华南理工大学《高级人工智能》考试真题

华南理工大学《高级人工智能》复习资料1局部绪论1-1. 什么是人工智能？试从学科和力量两方面加以说明。人工智能是用计算机来表示和执行人类的智能活动，人工智能〔学科：是计算机科学中涉及争论、设计和应用智能机器的一个分支。其近期的主要目标在于争论用机器来仿照和执行人脑的某些智力功能，并开发相关理论和技术。人工智能〔力量理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。1-2. 在人工智能的进展过程中，有哪些思想和思潮起了重要作用？数理规律，关于计算的思想掌握论思想专家系统，机器学习，计算智能，人工神经网络等和行为主义的争论1-3. 为什么能够用机器〔计算机〕仿照人的智能？模式相区分，就是一个符号。一个完善的符号系统应具有以下6种根本功能：输入符号；输出符号；存储符号；复制符号；建立符号构造：通过找出各符号间的关系，在符号系统中形成符号构造；条件性迁移：依据已有符号，连续完成活动过程。66种智能。把这个假设称为物理符号系统的假设。物理符号系统的假设伴随3个推论，推论1：既然人具有智能，那么他〔她〕就肯定是个物理符号系统。推论2：既然计算机是一个物理符号系统，它就肯定能够表现出智能。推论3：既然人是一个物理符号系统，计算机也是一个物理符号系统，那么就能够用计算机来模拟人的活动。1-4. 人工智能的主要争论和应用领域是什么？其中，哪些是的争论热点？机器学习，神经网络，机器人学，模式识别，机器视觉，智能掌握，智能检索，智能调度与Agent，计算智能与进化计算，数据挖掘与学问觉察，人工生命，系统与语言工具。争论热点：专家系统，机器学习，神经网络，机器人学，模式识别，分布式人工智能与Agent，数据挖掘与学问觉察。1-5. 人工智能的进展对人类有哪些方面的影响？试结合自己了解的状况和理解，从经济、社会和文化等方面加以说明？1-6. 试评述人工智能的将来进展。2局部学问表示2-1. 什么是学问？学问的要素有哪些？学问的表示方法有哪些？Feigenbaum：学问是经过削减、塑造、解释和转换的信息。简洁地说，学问是经过加工的信息。Bernstein：学问是由特定领域的描述、关系和过程组成的。Hayes-Roth：学问是事实、信念和启发式规章。从学问库的观点看，学问是某领域中所涉及的各有关方面的一种符号表示。学问要素：事实，规章，掌握，元学问学问表示方法：一阶规律表示法，产生式学问表示法，框架表示法，语义网络表示法，面对对象表示法2-2. 状态空间法、问题归约法、谓词规律法和语义网络法的要点是什么？它们有何本质上的联系及异同点?〔ppt无〕状态空间法：基于解答空间的问题表示和求解方法，它是以状态和算符为根底一个操作符，递增地建立起操作符的试验序列，直到到达目标状态为止。〔ppt无〕问题规约法：问题的描述，通过一系列变换把此问题最终变为一个子问〔要解决的问题一个平凡的本原问题集合。明这个语句也是正确的。语义网络法：是一种构造化表示方法，它由节点和弧线或链组成。节点用于表示物体、题。2-3. 如何用谓词公式表示学问?〔见课本例题〕系的规章性学问。用谓词公式表示学问的一般步骤定义谓词及个体，确定每个谓词及个体的精准含义。依据所要表达的事物或概念，为每个谓词中的变元赋以特定的值。依据所要表达的学问的语义，用适当的连接符将各个谓词连接起来形成谓词公式。3局部经典规律推理3-1. 什么是推理？推理的任务、分类。推理是按某种策略由推断推出另一推断的思维过程推理的根本任务是从一种推断推出另一种推断分类：演绎推理：从全称推断推导出特称推断或单称推断的过程归结推理：从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理3-2. 什么是置换？什么是合一？什么是归结？W和W1 1

W产生合式公式2W的运算。另一个推理规章是全称化推理，它是由合式公式 (x)W(x)产生合式公式2WAA为任意常量符号。同时应用假元推理和全称化推理，例如，可由合式公式(x)[W1

W2

(x和W1

生成合式公式W2

A。这就是查找的Ax的置换，使WA与W1

全都。s作用于表达式集{E的每个元素，则用{E}来表示置换例的集，称表达式集{E是合一的。假设存在i i s i一个置换s使得：E E E ...那么称此s为{E}的合一者，由于s的作用是使集1s 2s 3s i合{E成为单一形式。i有些专家把它叫做归结原理。3-3.3-4.

