博士生入学专业基础课考试大纲

博士生入学专业基础课考试大纲
课程名称：人工智能原理
一、考试要求
要求考生全面、系统地掌握人工智能的基本概念、基本原理、典型方法和若干应用实例，并且能灵活运用所学知识阐述解决实际问题的方法和途径。

二、考试内容
●人工智能概述
AI的四种类型定义，图灵测试，AI发展7个历史时期，构造理性智能体的4个要素及例子，Agent结构，AI研究热点
●搜索技术
搜索问题形式化表示4要素，搜索树/搜素图表示，搜索策略分类，搜索算法评价4个指标
4种常用盲目搜索算法—广度优先、深度优先、深度有限、迭代深入先深搜索，4算法基本性能比较
A*搜索启发函数定义，可采纳性定义，启发函数一致性定义，A*算法性质，启发函数精确性问题
4种常用局部搜索算法的思想
极大极小决策算法，α-β剪枝算法
CSP问题定义，例子与约束图，3种提高基本CSP求解算法效率的策略—赋值次序、前向检验、智能回溯
●逻辑与推理
子句合一置换，前向链接算法/后向链接算法，算法推理例子
公式到子句集的转换，Herbrand论域、原子集、解释，语义树、规范语义树、完备语义树、封闭语义树、否节点，Herbrand定理，消解法证明思路
消解法的应用：禁止无用子句产生—动态支持集策略，线性消解、输入消解、单元消解的例子
模态逻辑□◇算子的含义，模态逻辑的Leibnitz和标准模型定义
4种三值逻辑的真值定义
●知识表示
知识三要素，知识-数据-信息的区别，知识表示—符号系统+使信息结构化
本体概念要素，构建本体的原则，Ontology分类的典型—分类词典，本体论的应用
产生式、框架、语义网络，自然语言句子的上述3种方法表示实例
动态知识表示及例子
结构化-非结构化-半结构化知识(数据)区别，半结构化数据模型，置标语言特点，HTML 例子，XML例子，Wiki百科的表示形式，应用例子说明
●不确定性推理
不确定性推理必要性、方式，原子事件及性质、全概率公式，条件概率、边缘化、归一化、逆概率，用全概率分布表推理，条件独立性
贝叶斯网络的表示，全联合概率分布的计算，链式法则、条件独立关系、噪声或关系，贝叶斯网络上的精确推理例子，变量消元法：λ表转换及其合并，条件独立性典型表示及其例子
马尔可夫链表示、例子，时序推理的任务及其表示(filtering, prediction, smoothing, most likely sequence)和相关推导，Forward-backward算法思想，HMM表示及例子
效用函数、最大期望效用、效用函数例子，序列决策问题/例子，回报函数，MDP定义、例子，相关函数定义U、 ，Bellman公式及其计算实例，数值迭代算法
●机器学习
学习的经典定义，三种学习类型，机器学习学科近期和长远研究的一些主题
归纳学习、Ockham剃刀原则、归纳学习假设、归纳偏置，决策树建立的一般过程，熵值下降(信息增益)属性选择方法，决策树学习的例子
机器学习算法评价方法、实验测试方法、过拟合
集体学习的动机，Boosting方法的基本思想，AdaBoost算法概述
学习过程的3种决策标准，统计学习的3种模型
贝叶斯学习实例、贝叶斯预测过程，最大似然假设及前提，贝叶斯网络中的最大似然参数计算，朴素贝叶斯分类器
使用先验知识的学习系统框架，ILP的学习模式、评价标准，ILP学习过程、实例，ILP自顶向下学习方法例子，ILP逆向归纳学习方法例子，ILP学习方法的优缺点、特点PAC学习，PAC学习的样本复杂度描述
●规划简介
规划的定义，规划问题语言STRIPS/ADL表示形式、两者区别，用STRIPS或ADL表示各种问题实例
三、试卷结构
考试时间180分钟，满分100分
（1）题型结构
1）简答或论述题（20-30分）
2）证明题（10-20分）
3）计算题（20-30分）
4）求解题（20-30分）
（2）内容结构
四、参考书目见招生简章。