2021南大855（人工智能）考研计划一览

0 写在前面

2021年是NJU人工智能学院研究生第三年招生。
南京大学855 人工智能全日制研究生
理想分数：初试，满分500，目标400分，其中数学140，专业课120，英语80，政治60。复试，满分300，目标200。

需要交流直接私信，午饭、晚饭和睡前会看。

2020/6/20-2020/9：暑期目标：维持数学和专业课的状态（保持每天轮流一套卷子，遇到不熟的知识点立刻巩固），英语全方面提升（口语、听力、阅读、作文），力扣刷题+PAT准备，机器学习&数据挖掘多写代码。
参考资料：

1. 人工智能学院19考研经验贴Wiki
2. 人工智能学院20考研经验贴Wiki
3. 21南大人工智能考研 QQ群：686411297
4. 南大人院官网

1 计划一览表

时间仅个人记录，不是参考复习时间。

1.1 考研复习基础阶段（11月1日-5月6日）

基础阶段着重于基础，要能做到拿到题目知道考的哪一块知识点并且能给出一些思路（除政治外）

1.1.1 考研数学

时间	任务	备注	进度
11.17-11.27	张宇高数36讲	这部分基础较好并且大一大二各刷过一边，用较快速度过。	结束
11.17-11.27	张宇闭关修炼	配合强化班使用	结束
1.6-3.10，4.22-5.6	张宇1000题第一轮	打基础过程中最重要的题包，考研基本上就只刷这个题了，会刷2遍，掌握的题直接划去。	一轮结束

1.1.2 考研专业课

时间	任务	备注	进度
11.17-12.15	《C++ primer plus》+菜鸟教程	掌握C++基本语法，遇到再学	结束
12.18-1.2，3.25-4.11	数据结构,算法设计与分析两轮	基本概念都了解，剩下的通过刷题来巩固	结束
12.25-12.30	人工智能,aima	书和博客，粗略看一遍即可	结束
2.1-2.6	西瓜书二刷	在准备考研之前就已经读过一遍，不过不了解考试重点，还是先巩固一下基础	结束

1.1.3 考研英语

时间	任务	备注
1.7-4.20	绿皮书词汇一天一个list，注意复习	结束

1.1.4 其它

时间	任务	备注
1月6日-3月25日	复现数据竞赛topline，包括但不限于回归、分类、CV、NLP	花了许多时间依然没有拿到好成绩，希望考上研有更好的资源去学习和参加竞赛吧，结束。

1.2 考研复习强化阶段（5月7日-9月）

强化阶段着重于题，要做到有吃透题目，也就是拿到题目知道考什么、用什么方法、回忆类似的题型的实力。

1.2.1 考研数学

时间	任务	备注	进度
5.26-	数一模拟卷+真题	记录每次的分数
5.7-5.20	张宇1000题第二轮	第二轮就是把没划去的题逐渐划去，若做模拟卷时做错了题就从相应的题取消划去操作，建立自己的题库（典型题、错题、难题）	结束
6.20-	保持状态	茆诗松和张宇

练习卷分数记录

试卷	分数	自我评价
2010数学一真题	91	空了三道半道大题，线代和概率论对大题的理解不足，继续努力
2009数学一真题	120	选择错2 填空错1 大题证明不会，解析几何一半不会，复习了下线代和概率论相关分数都基本能拿满了，基础还有待加强（通过做题）
2018数学一真题	115

1.2.2 考研专业课

时间	任务	备注	进度
6.20-	每天leetcode	题解学习，in VScode
5.7-6.5	845,855,408相关真题都做一遍	自建题库，不够的话去王道天勤牛客。	855结束、845结束、ai习题整理完毕、408结束
6.20-	保持状态	每天都得看殷/黄/aima/西瓜书	殷/黄/aima

