HNUST 人工智能导论期末复习

一、题型分布

简答5*10
1. 什么是估价函数（A算法和A*算法里面），定义和作用。P85 Issue 9
2. 深度学习和传统神经网络的异同点。P255 Issue 5
3. 遗传操作三种，举例。P87 P94 Issue 2
4. 决策树。P218 Issue 4
5. 统计学习。P237 Issue 1
设计2*10
- 农夫过河。P84 Issue 5
- 语义网路。P155 Issue 3
综合题2*10
- 谓词推理 P129 Issue 7
- 消解推理、归结演绎 P128 Issue 5（2）
送分题10
- 人工智能未来对我们的影响，正面反面

二、题目答案(非标准答案，经供参考)

1、什么是估价函数（A算法和A*算法里面），定义和作用

估价函数是指在搜索算法中用来评估节点的代价或距离的函数。在A*搜索算法中，估价函数使用f(n) = g(n) + h(n)来评估节点n的优先级，其中g(n)表示起始节点到节点n的实际代价，h(n)表示节点n到目标节点的估计代价。

其中，g(n)起到了记录起始节点到当前节点的实际代价的作用，而h(n)起到了估算当前节点到目标节点的代价的作用。h(n)通常使用启发式算法来估算，例如在八数码问题中，可以使用曼哈顿距离来估算当前状态到目标状态的代价。通过使用估价函数，A*搜索算法可以优先探索具有较低总代价的节点，从而提高搜索效率。

简略版：
1、估价函数的任务是估计待搜索节点的重要程度，给它们排定次序。
2、g（n）是起始点到达n的实际路径代价，h（n）就是n到达目标点最短路径的启发函数。

2、深度学习和神经网络的异同点

不同：

网络结构：深度学习通常包含多个隐藏层，而传统的人工神经网络通常只包含少数隐藏层。这使得深度学习模型能够更好地捕捉到数据的内在规律。

训练方法：深度学习通常采用更为先进的优化算法和正则化方法，以提高模型的泛化能力，而传统的人工神经网络通常采用相对简单的优化算法。这使得模型在面对复杂任务时，容易过拟合或欠拟合。

数据处理能力：深度学习在处理大规模、高维度数据方面有很好的性能，能够自动提取数据的特征，而传统的人工神经网络在处理这类数据时通常需要手工提取特征。

联系：

基础结构：都基于神经结构，其核心思想是通过多层非线性变换来捕捉数据的内在规律。

训练方法：深度学习和人工神经网络都采用正向和反向传播算法进行模型的训练，并通过优化算法最小化损失。

应用领域：深度学习和人工神经网络都被广泛应用于图像处理、语音识别、自然语言处理等领域。

3、举例说明遗传算法中的3种遗传操作

是一种优化搜索算法

遗传算法种的三种遗传操作为选择-复制，交叉和变异。举例如下:

选择-复制：设染色体S1=11100, S2=01001,S3=11000, S4=10011,其被选中次数分别为：2，0，1，1。
则这一轮的选择-复制结果为：S1’=11100, S2’=11100, S3’=11000, S4’=10011

交叉：设S1=01001011,S2=10010101交换其后4位基因，则得新串：S1’=01000101,S2’=10011011。
S1，S2’可以看作是原染色体S1和S2的2代染色体，即为交叉结果。

变异：设S1=01001011,如果S1的第4位上的0变为1，则得到新染色体。
S1’=01011011，即为变异结果。

4、什么是决策树学习？简述其基本步骤和过程

决策树是一种知识表示形式，构造决策树可以由人来完成，也可以由机器从一些实例中总结、归纳出来，即由机器学习而得。机器学习决策树也就是所说的决策树学习。决策树学习是一种归纳学习。由于一棵决策树就表示了一组产生式规则，因此决策树学习也是一种规则学习。决策树学习首先要有一个实例集。实例集中的实例都含有若干“属性-值”对和一个相应的决策、结果或结论。

决策树学习的基本方法和步骤：

首先，选取一个属性，按这个属性的不同取值对实例进行分类；
并以该属性作为根节点，以这个属性的诸取值作为根节点的分支，进行画树
然后，考察所得的每一个子类，看其中的实例是否完全相同。如果完全相同，则以这个相同的结论作为相应分支路径末端的子叶节点；否则，选取一个非负节点的属性，按这个属性的不同取值对该自己进行分类，并以该属性作为节点，以这个属性的诸取值作为该节点的分支，继续进行画树。
如此继续，直到所分的子集全部满足：实例结论完全相同，而得到所有的叶子结点为止。