哈工大人工智能复习提纲

1人工智能复习提纲
单丽莉
IT&NLP
智能技术与自然语言处理
shanlili8888@
2
人工智能复习提纲
z学习目标
通过对本课程的学习，了解人工智能的发展历
史，人工智能的相关研究及应用领域。

初步掌握人工
智能的基本理论、技术及其应用方法。

能够应用相应
的人工智能技术解决简单的实际应用问题。

突破传统思想的束缚，逐步领略人工智能思想的
精髓，对人工智能的思想和方法有初步的理解和认
识，学会从人工智能的角度出发去思考问题，解决问
题。

为将来在人工智能各个方向的进一步研究，及在
相关领域中的应用打下良好基础。

3人工智能课程的基本内容
第1 章人工智能概述
第2 章知识表示
第3 章确定性推理
第4 章不确定性推理
第5 章搜索策略
第6 章机器学习
第7 章神经网络及连接学习
4
第1 章人工智能概述
z通过人工智能提出的过程理解人工智能的概念
–什么是人工智能？
–为什么要研究人工智能？
z人工智能研究的内容及应用领域
–人工智能都研究哪些问题？
–人工智能技术当前的应用情况如何？
z人工智能的三大学派
–有哪三大学派？他们的基本思想是什么？
5第2 章知识表示
z理解知识及知识表示的概念，了解人工智能中对
知识的分类及选择知识表示方法时的考虑因素。

–什么是知识？
–人工智能研究的知识如何分类？
–根据哪些因素来进行知识的表示？
z熟练掌握常用的知识表示方法，能够使用确定的
方法正确的表示给定的知识。

–一阶谓词表示法
–产生式表示法：产生式系统的基本结构
–语义网络表示法
6
第3 章确定性推理
z理解掌握推理的概念及其分类
–什么是推理？
–有哪些推理方法？其基本思想是什么？
–推理策略有哪些？什么是冲突消解？
z掌握归结演绎推理基本理论，理解掌握相关定义，掌
握简单定理推论的证明过程。

能够熟练使用归结方法
完成简单定理证明及问题求解。

–为证明F⇒G 反证法只要证明F∧￢G不可满足
–F∧￢G不可满足⇔其标准子句集S不可满足
–子句集S不可满足⇔S的一切H解释都为假：海伯伦理论
–子句集S不可满足⇔由S可归结出空子句: 鲁宾逊归结原理
7第3 章确定性推理
z熟练掌握基于规则的正向演绎推理方法，能够
进行简单定理证明和问题求解。

–基于规则的正向演绎推理: 正向使用F规则对事实
与或树进行变换, 直到找到结束于目标节点上的一
致解树, 或没有规则可用为止.
z事实表达式的与或树表示
z F规则的要求: L→W
z 目标公式必须是子句形
8
第3 章确定性推理
z熟练掌握基于规则的逆向演绎推理方法，能够
进行简单定理证明和问题求解。

