個定律或理論的一種。前者用于對事例進展聚類，形成概念描述；后者用于覺察規(guī)律，產(chǎn)生定律或規(guī)章。簡述概念學習的根本過程，請結(jié)合例子說明之。集合中定義的布爾函數(shù)。概念學習問題的定義：給定一個樣例集合以及每個樣例是否屬于某個概念的標注義。又稱從樣例中靠近布爾函數(shù)。概念學習是指從有關某個布爾函數(shù)的輸入輸出訓練樣例中推斷出該布爾函數(shù)。：實例集X：每個實例x6個屬性描述，每個屬性的取值范圍已確定假設集H：每個假設h6個屬性的取值約束的合取目標概念c：一個布爾函數(shù)，變量為實例訓練樣例集D：目標函數(shù)〔或目標概念〕的正例和反例求解：H中的一假設h，使對于X中任意x，h(x)=c(x)簡述決策樹方法及其使用場合；在構(gòu)造決策樹的過程中，測試屬性的選取承受什么原則？如何實現(xiàn)？請結(jié)合例子說明之。決策樹學習是一種靠近離散值目標函數(shù)的方法棵決策樹。學習得到的決策樹也能再被表示為多個if-then的規(guī)章，以提高可讀性。決策樹通過把實例從跟結(jié)點排列到某個葉子結(jié)點來分類實例子樹上重復。決策樹學習最適合具有一下特征的問題：實例是由“屬性-值”對表示的；目標函數(shù)具有離散的輸出值；可能需要析取的描述；訓練數(shù)據(jù)可以包含錯誤；訓練數(shù)據(jù)可以包含缺少屬性值的實例。最正確分類屬性：信息增益：用來衡量給定的屬性區(qū)分訓練樣例的力量ID3算法在增長樹的每一步使用信息增益從候選屬性中選擇屬性用熵度量樣例的均一性：熵刻畫