厦门大学高级人工智能复习review
人工智能-复习及作业-参考答案
则称θ是F的一个合一。称F1 ,F2 ,…,Fn是可合一的。
例如，设有公式集F={P(x, y, f(y)), P(a, g(x), z)}，则
λ={a/x, g(a)/y, f(g(a))/z}
是它的一个合一。
一般情况下,一个公式集的合一不是惟一的。
21
Markov Decision Processes
作业
• 1、你对人工智能定义的理解？
• 2、解释什么是图灵测试？
• 3、简述人工智能的三大学派及其研究方法。
1
1.用5种搜索方法DFS、BFS、UCS、Greedy、
A*分别求解从A到E的搜索路径(访问过的节点
不再访问)
2
3
4
5
6
7
α-β剪枝
剪枝方法
MAX
(1) MAX节点（或节点）的α值为当前子节点的最大倒推值；
β剪枝
任何MIN节点n的β值小于或等于它先辈节点的α值，则n 以下的分枝可
停止搜索，并令节点n的倒推值为β。这种剪枝称为β剪枝。
8
α-β剪枝
3
3
3
≤2
12
8
2
2
14
5
2
9
2. 请用α-β剪枝算法进行剪枝，给出
根节点的数值
3
3
3
3
3
15
2
15
3
2
3
10
作业：用归结演绎推理的方法证明
下列问题
•
•
•
解：先定义谓词：
Poor(x) x是贫穷的
Smart(x) x是聪明的
Happy(x) x是快乐的
厦大期末卷+人工智能经典习题集
厦门大学真题一、（共15分）1、什么是人工智能？2、写出五种主要的知识表示方法；3、试举一个用人工智能方法解决实际生活中问题的实例。
二、（共20分）设有3个传教士和3个野人来到河边，打算乘一只船从左岸渡到右岸去。
该船的承载能力为两人。
在任何时候，如果野人人数超过传教士人数，那么野人就会把传教士吃掉。
他们怎样才能用这条船安全地把所有人都渡过河去？并请设计一个启发式函数。
三、（共20分）假设任何通过计算机考试并获奖的人都是快乐的。
任何肯学习或幸运的人都可以通过所有的考试，张不肯学习但他是幸运的，任何幸运的人都能获奖。
请用谓词逻辑表示上面知识，并用归结原理求证：张是快乐的。
四、（共15分）请简单对比分析宽度优先搜索和深度优先搜索算法的区别。
五、（共15分）对某种产品的质量进行抽查评估。
现随机选出5个产品进行检验，它们质量情况分别为：.这就确定了一个模糊集合Q，表示该组产品的“质量水平”这个模糊概念的隶属程度，试写出该模糊集。
六、（共15分）专家系统由哪些部分构成？各部分的作用为何？厦门大学真题（2010级）一、（共10分）1、什么是人工智能？2、一个完善的物力符号系统应具有哪6种基本功能？二、（共15分）请写出下面猴子和香蕉问题的知识表示、产生式规则及其求解的状态空间图。
三、（共20分）1、什么是命题？并用命题公式表示下面2个命题：1）“如果我进城我就去看你，除非我很累。
”2）“只要不下雨，我骑自行车上班”。
2、假设任何通过计算机考试并获奖的人都是快乐的。
任何肯学习或幸运的人都可以通过所有的考试，张不肯学习但他是幸运的，任何幸运的人都能获奖。
请用谓词逻辑表示上面知识，并用归结原理求证：张是快乐的。
四、（共15分）请简单对比分析宽度优先搜索和深度优先搜索算法的优缺点。
五、（共10分）请设计模糊集R=“近似于正三角形”的隶属度函数；并计算三个内角分别为A=80，B=60，C=40的三角形x近似于正三角形的隶属度。
人工智能知识点总复习(附答案)
知识点1.什么是人工智能？它的研究目标是什么？人工智能的研究目标远期目标揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类的智能涉及到脑科学、认知科学、计算机科学、系统科学、控制论等多种学科，并依赖于它们的共同发展近期目标研究如何使现有的计算机更聪明，即使它能够运用知识去处理问题，能够模拟人类的智能行为。
相互关系远期目标为近期目标指明了方向近期目标则为远期目标奠定了理论和技术基础2.人工智能有哪几个主要学派？各自的特点是什么？人工智能研究的三大学派：随着人工神经网络的再度兴起和布鲁克（R.A.Brooks）的机器虫的出现，人工智能研究形成了符号主义、联结主义和行为主义三大学派。
