人工智能导论
关于这门全是英文的考试，一些注意的知识点(根据ppt和网课)
目录
关于这门全是英文的考试，一些注意的知识点(根据ppt和网课)
一，Knowledge Representation
1.logic
2.FOL
3.semantic network
4.abductive
二，Search
1.DFS
2.BFS
3.DFS和BFS的区别
4.Cost-Sensitive Search：代价敏感搜索
5.Informed Search：启发搜索
三，神经网络
五，试题研究
六，计算题
七，简答题（非标答）
一，Knowledge Representation
知识表示
1.logic
P->Q:
1若：p是真,q是真,则 p→q是真；
2若：p是真,q是假,则 p→q是假；
3若：p是假,q是真,则 p→q是真；
4若：p是假,q是假,则 p→q是真.
2.FOL
例题1：
例题2：选C
对于此题举个其他例子比较：
1)对于宇宙间一切事物而言，如果事物是人，则他要呼吸。
(2)在宇宙间存在着用左手写字的人。
于是(1)，(2)的符号化形式分别为
∀x(M(x)→F(x))
和
ョx(M(x)∧G(x))
例题3：如果X是一个矛盾，Y是一个句子，那么X->Y就是一个重言式
例题4：一阶逻辑中有多少个逻辑常数
Infinity：无限
3.semantic network
- 介绍：语义网络
- ppt内容及翻译（下图PPT前三排中文）
节点和弧
弧定义二进制对象之间的关系
3.ISA和AKO
ISA:一个事物是另外一个事物的具体例子
AKO：一个事物是另外一个事物的成员
聚类关系：
PPT内容及翻译
4.abductive
介绍：溯因
- 判断：
deduction（演绎推理）：从规则和观察中形成解释（原因到结果）
abduction（溯因推理）：从结果到原因
induction（归纳推理）：从特殊例子到一般规则
例题：
二，Search
1.DFS
例题1：
这道题的图就像是一个无限，所以选Infinity
2.BFS
3.DFS和BFS的区别
- 数据结构
bfs 遍历节点是先进先出，一般使用队列作为辅助数据结构，dfs遍历节点是先进后出，一般使用栈作为辅助数据结构；
- 访问节点的方式
bfs是按层次访问的，先访问源点，再访问它的所有相邻节点，并且标记结点已访问，根据每个邻居结点的访问顺序，依次访问它们的邻居结点，并且标记节点已访问，重复这个过程，一直访问到目标节点或无未访问的节点为止。
dfs 是按照一个路径一直访问到底，当前节点没有未访问的邻居节点时，然后回溯到上一个节点，不断的尝试，直到访问到目标节点或所有节点都已访问。
- 应用
bfs 适用于求源点与目标节点距离近的情况，例如：求最短路径。dfs 更适合于求解一个任意符合方案中的一个或者遍历所有情况，例如：全排列、拓扑排序、求到达某一点的任意一条路径。
例题1：
4.Cost-Sensitive Search：代价敏感搜索
UCS:代价一致搜索
5.Informed Search：启发搜索
- h（x）启发函数
八数码问题启发函数采用曼哈顿距离（Manhatten distance）
- 贪婪搜索（gready search）
- A*搜索
f(n)=g(n)+h(n)
例题1：
关于曼哈顿和欧式距离：
对于网格地图来说, 如果只能四方向(上下左右)移动, 曼哈顿是最合适的启发函数.（8数码）
如果网格地图可以八方向(包括斜对角)移动, 使用切比雪夫距离作为启发函数比较合适.
如果地图中允许任意方向移动, 不太建议使用网格 (Grid) 来描述地图, 此时使用欧式距离来作为启发函数比较合适.
三，神经网络
有一道计算题，见计算题板块
例题1：b选项：小批量的梯度上升，每一步占一小部分
五，试题研究
1
2.
3.
关于这道题
根据逻辑分类：
Deduction(演绎) vs Induction(归纳)
从一般情况推导出一些特定的情况，这叫演绎.
从很多特殊情况总结出一般性的规律，这叫做归纳.