把谓词公式化为子句集有哪些步骤?请结合例子说明之把谓词公式变换成子句形式：～｛→〔→］∧［→｝～｛→y→］［→｝消去蕴涵符号〔只应用∨和～符号，以～A∨BA→B〕～｛～∨［)∨］［)∨｝〔每个否认符号～摩根定律〕()｛～｛∨［～)∨］［)∨｝()｛)∧｛～［～)∨］［)∨｝()｛)∧｛～［～)∨］∨｛［)∨｝()｛)∧〔［)∧］()∧｝对变量标准化〔对哑元〔虚构变量〕改名，以保证每个量词有其自己唯一的哑元〕()｛)∧〔［)∧］(ω,ω)∧)｝消去存在量词〔以Skolem函数代替存在量词内的约束变量，然后消去存在量词〕)∧［)∧～］∨,)∧C｝化为前束形〔后面公式的整个局部〕把母式化为合取范式〔任何母式都可写成由一些谓词公式和(或)谓词公式的否认的析取的有限集组成的合取〕)［)∨,))∨)［),)［∨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)］消去全称量词〔全部余下的量词均被全称量词量化了。消去前缀，即消去明显消灭的全称量词〕消去连词符号∧〔用{A,B}代替(A∧B)，消去符号∧。最终得到一个有限集，其中每个公式是文字的析取〕P(A)p(B)∨Q(A,C)p(B)∨～P(C)～p(f(A,B))∨Q(A,C)～p(f(A,B))∨～P(C)更换变量名称〔可以更换变量符号的名称，使一个变量符号不消灭在一个以上的子句中〕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. 〔消解反演求解过程给出一个公式集S和目标公式否认L，得到~L；把~L添加到S中去；把产生的集合{~L，S}化成子句集F；〔4〔以前〕应用消解原理，力图推导出一个表示冲突的空子句〔现在ppt〕反复归结子句集F中的子句，假设消灭了空子句，则停顿归结，此时就证明白L永真3-6. 如何通过消解反演求取问题的答案?请结合例子说明之。从反演树求取对某个问题的答案，其过程如下：把由目标公式的否认产生的每个子句添加到目标公式否认之否认的子句中去；依据反演树，执行和以前一样的消解，直至在根部得到某个子句为止；用根部的子句作为一个答复语句。NIL的反演树变换为根部带有回答语句的一棵证明树。3-7. 与/或形规章演绎系统有哪几种推理方式?各自的特点如何？说明推理过程。请结合例子说明之。与/或形演绎推理推理方式：正向演绎、逆向演绎、双向演绎；正向演绎：从事实动身，正向地使用蕴含式(F规章)进展演绎推理，直至得到某个目标公式的一个终止条件为止。/12把“3重命名变元名；4Skolem函数消去存在量词；5消去全称量词，且使各主要合取式中的变元不同名把领域学问的表示形式变成规定形式的步骤12把“谓词的位置上；3Skolem函数消去存在量词；4消去全称量词5恢复蕴含式推理过程：用与/或树把事实表示出来F规章的左部和与/或树的叶节点进展匹配，并将匹配成功的F规章参加到与/或树中重复第(2)步，直到产生一个含有以目标节点作为终止节点的解图为止逆向演绎推理：从待证明的问题(目标)(B规章)含事实的终止条件为止Skolem函数消去全称量词约束的相应变元，然后在消去存在量词推理过程：用与/或树把目标公式表示出来用B规章的右部和与/或树的叶节点进展匹配，并将匹配成功的B规章参加到与/或树中重复进展第(2)步，直到产生某个终止在事实节点上的全都解图为止与/或形双向演绎推理：由表示目标及表示事实的两个与/或树构造组成，这些与/或树分别由正向演绎的F规章及逆向演绎的BF规章为单文字的左部，B规章为单文字的右部。4局部不确定推理4-1. 争论不确定性推理有何意义?有哪几种不确定性?现实世界中遇到的问题和事物间的关系往往比较简单下运用不确定学问进展推理，即进展不确定性推理。〔课件〕意义：使计算机对人类思维的模拟更接近于人类的真实思维过程。不确定性推理是一种建立在非经典规律根底上的基于不确定性学问的推理乎合理的结论。由两种不确定性，即关于证据的不确定性和关于结论的不确定性4-2. 在什么状况下需要承受不确定推理?不确定性；满足问题求解的实际需求；便于推理过程中对不确定性的推算4-3. Bayes网等不确定推理方法。请结合例子说明之。4-4. BayesBayes网蕴涵的条件独立假设是什么？简述Bayes网的推理模式。请结合例子说明之.〔可表示为一有向无环图以及一组局部条件概率集合；准确定义条件独立性：XYZ3ZX听从的概率分布独立于Y的值，XZ时条件独立于Y，即(x,y,zi j