练习卷分数记录

试卷	分数	自我评价
自编题6.20	96/112	13:15-14:30，栈，B树，图，搜索，aima第三章,二叉树的遍历，时间复杂度估计，希尔排序，决策树

1.2.3 考研英语

时间	任务	备注	进度
5.7-	建立生词本，每天复习
5.7-6.27	张剑阅读理解	精读	结束

练习卷分数记录

试卷	分数	自我评价
2017真题	45.5/60	阅读错了6道，还得再练练。翻译和大小作文从零开始准备

1.2.4 其它

时间	任务	备注
9月17日	英语六级考试
9月8日	PAT甲级	目标满分

1.3 考研复习冲刺阶段（9月）

1.3.1 考研政治

时间	任务	备注
	肖秀荣《精讲精练》、《1000题》
	考研政治大纲

2 资料

2.1 考研科目

2.1.1 初试

1. 101 思想政治理论

试卷题型分值分布

• 单选：$30\ast 1^{\prime }=30^{\prime }$
• 多选：$10\ast 2^{\prime }=20^{\prime }$
• 案例分析：$50^{\prime }$

我用的书：

• 徐涛 核心考案
• 肖秀荣1000题
• 肖四肖八

2. 201 英语一

试卷范围分值分布

• 完型：$20\ast 0.5^{\prime }=10^{\prime }$
• 阅读：$4\ast 5\ast 2^{\prime }=40^{\prime }$
• 新阅读：$5\ast 2^{\prime }=10^{\prime }$
• 翻译：$5\ast 2^{\prime }=10^{\prime }$
• 小作文（应用文写作）：$10^{\prime }$
• 大作文：$20^{\prime }$

我用的书

• （看完了）词汇：绿皮书
• （做完了）阅读：张剑黄皮书
• 作文：张剑写作高分突破
• 真题：学霸狂练

3. 301 数学一

试卷范围分值分布：

• 高数：$84^{\prime }$，4个单选，4个填空，5个简答
• 线代：$33^{\prime }$，2个单选，1个填空，2个简答
• 概率论：$33^{\prime }$，2个单选，1个填空，2个简答

试卷题型分值分布

• 单选：$8\ast 4^{\prime }=32^{\prime }$
• 填空：$6\ast 4^{\prime }=24^{\prime }$
• 简答：9题共$94^{\prime }$

我用的书

• （看完了）张宇36讲
• （看完了）张宇1000题
• （看完了）张宇闭关修炼

4. 855 数据结构、算法、人工智能、 概率统计

试卷题型分值分布

• 单选：$40\ast 2^{\prime }=80^{\prime }$
• 简答：8题共$70^{\prime }$

参考用书

• （看完了）人工智能:一种现代的方法(第3版)(影印版) (英语) 平装，拉塞尔(Stuart J.Russell), 诺维格(Peter Norvig) 有译版，通常叫这本书为aima。以aima的书为主，辅助mooc 。 以去年的经验，西瓜书前10章+aima的搜索、学习部分也足够应对考试，逻辑需要了解些基本概念。
• （看完了）《机器学习》周志华，也叫西瓜书
• （看完了）《数据结构（用面向对象方法与C++描述）》（第二版），殷人昆等，清华大学出版社；一定要带上配套习题和解析
• （这本我没看，看黄宇那本就可以了）计算机算法——设计与分析导论 (影印版，Computer Algorithms: Introduction to Design and Analysis, 3rd Edition)，Sara Baase, Allen Van Gelder 编著，高等教育出版
• （看完了）《算法设计与分析》 黄宇
• 《算法导论》第三版。辅助学习，不是考试重点。
• （看完了）《概率论与数理统计》，高祖新、陈华均（编），南京大学出版社 推荐 浙大第四版或者南大本科用的概率论 (傅冬生)。我用的是茆诗松的。

2.1.2 复试

1. 3701 笔试：离散数学

参考用书：

• 离散数学 屈婉玲第二版 (有配套习题解析) 配合<离散数学及其应用>
  离散重点可以参考cs大里的资料。
  离散全是证明，重点逻辑 集合 群 图（其实都是重点）

2. 3702 笔试：机器学习

参考用书：

• 机器学习 周志华

3. 3703 C++程序设计上机考试

• C++语言基础这里就不给建议了，学个基础就行了。比如可以在《C++ primer plus》第六版（这本是我用的，发现里面太多无关知识了，就当作字典粗略看一下就行了）、菜鸟教程等地方学习。