符号主义学派是指基于符号运算的人工智能学派，他们认为知识可以用符号来表示，认知可以通过符号运算来实现。
例如，专家系统等。
联结主义学派是指神经网络学派，在神经网络方面，继鲁梅尔哈特研制出BP网络之后，人工神经网络研究掀起了第二次高潮。
之后，随着模糊逻辑和进化计算的逐步成熟，又形成了“计算智能”这个统一的学科范畴。
行为主义学派是指进化主义学派，在行为模拟方面，麻省理工学院的布鲁克教授1991年研制成功了能在未知的动态环境中漫游的有6条腿的机器虫。
智能科学技术学科研究的主要特征(1)由对人工智能的单一研究走向以自然智能、人工智能、集成智能为一体的协同研究；(2)由人工智能学科的独立研究走向重视与脑科学、认知科学、等学科的交叉研究；(3)由多个不同学派的独立研究走向多学派的综合研究；(4)由对个体、集中智能的研究走向对群体、分布智能的研究；(5)智能技术应用已渗透到人类社会的各个领域。
知识表示的类型按知识的不同存储方式：陈述性知识：知识用某种数据结构来表示；知识本身和使用知识的过程相分离。
过程性知识：知识和使用知识的过程结合在一起。
知识表示的基本方法非结构化方法：一阶谓词逻辑产生式规则结构化方法：语义网络框架知识表示的其它方法状态空间法和问题归约法。
人工智能考试复习重点.doc
1.人工智能研究途径有：（1）符号主义（Symbolicism）基于物理符号系统假设和有限合理性原理的人工智能学派。
（2）联结/连接主义（Connectionism）基于神经元及神经元之间的网络联结机制来模拟和实现人工智能。
（3）行为主义（Actionism）基于控制论和“感知——动作”型控制系统的人工智能学派P. S：知识和推理是人工智能的核心，学习是人工智能的关键。
命题是能表达判断并具有确定真值的陈述句。
人工智能的研究内容——机器思维，机器感知，决策与行为，其目的即实现人的智能！人工智能研究的基本内容是机器感知、机器思维、机器学习、机器行为、智能系统及智能计算机的构造技术。
2.人工智能的研究途径主要有以符号处理为核心的方法、以网络连接为主的连接机制方法及系统集成。
3.人工智能的研究领域主要有专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、的.弈、智能决策支持系统、人工神经网络等。
2.人工智能研究方法：采集，预处理，推理，机器学习和反馈。
3.知识的特性：相对正确性,知识来自于人们对客观世界运动规律的正确认识，是从感性认识上升成为理性认识的高级思维劳动过程的结品，故相应于一定的客观环境与条件下，知识无疑是正确的。
然而当客观环境与条件发生改变时，知识的正确性就要接受检验，必要时就要对原来的认识加以修正或补充，以至全部更新而取而代之。
不确定性,如前所述，知识由若干信息关联的结构组成。
但是，其中有的信息是精确的，有的信息却是不精确的。
这样，则由该信息结构形成的知识也有了确定或不确定的特征。
可表示性与可利用性,可发展性。
知识的可利用性使得计算机或智能机器能利用知识成为现实；而知识的机器可学习、E表示性使得人工智能不断得以进步与发展成为必然。
4.产生式的基本形式：产生式通常用于表示具有因果关系的知识，其基本形式是： P—Q 或者IfP Then QlElse SJ其中，P是前件，用于指出该产生式是否可用的条件。
《人工智能》复习大纲
《人工智能应用技术》复习大纲一、人工智能概述略二、谓词公式与逻辑推理定义2.1 命题(Proposition)，即具有真(T)假(F)意义的陈述性语句。
定义2.2 所谓个体，是指可以独立存在的某个事物。
定义2.3 谓词：由定义的谓词名、变元，共同构成了具有陈述性表达的形式化语句，称为谓词。
一个谓词可以有n（其中n=0,1,2, ……）个变元，并称之为n元谓词。
定义2.3 谓词中包含个体或变元的数目，称为谓词的元或谓词的目。
定义2.4 谓词表达形式中所包容相叠加的含义层次数数目，称为谓词的阶。
例2-2 比较下列谓词或谓词形式的命题：①LIKE(john，mary)；②ROBOT(john)；③ROBOT(mary)；④ADDQ(x，y，z)。