)P(Xxi

,Zzj

)P(Xxi

|Zz)kPX|YZ)PX|Z)扩展到变量集合：下面等式成立时，称变量集合X

...X1

Z1

...Zn

时条件独立于变量集合Y...Y1 mP(X...X|Z)P(X...X|Z...Z)1l1 m 1n1l1 n推理模式：可以用贝叶斯网在给定其他变量的观看值时推理出某些目标变量的值由于所处理的是随机变量，所以一般不会赐予目标变量一个精准的值真正需要推理的是目标变量的概率分布，它指定了在赐予其他变量的观看值条件下，目标变量取每一个可能值的概率在网络中全部其他变量都精准知道的状况下，这一推理步骤很简洁分布5局部机器学习什么是学习和机器学习?为什么要争论机器学习?学习〔西蒙统在下一次执行同样任务或类似任务时，比现在做的更好或效率更高。〔课件为有效。提法是：机器学习是一门争论及其猎取学问和技能，并识别现有学问的学问。机器学习进入阶段的重要性表现在以下诸多方面：机器学习已成为的边缘学科并在高校形成一门课程。结合各种学习方法，取长补短的多种形式的继承学习系统争论正在兴起。机器学习与人工智能各种根底问题的统一性观点正在形成。各种学习方法的应用范围不断扩大，一局部已形成商品。数据挖掘和学问觉察的争论已形成热潮，并在生物医学、金融治理、商业销售等领域得到成功应用，给机器学习注入的活力。与机器学习有关的学术活动空前活泼。〔课件〕,也是现代智能:一个没有学习功能的系统能被称具有智能的系统；来自生物、金融与网络等各领域的数据，迫切需要分析或建立模型。试述机器学习系统的根本构造，并说明各局部的作用。环境环境学习学问库执行分。在具体的应用中，环境、学问库和执行局部打算了具体的工作内容，学习局部所需要解决的问题完全由上述三局部确定。试说明归纳学习的模式和学习方法。归纳学习的一般模式为：给定：①观看陈述〔事实〕F，用以表示有关某些对象、状态、过程等的特定学问；②假定的初始归纳断言〔可能为空何相关问题领域学问、假设和约束，其中包括能够刻画所求归纳断言的性质的优先准则。求：归纳断言〔假设〕H，能重言蕴涵或弱蕴涵观看陈述，并满足背景学问。学习方法：〔1〕〔教师〕供给的是一组例子〔正例和反例，它们是一组特别的学问，每一个例子表达了仅适用与该例子的学问。例如学习就是要从这些特别学问中归纳出适用于更大范围的一般性学问排解全部的反例。〔2〕观看觉察学习：观看觉察学习又称为描述性概括，其目标是确定一个定律或理论的一种。前者用于对事例进展聚类，形成概念描述；后者用于觉察规律，产生定律或规章。简述概念学习的根本过程，请结合例子说明之。集合中定义的布尔函数。概念学习问题的定义：给定一个样例集合以及每个样例是否属于某个概念的标注义。又称从样例中靠近布尔函数。概念学习是指从有关某个布尔函数的输入输出训练样例中推断出该布尔函数。：实例集X：每个实例x6个属性描述，每个属性的取值范围已确定假设集H：每个假设h6个属性的取值约束的合取目标概念c：一个布尔函数，变量为实例训练样例集D：目标函数〔或目标概念〕的正例和反例求解：H中的一假设h，使对于X中任意x，h(x)=c(x)简述决策树方法及其使用场合；在构造决策树的过程中，测试属性的选取承受什么原则？如何实现？请结合例子说明之。决策树学习是一种靠近离散值目标函数的方法棵决策树。学习得到的决策树也能再被表示为多个if-then的规章，以提高可读性。决策树通过把实例从跟结点排列到某个叶子结点来分类实例子树上重复。决策树学习最适合具有一下特征的问题：实例是由“属性-值”对表示的；目标函数具有离散的输出值；可能需要析取的描述；训练数据可以包含错误；训练数据可以包含缺少属性值的实例。最正确分类属性：信息增益：用来衡量给定的属性区分训练样例的力量ID3算法在增长树的每一步使用信息增益从候选属性中选择属性用熵度量样例的均一性：熵刻画