–基于规则的逆向演绎推理: 逆向使用B规则对目标
公式与或树进行变换, 直到找到结束于事实节点上
的一致解树, 或没有规则可用为止.
z目标公式的与或树表示
z B规则的要求: W →L
z 事实表达式必须是合取形
9第3 章确定性推理
z了解基于规则的正向和逆向演绎系统的局限性,
了解基于规则的双向演绎推理过程及其难点.
–局限性: 对目标公式或事实表达式的限制.
–难点: 双向推理终止条件的确定较复杂.
–双向演绎推理过程: 分别利用F规则和B规则对事实
与或树和目标与或树进行变换, 直到经变换后的事
实树与目标树在某处交接并含有一致解图.
–一致解图: 能够证明两棵与或树的根结点互相
CANCEL的一致候选解图.
10
第4 章不确定性推理
z理解掌握不确定性推理的概念
–什么是不确定性推理?
–为什么要采用不确定性推理?
–不确定性推理研究的基本问题是什么?
z不确定性的表示
z不确定性的匹配
z组合证据不确定性的计算
z不确定性的更新
z 不确定性结论的合成
11第4 章不确定性推理
z熟练掌握确定性理论基本理论及思想, 能够熟
练使用确定性理论进行不确定性知识的表示及
完成相关不确定性推理计算.
–对于规则和证据的不确定性如何表示?
–组合证据的不确定性如何计算?
–结论的不确定性如何更新?
–结论的不确定性如何合成?
12
第4 章不确定性推理
z熟练掌握主观Bayes方法的基本理论及思想, 能
够熟练使用主观Bayes方法进行不确定性知识
的表示及完成相关不确定性推理计算.
–对于规则和证据的不确定性如何表示?
–组合证据的不确定性如何计算?
–结论的不确定性如何更新?
–结论的不确定性如何合成?
13第4 章不确定性推理
z掌握证据理论的基本理论及思想, 能够使用证
据理论进行不确定性知识的表示及完成相关不
确定性推理计算.
–对于规则和证据的不确定性如何表示?
–组合证据的不确定性如何计算?
–结论的不确定性如何更新?
–结论的不确定性如何合成?
14
第5 章搜索策略
z理解掌握状态空间及问题归约的相关概念, 熟
练掌握用状态空间法和问题归约法进行问题的
描述及问题求解过程的表示,能够针对简单典
型问题选择合适的表示方法, 进行正确的问题
描述及问题求解.
–对于给定问题如何定义”状态”及”操作”?
–状态空间及状态空间图
–问题的分解及等价变换
–问题归约的与或树表示
–什么是本原问题? 可解节点? 不可解节点? 解树?
15第5 章搜索策略
z熟练掌握状态空间的常用肓目搜索算法, 能够
使用它们进行简单问题的求解, 给出搜索过程
的搜索树及解路径.
–状态空间的广度优先搜索
–状态空间的有界深度优先搜索
–代价树搜索
z代价树的广度优先搜索
z 代价树的有界深度优先搜索
16
第5 章搜索策略
z比较盲目搜索和启发式搜索, 掌握启发式搜索
的相关概念. 熟练掌握常用的状态空间启发式
搜索算法A算法及A*算法, 理解掌握它们之间
的关系. 解够熟练使用A算法或A*算法进行典
型问题的求解, 能够根据具体问题正确定义启
发函数, 给出启发式搜索树及(最优)解路径.
–什么是启发性信息? 估价函数?
–A算法, A*算法
–A*算法的特性
17第5 章搜索策略
z掌握与或树的盲目搜索算法, 对于简单问题的
求解能够给出搜索树及解树.
–解树? 什么是可解过程? 不可解过程?
–与或树的广度优先搜索
–与或树的深度优先搜索
18
第5 章搜索策略
z熟练掌握与或树的启发式搜索算法AO*算法.
能够进行简单问题的求解, 给出搜索树及(最优)
解树.
–如何评价解树的优劣? 解树的代价如何计算?
–与或树的启发式搜索过程: 核心思想优先扩展希望
树的端节点.
–什么是希望? 如何计算希望树?
19第5 章搜索策略
z熟练掌握博弈树的极大极小过程搜索算法, 能
够使用它进行简单双人完备信息博弈问题的求
解, 给出求解过程及最优解. 并能使用α-β剪
枝技术进行剪枝提高搜效率.
–极大极小过程指什么?
–估价函数的定义
–α-β剪枝技术
20
第6 章机器学习
z理解掌握机器学习的概念及其对人工智能的重
要意义. 掌握学习系统基本模型, 了解各部分的
任务功能, 掌握机械式学习的基本思想, 掌握实
例学习系统的两空间模型，了解实例学习的学
习过程.
–什么是机器学习？
–机械式学习的基本思想是什么？
–实例学习系统的两空间模型？
21第7 章神经网络及连接学习
z掌握常用的人工神经元模型, 掌握常用的人工神经网络互连结构单层、两层和多层结构模型。

理解人工神经网络的学习机理。

掌握感知器模型，了解感知器学习算法。

–什么是人工神经元？人工神经网络？常见的人工神
经网络结构怎样？
–人工神经网络学习的机理是什么？。