试解释具体含义，并指出它们各是几元谓词。
解：上述谓词①②③意即“机器人约翰喜欢玛丽”；②和③都只有一个个体，称为一元谓词；相应①则称为二元谓词；④表示为表达式“x+y=z”，其中包含有3个变元，故称为三元谓词。
依此类推，可推出关于n元谓词的概念。
例2-3 为了说明谓词的阶，我们来比较下列谓词形式的命题：①LIFELESS(outer-stars)；外星球没有智能生命。
②INCORRECT(lifeless(outer-stars))；说“外星球没有智能生命”是不确切的。
解：在上述谓词形式的命题中，谓词①只有一层含义，称为一阶谓词；谓词②在前一层含义基础上，又增加了一层新意，共有二层含义。
故把谓词②称为二阶谓词。
依此类推，可推出关于n阶谓词的概念。
注意：在谓词逻辑演算中，最重要的有三大类：即：命题逻辑演算、一阶谓词逻辑演算和二阶谓词演算。
命题逻辑表示比较简单，只能表达具体固定的情况，命题是谓词逻辑特殊事例的生动描述，谓词逻辑可以灵活表现多种或变化的情况；谓词表达是命题逻辑的抽象与推广。
总的看来，命题和谓词的知识表示形式可以相互转换，而谓词比命题有更强的表达能力。
高级人工智能复习提纲
解释泛化学习问题：
已知：
•目标概念
•训练例
•领域理论
•可操作性标准
欲求：
•训练实例的泛化，使之满足以下条件
1)是目标概念的充分概念描述
2)满足可操作性标准
解释泛化学习的过程可以分为两个阶段：
1.解释•利用领域理论知识解释为什么训练例满足目标概念的定义
2.泛化•确定解释成立的最通用的条件
使得系统选择的动作能够获得的环境奖励的累计值最大。
16.请给出K均值聚类分析算法，并实例演算。
算法参照数据挖掘
17.什么是频繁模式？给出关联规则的Apriori算法，并实例演算。
频繁模式(Frequent Pattern)是频繁出现在数据集中的模式(如项集,子序列和子结构)
算法参照数据挖掘
18.请画出遗传算法的流程图。对种群进行交叉、突变等遗传操作。
2.试比较人工智能三大学派，即认知学派、逻辑学派、行为主义学派的特点。
认知学派：认知学派以Simon、Minsky、Newell等为代表，从人的思维活动出发，利用计算机进行宏观功能模拟。Newell和Simon提出了物理符号系统假设。Minsky从心理学的研究出发，提出了框架知识表示方法。
逻辑学派：逻辑学派是以McCarthy和Nilsson等为代表，主张用逻辑来研究人工智能，即用形式化的方法描述客观世界，他们认为：
initialize-state();
do
options := option-generator(event-queue, B, G, I);
selected-options := deliberate(options, B, G, I);
update-intentions(selected-options, I);
人工智能部分复习材料.doc
人工智能1、人工智能（学科2）是计算机科学中涉及研究、设计和应用智能机器的一个分支。
它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。
2、物理符号系统的六种基本功能符号输入、输出、存储、复制、符号结构、条件转移3、人工智能的各种认知观符号主义（Symbolicisni）基于物理符号系统假设和有限合理性原理连接主义（Connect ion ism）基于神经网络及其间的连接机制与学习算法行为主义（Actionism）基于控制论及感知一动作型控制系统4、应用领域的应用1）问题求解；2）逻辑推理与定理证明；3）自然语言理解；4）自动程序设计；5）专家系统；6）神经网络；7）机器学习；8）模式识别；9）智能检索。
5、知识表示方法包括：状态空间法（**）、问题归约法（*）、谓词逻辑法（**）、语义网络、框架、面向对象表示、剧本6、问题归约法中的内容可解节点与不可解节点可解节点：（1 ）任何终止节点都是可解节点；（2）若某个非终叶节点含有或后继节点，则只有当其后继节点至少有一个可解时，此节点才可解。
（3）若某个非终叶节点含有与后继节点，则只有当其后继节点全部为可解节点时，此节点才是可解节点。
