人工智能解答题答题技巧

人工智能综合题答题技巧

题型一：期望的计算方法

• 客观题

1. 题目难度：较为简单
2. 解题技巧：分别找出两个对立面概率及其对应的值相乘然后相加即可

• 主观题

1. 题目难度：中等
2. 解题技巧：

• 仔细阅读题目，圈出重点数值（概率）
• 画出简易思维导图，理清思路
• 列出计算公式进行计算
• 进行二次检查，确认概率是否正确，是否有细节遗漏

题型二：有信息和无信息搜索路径查找

（1）深度广度优先搜索

深度/广度优先解题技巧

深度优先如果能一眼看出结果则后续步骤省略【一般情况可直接从图中看出深度优先】 若不能看出结果则需将状态空间图转换为搜索树，然后根据深/广度优先算法思想操作

简单来说，深度优先即从上到下依次进行，广度优先则是一层一层的进行相关操作

（2）一致代价搜索

一致代价搜索解题技巧

（1）将状态空间图转换为搜索树【要是到终点的路径较少可以直接计算省略这一步骤】 （2）计算从起点到终点每一条路径上节点的代价，通过计算得出结果，选取代价最小的一条路径即可，一致搜索常常与A*搜索一起出题

（3）A*搜索

A*搜索解题技巧

将图转化为搜索树 根据题目条件得出每一个节点的g和h值，并求解出f值 每一次选择f值最小的节点继续往下走直到到达终点为止

题型三：最大最小树剪枝

1. 在所给出树的左边从上到下依次写出Max,Min以做提醒
2. 写出所给出的每一层的值
3. 进行剪枝操作（剪枝操作从下到上，从左到右依次写出相关范围，如果存在两个关系没有交集则该处可以剪枝）
4. 检验时可以对某些不确定的节点去掉看是否影响根节点的值

题目四：熵和信息增益的相关计算

1. 根据所给出的样例分别找出positive和negative样例个数，并求出其比例（画出简易思维导图更为直观）
2. 根据计算公式求解出总体熵
3. 分别计算出每一个样例的信息增益，用总体熵减去样例中每一个熵*其对应的比例得出其信息增益
4. 第一属性应选择信息增益最大的一个

题型五：单连接层次凝聚算法与K-mean

1. 曼哈顿距离是直角边，欧几里得距离是斜边

     2. 综合题目中进行合并聚类的方法

综合题目中进行合并聚类的方法

选取距离最短的两个实例首先进行合并（若剩下的还有单独的实例可以将其合并） 根据距离对剩下的实例进行聚类

    3.综合题目中k-mean算法求解过程

综合题目中进行K-mean的方法

根据题目选取聚类中心（如果题目给出了该步骤省略） 分别计算其它点到聚类中心的距离（欧几里得距离：斜边/曼哈顿距离：直角边/切比雪夫距离：最大值） 比较距离，离哪个点距离最近就选择归类到哪个点中 分别计算每一个集合中每一个点到聚类中心距离之和 选取新的聚类点（求均值） 二次计算聚类到相应的集合 当中心点不再发生变化或者所有点的归类不在发生变化为止则停止计算

题型六：卷积神经网络综合题

1. out_size的计算方法：out_size = (in_size–kernel【核】_size + 2*pad【填充】) / stride 【跨步】+ 1
2. 解题步骤：

• 步骤一：进行filter，根据题目要求，依次从左往右从上到下进行Filter（与给出的相乘相加即可）
• 步骤二：最大池化，在区域中抽取最大的模式，从已经进行filter中找到相应的最大值
• 步骤三：卷积和池化操作之后（可能有多步），下一步是把输出压平成为一个一维向量，如果有多个不同通道，逐个压平再合并；最后是一个全连接网络，使用 softmax 输出各类的概率，如果需要一个类别标签，取概率最大的一类