• 难度：<=PAT甲，小于等于Leetcode Medium，题面纯英文
  南大喜欢考bfs dfs dp这些，着重注意一下
  想追求更好分数的可以刷一下牛客网或者leetcode

• 编译器：C++ Vs2013 Dev
  Java eclipse

4. 3704 综合面试

• 面试是全英语？面试哪几个方面进行准备
  英文自我介绍并回答2个左右的问题。

准备的话，如果做过项目准备项目，没做过项目把基础打好，尤其是数学和机器学习相关的。

2.2 历年招生情况

2.2.1 2019年（第一年招生）

拟招收总人数	其中拟接收推免生人数	拟录取人数
35	28	35

报名人数	录取人数	其中免试人数
96	35	28

实际考研预录取情况
有10个同学进入复试最终选了分数前七的。

2.2.2 2020年（第二年招生）

学校招生安排

拟招收总人数	其中拟接收推免生人数	拟录取人数
45	35	10

扩招后招生安排

拟招收总人数	其中拟接收推免生人数	拟录取人数
60	35	25

进入复试的初试成绩（30人）

拟录取（25人），可以看出初试排名靠前全部录取，排名靠后也可逆袭

2.3 专业课真题回忆

真题回忆参考历年考生的回忆和总结，并给出我的参考答案。

2.3.1 2019年

2.3.1.1 选择题

大致上四科比例基本一致，难度不大

2.3.1.2 大题

数据结构10分 算法26分 AI 14分 概率论20分

1. （AI）一道问过拟合的原因和解决方案，
   在训练充足后，学习器的拟合能力已经非常强，此时训练误差仍在逐渐减少，甚至拟合了训练数据中的噪声和训练样例中没有代表性的特征，导致这时候方差逐渐主导了泛化误差，使得测试误差逐渐增大，发生过拟合。
   解决方法：简化模型（减少模型参数）、正则化、增加训练样本、Early Stopping、ensemble（集成学习算法也可以有效的减轻过拟合。Bagging通过平均多个模型的结果，来降低模型的方差。Boosting不仅能够减小偏差，还能减小方差）。
2. （AI）一题naive bayes的独立性假设的解释，一道贝叶斯预制函数 说明作用
   每个属性独立地对类别产生影响
3. （数据结构）写中序二叉树递归 画二叉树
4. （算法）一道时间复杂度估计
5. （算法）dp（最长公共子序列），字符距离算法优化16分
   用二维数组c[i][j]记录串x1x2⋯xi与y1y2⋯yj的LCS长度，则可得到状态转移方程
   
   
6. （算法）一道希尔排序，写完整个过程。
7. （数理统计）一道多维变量的数一典型例题：密度函数定义，边缘分布，独立性，z=x+y。
8. （数理统计）统计量（均值方差等），假设检验（双边t检验，占分值较高）。

2.3.2 2020年

2.3.2.1 选择题

1. （AI）bfs和dfs哪个空间更少，以及迭代加深搜索
2. （数据结构）k路归并最好情况下时间复杂度 O(nlogkn)
3. （AI）迭代加深的深度优先遍历，时间复杂度更近似于dfs/bfs，空间复杂度更近似于dfs/bfs
4. （AI）α-β剪枝的说法错误的是，A，一种加速方法 B，针对minimax决策树 C，能够加快搜索 D，能够节省存储空间 BCD都是对的，A不知道在说什么所以选A
5. （AI）命题逻辑和一阶逻辑的关系
6. （AI）具有无限VC维度的是 1，神经网络 2决策树 3，聚类算法 4，朴素贝叶斯
7. （AI）被誉为人工智能之父的是谁 西瓜书P22，约翰·麦卡锡
8. （算法）问哪一个是贪婪算法 A 01背包问题，B迪杰斯特拉算法， C快排，D弗洛伊德。（B）
9. （数据结构）哈夫曼树度为m 有叶子结点n个 问其非叶子结点的数目。殷书P240