不可解节点：（1）没有后裔的非终叶节点是不可解节点；（2）若某个非终叶节点含有或后继节点，当其全部后裔节点都为不可解节点时，该节点为不可解节点。
（3）若某个非终叶节点含有与后继节点，只要其子节点中有一个为不可解节点，该节点是不可解节点。
问题归约的与/或图（树）表示时个或树与树与树把一个原问题分解为若干个子问题可用一个“与树”表示。
或树把一个原问题等价变换为若干个子问题可用一个“或树”表示。
7—^谓■词谡辑表示法是一种基于数理谡牌的$咿兼怀片足其根本目的在于把数学中的逻辑论证符号化，给出了一种城学W建方*:旧知识一一数学演绎一新知识8、置换：是形为｛tl/xl,…，tn/xn｝的一个有限集。
厦门大学高级人工智能考试2012参考答案
高级人工智能期终考试厦门大学2012-1-10 (14:30-16:30)回答以下问题，不得参考任何书籍。
题目理解有问题可以提问。
1.基本概念（20分）（1）考虑一个能自动在网上打牌的Agent,试给出其PEAS描述。
P E A S得高分互联网出牌，收、发、显示数据网页装载，网络事件（2）简述何为状态空间，并指出在强化学习中，用函数来描述状态的utility有何优点？压缩（3）描述一下A*算法。
（4）什么叫可允许的启发式函数（admissible heuristic functions）？2. 对抗搜索。
（20分）（1）说明适用MIN-MAX算法的对抗性搜索的几个特点。
（2）说明下棋和打牌的不同点。
（3）解释一下什么叫alpha-beta剪枝。
（4）考虑以下游戏搜索树，如采用alpha-beta剪枝，哪些节点不会被搜索？（2）Partially observable – fully observableDeterministic - probabilistic（4）3.（10分）a)什么情况下我们可以用最大似然估计（ML）？b)采用最大后验估计（MAP）有何优点？c)某次年检，某人发现自己的丙肝检查是阳性。
假设这检查的准确率是98%，而丙肝的发生率是万分之一。
那么此人真得丙肝的概率是多少？（1）如果采用信息增益来选择根节点，那么那么决策树的根节点是哪个属性？硬度（2）画出决策树硬度?/ \硬软/ \密度? 密度?/ \ / \大小大小/ \ / \橡树松树松树橡树（3）根据你的决策树来对以下2个示例进行分类：[密度=小，纹理=细，硬度=硬]、[密度=小，纹理=细，硬度=软] 分别是松树、橡树（1）假设以上三个属性互相独立，试写出计算动物分类的公式P(类别|叫声，毛，颜色)P(类别|叫声，毛，颜色)=αP(类别) P(叫声|类别) P(毛|类别) P(颜色|类别)（2）写出答案：P(狗)，P（叫声=喵喵|类别=狗），P（毛=细|类别=猫），P(颜色=黑色|类别=猫) 1/2 1/4 3/4 1/2（3）给以下新的实例分类：叫声=汪汪，毛=粗，颜色=棕色P(类别=狗|叫声=汪汪，毛=粗，颜色=棕色)= α(1/2)(3/4)(1/2)(1/2)=3/4P(类别=猫|叫声=汪汪，毛=粗，颜色=棕色)= α(1/2)(1/4)(1/2)(1/2)=1/4故类别是狗。
artificial inteligence review
artificial inteligence review人工智能观点评析随着人工智能技术的迅速发展，我们今天所处的世界正在发生显著变革。
人工智能，作为一种强大的创新力量，正在改变着人们的生活方式、工作方式、甚至经济发展方式。
然而，这一快速的技术发展也带来了很多质疑和担忧。
在这篇文章中，我将从不同的角度对人工智能作出评价和分析。
首先，人工智能技术的发展一定程度上提高了生产力和经济效益。
各行各业的生产流程更加高效、精确，管理体系更加科学、规范。
例如，在物流领域，人工智能已经被广泛应用，自动驾驶技术、智能物流管理等等给物流行业带来了快速升级的发展。
其次，人工智能也给我们的日常生活带来了极大的便利。
智能音箱、智能家居、智能健康等等，这些无处不在的人工智能产品正在助力着我们的日常生活，让生活更加便利、智能化。
而随着智能物联网技术的进一步发展，未来的家居将会更加智慧、可持续和高效。