演绎一般是保真的，而归纳一般是不保真的.
根据知识的准确度进行分类：
Certainty(确定) vs uncertainty(不确定)
根据原因过程的单调性进行分类:
Monotonic(单调) vs Non-monotonic(非单调)
4.fuzzy reasoning：模糊推理
5.
6.
六，计算题
1.
（120-30）*0.3-30*0.7=6（另外70%的概率是要扣除30k）
2.答案：5，5，2，6
三角形朝上找最大，三角形朝下找最小
B中三个最小是5，C是4，D是2，然后三个中找最大的是B的5，所以A是5
最后一个空的检索顺序是5，7，6，8，4（比5还小不用检索后面的），2（跟前面同理）所以是6
3.答案未知，方法固定
z1'=f1(x)*w1+f2(x)*w3+f2(x)*w5,计算z2'同理，这是激活前的值
激活后的值要用一个公式：
算出真正的z1和z2，最后计算softmax
用另外个公式
分母都一样，计算出两个值写出来（建议写公式再写值容易算错）。
4.答案未知方法固定（公式右图）
5.答案未知方法固定：
第一问：举个例子最后计算出来是一个4*4的矩阵，（0，0）的值为3*2+-2*1+2*-1+-1*3一一对应，然后下面那个2*2的矩阵右左平移一个参照上面计算得到（0，1）的值，最后4*4矩阵全部求出来。
第二问：第一步做出来是4*4矩阵，2*2最大池化就是把它分成上下左右4个小矩阵，每个里面取最大值，参看第十个ppt
七，简答题（非标答）
- Describe the steps how actions are selected in a decision network
描述在决策网络中如何选择行动的步骤
1.例举所有证据
2.以各种可能的方式设置操作节点
3.根据证据计算效用节点所有父节点的后验概率
4.计算每个动作的预期效用
5.选择最大化行动
- Describe the concept of kernalization.
描述内核化的概念
把低维的特征向量空间，投影到高维，再将结果返回到低维。
- Describe how we can combat overfitting.
描述我们如何对抗过拟合
两种方法：a，限制假设空间，限制函数可能的复杂程度；b，正则化。
- Describe the K-means algorithm.
描述K-means算法
K-means算法。要点：初始选点-随机选点；迭代的两步；如何结束。
迭代：第一步-计算所有点到中心的距离，然后根据距离分类，第二步-对已经聚完的数，重新求中心点再计算所有的距离。不断重复一二步，反复计算然后归类，直到中心点不再发生变化结束。
- Describe what the one-hot representation and the distributed representations are and explain their difference
描述什么是一热表示法和分布式表示法，并解释它们的区别
热编码维度多，容易导致维度爆炸，会导致语义鸿沟；分布式编码维度少，避免了维度爆炸，避免了语义鸿沟。
- List the properties of the VPI.
列出VPI的属性。
非负性：非加性；（两条完美信息的价值是不能相加的）：顺序无关性（得知两条完美信息的顺序不影响完美信息的价值）。
- Describe what an admissible heuristic function is.
描述什么是可容许的启发式函数
admissible指任意一个结点上的值大于等于0，且小于等于到中结点的值
- How to calculate the entropy?
如何计算熵?
- How to calculate the evaluation function?
如何计算评价函数?
Gn+hn
Gn 为初始节点到当前节点的距离
Hn为当前节点到目标节点的距离
- Describe the C4.5 and ID3 algorithms.
描述C4.5和ID3算法
ID3：根据信息增益来选择节点
C4.5：根据信息增益率选择节点
- Describe the agglomerative clustering.
描述聚集性聚类
首先，合并非常相似的实例
从较小的集群中逐步构建较大的集群
选择两个最近的簇
将它们合并到一个新集群中
当只剩下一个集群时停止
生成的不是一个聚类，而是由树状图表示的一系列聚类
（eg：原80个簇，选择两个离得最近簇聚集为一个簇剩79簇。反复进行，直到只有一个簇。）
- Understand the CNN channels.
了解CNN频道
CNN相关—就是输入输出数据通道和卷积核通道数和个数的关系。