这题表示哈夫曼树的节点 的度要么是0要么是m
设度不为0（即非叶结点）的个数为X
则总的结点数为：X+n
除叶结点外，对于度为m的每个结点都有m个分支，而度为0的结点是没有分支的，所以从分支的情况来看
总的结点数位：X*m + 1（这里的1为根结点）
两者相等，所以答案是 （n-1) / （m-1）

10. （数据结构）二叉中序线索树 问一个有左子女非终端节点的前驱是哪个节点？殷书P213，左子树中序下的最后一个节点（子树中最右下的节点）

11. （数据结构）设F是一个森林，B是由F转换得到的二叉树，F中有n个非终端结点，B中右指针域为空的结点有? 殷书P225，殷书练习册5.42（13）(答案为A)$$A.n＋1B.nC.n-1D.n+2$$

12. （算法）基本有序的元素适合的算法 没有选项，冒泡排序？

13. （算法）采用递归方式对顺序表进行快速排序，下列关于递归次数的叙述中，正确的是（D）
    A递归次数与初始数据的排列次序无关
    B每次划分后，先处理较长的分区可以减少递归次数
    C每次划分后，先处理较短的分区可以减少递归次数
    D递归次数与每次划分后得到的分区处理顺序无关

14. （数理统计）事件独立互斥

15. （算法）dp理论相关的一道 题目忘了

2.3.2.2 大题

1. （算法）上n节楼梯，只能蹦一层，两层。问有多少种蹦法，分析“计算”复杂度
   f(1)=1,f(2)=2,f(n)=f(n-1)+f(n-2)
   O(2^n)

2. （数据结构）avl平衡树插入节点画转换后的树
   

3. （算法）循环链表填代码，约瑟夫问题，（殷书P68）

4. （数据结构）哈夫曼，给出了哈弗曼编码，A1 E01 S000 T001,根据01序列还原字符串，画出哈夫曼树。（殷书P244）

5. （AI）井字棋的最大最小值以及最佳策略，最大最小搜索树画图，书上例题
   
   以书上例题作为题设（最后一句话忽略）
   
   则答案如下图所示
   
   当然是走右边那条路了。

6. （AI）过拟合分析，给了一个神经网络训练和测试误差图，训练误差逐渐减小，测试误差先减小后开始回升，由此判断是什么现象，分析其中原因，给解决方法
   
   在迭代初期，神经网络（学习器）的拟合效果不够强，训练误差和测试误差都比较大，此时偏差主导误差，发生欠拟合。随着迭代的进行（随着训练的加深），神经网络（学习器）拟合效果逐渐增强，训练误差和测试误差逐渐减小。但在迭代的后期（训练充足后），神经网络（学习器）的拟合能力已经非常强，此时训练误差仍在逐渐减少，甚至到最后训练误差为0，即完全拟合训练集，甚至拟合了训练数据中的噪声和训练样例中没有代表性的特征，导致这时候方差逐渐主导了泛化误差，使得测试误差逐渐增大（回升），此时发生过拟合。
   解决办法：简化模型（减少神经网络的层数或减少部分层的神经元数量）、正则化、增加训练样本、Dropout、Early Stopping、ensemble（集成学习算法也可以有效的减轻过拟合。Bagging通过平均多个模型的结果，来降低模型的方差。Boosting不仅能够减小偏差，还能减小方差）。

7. （概率论）求概率密度，分四小问，一求参数，二求边缘密度函数，三求是否相互独立，四求z＝x+y概率密度；

8. （概率论）矩估计和极大似然估计

2.4 导师和实验室等资料

LAMDA官网
LAMDA招生说明

3 可能有用的资料

• （学完了）南大ai 课程
• （学完了）北大ai mooc
• （学完了）浙大ai mooc
• （学完了）江西理工ai mooc
• （学完了）南大概率统计课程
• （学完了）南大概率统计 mooc
• （用处不大）西瓜书勘误
• （加深理解）南瓜书（西瓜书公式详细推导）
• 深度学习500问 准备面试可参考
• （学完了）北大算法课
• 北大离散数学
• （一刷）吴恩达深度学习
• （二刷，学完了）吴恩达机器学习
• 黄宇 B站 算法主义