然而，同时必须要看到，人工智能也带来了很多负面影响和挑战。
例如，一些人工智能产品过于依赖于人工智能技术，导致了对人力资源的消耗和匮乏。
此外，人工智能往往也是留给黑客攻击的薄弱点，数据隐私和信息安全问题也可能成为人工智能技术发展中必须要面对的挑战。
除了技术层面之外，人工智能作为一种AI工具，在社会层面也带来了很多争议。
例如，在人力资源管理方面，如果我们大量采用自动化流程，很多工作机会就会消失，加速了经济的寡头化。
另外，过量使用人工智能可能也会加剧人与人之间的关系疏远，影响传统的沟通方式和社交方式。
综上所述，虽然人工智能技术为社会带来了巨大的创新和改变，但它也带来了很多挑战和风险。
因此，我们不能完全依赖人工智能来解决问题，而是应该采取更加全面和合理的方式，确保我们在人工智能技术的应用中更加注重人性化、平等和可持续的标准，避免任何可能的负面影响。
只有这样，我们才可以更好地推动人工智能技术的发展，实现人类社会全面、可持续、高效的发展。
高级人工智能第十一章
根据智能体是否依赖模型（即环境动态性的 先验知识），强化学习可分为基于模型的强 化学习和无模型的强化学习；根据更新策略 的方式，可分为值迭代和策略迭代。
价值迭代与策略迭代算法
价值迭代算法
价值迭代是一种通过不断更新状态值函数来寻找最优策略的方法，其核心思想 是利用贝尔曼方程进行迭代计算。
自然语言处理领域应用
机器翻译
实现不同语言之间的自动翻译，为跨语言交流提供便利。
情感分析与舆情监测
通过对文本的情感倾向进行分析，实现对舆情的自动监测 和预警。
智能问答与对话系统
构建能够自动回答问题和进行对话的智能系统，为用户提 音实时转换为文字，为听力 障碍者提供便利，同时也可用于 会议记录、语音笔记等场景。
策略迭代算法
策略迭代是一种通过交替进行策略评估和策略改进来寻找最优策略的方法，其 中策略评估是计算当前策略下的状态值函数，策略改进是根据状态值函数更新 策略。
深度强化学习算法及应用
深度强化学习算法
深度强化学习是将深度学习与强化学习相结合的方法，通过神经网络来逼近值函数或策略，以解决高维状态空间 或动作空间的问题。常见的深度强化学习算法包括DQN、PPO、A3C等。
梯度消失与梯度爆炸问题
深度神经网络在训练过程中可 能遇到的梯度消失或梯度爆炸 问题，以及相应的解决策略， 如批量归一化、残差结构等。
卷积神经网络应用
计算机视觉任务
卷积神经网络（CNN）在计算机视 觉领域的应用，包括图像分类、目标 检测、语义分割等。
卷积层与池化层
卷积层负责提取图像局部特征，池化 层则对特征进行降维处理，减少计算 量和过拟合风险。
高级人工智能第十一章
contents
目录
厦门大学高级人工智能考试2016年试卷及答案
高级人工智能期终考试厦门大学2016-1-3 (19:00-21:00)回答以下问题，不得参考任何书籍。
题目理解有问题可以提问。
1.基本概念（20分）（1）考虑右图的部分搜索树，其中边上标明了动作的代价，节点下是启发式函数的估值。
假设采用A*算法，指出下一个要扩展的节点是什么？（2）简述一下遗传算法的主要组成部分。
（3）什么是Occam’s Razor(剃刀)？（4）简述深度神经网络的主要特点及其在人工智能发展中的作用。
2.CSP（15分）英语中有Crossword puzzle (纵横字谜)，在一些格子上填上字母，纵横必须组成单词，这些单词又符合某些条件。
例子：（HE HAD）（1）怎样用搜索来描述此问题，何种搜索算法合适？填空是每次填一个单词还是填一个字母比较好？（2）怎样用CSP（约束满足）来描述此问题？变量应该是词还是字母？（3）考虑上面右面简单的字谜，ABC表示横向单词，DEF表示纵向单词，这些单词各不相同，且从下述表中选择：add age ago aid all air and any ape act arm are art bat bee beg ben dad eat ear eeletc far fat for lee oaf rat tar我们可以用前向检察来减少搜索空间。
请举出两个可用于对A，D进行前向检查的约束条件，并指出满足这些检查后，A，D的可能集合分别是什么。
3.（20分）a)写出贝叶斯定理。
b)什么是最大后验（MAP）假设？c)什么是最大似然（ML）假设？d)在什么情况下，MAP=ML？e)对疾病D，及其症状S1，S2（假设症状只有3种取值），其有关数据如下表：4.（15分）（1）请给出HMM 的定义。
（2）考虑用计算机来写作对联。
假设已知上联求下联，可采用HMM 来做。
请问什么是观察值，什么是状态。
（3）如何训练该HMM 的状态转移概率和生成概率？5. 决策树。
人工智能复习题
人工智能复习题1、人工智能研究的基本内容2、深度优先搜索3、思维可分为：逻辑思维,形象思维,顿悟思维4、进行知识组织时应遵循的原则5、人工智能的研究目标6、知识的分类7、人工智能的研究途径8、人工智能的研究领域9、机器学习它包含三方面的研究10、模式识别的方法主要有：11、模糊度的直观含意12、建立隶属函数的方法13、知识的特性14、30产生式表示法的优点。
15、知识工程与软件工程的差异16、框架网络17、框架系统中求解问题的基本过程18、可分解的产生式系统19、语义网络系统中求解问题的基本过程20、推理的控制策略21、推理的驱动方式22、42正向推理的基本思想23、正向推理推理过程算法：24、框架的一般形式25、智能的特征26、有界深度优先搜索27、应用归结原理求证所有自然数不是奇数就是其一半为整数的数28、代价树的深度优先搜索29、与/或树的一般搜索过程30、与/或树广度优先搜索:先产生的节点先扩展,搜索过程31、a-b剪枝技术的一般规律32、专家系统33、机器学习的分类。
34、从结构化划分有四种专家系统35、按综合属性分类36、基于解释的学习与示例学习的区别37、决策支持系统的特征38、下列命题用一个语义网络表示出来。
树和草都是植物；树和草都有根有叶；水草是草，且长在水中；果树是树，且会结果；苹果树是果树中的一种，它结苹果。
39、写出三阶梵塔问题的最佳移动过程图（一种），画出三阶梵塔问题的与/或树（25分）。
初始状态：三片金片都在1号针上。
目标状态：三片金片都在3号针上。
要求：小片在大片之上。
40、八数码问题的估价函数为f(n)=d(n)+w(n)，其中d(n)是节点n在搜索树中的深度，w(n)是节点中数码位置与目标节点中数码位置格局不同的个数，现有初始与目标状态如下：S0 Sg请画出使用此函数的启发式搜索树，在树中标明各节点的估价函数值，注明扩展次序（15分）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第14章
• 贝叶斯网络 • 会根据网络和CPT计算各类概率
• 求P(a,b,c,d,e),P(a|d,c,e)
• 根据结构得
P(a,b,c,d,e)=P(a)P(b|a)P(c|a)P(d|b)P(e|b,c)
– 比如给定一个贝叶斯网络，计算某个条件概率
• 综合运用
– 比如“羊、菜、人坐小船过河”问题
第2章
• 智能体及其分类、评价 • 环境的描述（PEAS)
第3章
• 基本概念：状态空间，最初状态、目标测 试、后继函数、代价函数
• 搜索方法
– 广度优先 – 深度优先 – 有限深度 – 迭代深入深度优先 – 双向搜索
• P(a|d,c,e)=αΣBP(a,B,c,d,e)=αP(a,b,c,d,e)+ α P(a,-b,c,d,e)
• 再求出P(-a|d,c,e)
第15章
15.1-15.3
4个问题：filtering,prediction,smoothing,most likely explanation(Viterbi算法)
=αP(word)P(image|word) 前者称为字母的语言模型，后者称为光学
模型 为了提高准确率，往往在（1）中增加基于
词的语言模型
第16-17章
MDP：states, actions, rewards,utilities,transitions,discounts,policy
• 贝叶斯法则
– P(Y|X) = P(X|Y) P(Y) / P(X) = αP(X|Y) P(Y) – P(Y|X,e) = P(X|Y,e) P(Y|e) / P(X|e)
• 习题：13.15
• 例题：等车。假设一共只有两班车，一班 10分钟一趟，一班30分钟一趟。其分布可 用指数分布描述：
– O + O = R + 10 ·X1 – X1 + W + W = U + 10 ·X2 – X2 + T + T = O + 10 ·X3 – X3 = F, T ≠ 0, F ≠ 0 –
第6章
• 博弈中的优化决策
– 极小极大值算法 – –剪枝
• 例题：6.1
例6.3，去年考试题
第13章
• 启发函数
– 可采纳的启发函数 – 一致的启发函数 – 利用松弛问题的解产生原问题的启发函数
第4章
• 局部搜索算法
– 爬山法 – 模拟退火 – 局部beam搜索 – 遗传算法
• 习题：4.1 • 八皇后问题（图4.12）
第5章
• 内容：5.1—5.3 • 主要搜索方法和技巧
– Backtracking, forward checking, constraint propagation
– 时序差分 – Q学习
文本挖掘
• 了解基本概念、研究内容 • K-means算法，NBC算法等
朴素贝叶斯 – P(Cause,Effect1, … ,Effectn) = P(Cause) πiP(Effecti|Cause)
EM算法 KNN
习题20.4
• Bayesian: Both; ML: anti-B • Bayesian: Both; ML: anti-A
第21章
强化学习概念
第3章
• 搜索方法性能度量
– 完备性 – 最优性 – 复杂性（度量参数：b, d, m）
• 例题：3.8
3.8
• 起始状态1. n的后继状态是2n,2n+1 • 1. 画出包含状态1-15的部分状态空间
• 2. 目标状态是11，列出宽度优先，深度限 制3搜索，IDS搜索访问的节点。
• 3. 可以进行双向搜索吗？如何做呢？
• 其中β是发车间隔时间，x是等待时间。积 分以后得：
• 那么等待时间超过X的概率是f(β |x>X)
• 问：
– 假设等了20分钟，车没来，求两班车各在本站 停靠的概率。
– 等了5分钟呢？
– 你认为等了多少分钟才能证明一班车的概率比 另一班车高。
• 设先验概率Pr(y = 10) = Pr(y = 30) = 0.5.
• 4. 双向搜索的分叉因子各为多少
• 5. 3的答案说明存在一个几乎不用的搜索的 解，是什么。
• 习题：传教士和野人问题。
• 状态如何表示：把问题描述用一个三元组来表示 （m，c，b），以左岸为基准，m表示传教士的 人数，c表示野人的数量，b表示船是不是在。
第4章
• 全局搜索算法
– 贪婪最佳优先算法 – A*搜索
HMM: 状态转移矩阵，sensor：状态X到观察值 （或叫证据变量e）的对角矩阵。
语音识别
例题：请简述一下，如何用HMM来做OCR。
• 请简述一下，如பைடு நூலகம்用HMM来做OCR。
• P(words|images)=π P(word|image) (1)
• P(word|image)
• =αP(word,image)
– Minimum remaining values, least constraining values
• 局部搜索：Min-conflicts • 例题：5.6
我们用MRV来求解
• Variables: F T U W R O X1 X2 X3
• Domains: {0,1,2,3,4,5,6,7,8,9} • Constraints: Alldiff (F,T,U,W,R,O) •
最优策略 价值迭代 策略迭代
对下图找出最佳策略，假设γ=0.5
• 设初始策略为 0 (s) N • 根据策略计算U：
进行策略迭代
第18章
学习的概念 决策树
熵 信息增量 构造最优决策树
构造决策树
第20章
20.1-20.3 贝叶斯学习：MAP，ML
课程内容要点
内容要点
搜索 概率论和不确定性 贝叶斯网络 时序概率推理 决策论 机器学习 文本挖掘
考试涉及章节
• 第2-6，13-18，20-21, 补充内容
考查知识点
• 重要的概念 • 简单的计算 • 综合运用
例子
• 概念：
– 什么叫朴素贝叶斯方法？
• 简单计算：