人工智能导论考试预测
演绎推理※23
- 一般到个别
归纳推理
- 个别到一般
- 完全归纳推理和不完全归纳推理
默认推理
- 缺省推理，假设某些知识已经具备
确定性推理
- 知识证据确定，结论也确定
不确定性推理※22
- 推理时所用的知识与证据不都是确定的，推出的结论也是不确定的。
单调推理
- 随推理深入，越来越接近目标
非单调推理
- 由于新知识加入，反而要否定已有结论，使推理返回到某一步重新开始
启发式推理
- 启发性知识：与问题有关且能加快推理过程、提高搜索效率的知识。
↓
正向推理
- 已知事实→结论
- 从初始已知事实出发，在知识库KB中找出当前可适用的知识，构成可适用知识集KS。
- 按某种冲突消解策略从KS中选出一条知识进行推理，并将推出的新事实加入到数据库DB中作为下一步推理的已知事实，再在KB中选取可适用知识构成KS。
- 重复（2），直到求得问题的解或KB中再无可适用的知识
逆向推理
- 以某个假设目标作为出发点
- 寻找证明这个目标的证据，若都能找到，则假设成立；若找不到则换假设目标
混合推理
- 先正向后逆向
- 先逆向后正向
双向推理
- 正逆同时进行，在推理过程中的某一步“碰头”
↑
信任函数和似然函数区别和联系※2022
盲目搜索※2023
- 在不具有对特定问题的任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索。
启发式搜索
- 考虑特定问题领域可应用的知识，动态地确定调用操作算子的步骤，优先选择较适合的操作算子，尽量减少不必要的搜索，以求尽快地到达结束状态。
状态空间搜索※2022
- 状态空间：利用状态变量和操作符号，表示系统或问题的有关知识的符号体系
- 利用状态空间进行搜索，得出一个从初始状态到目标状态的路径
带回溯策略的搜索※2023
- 从初始状态出发，不停地、试探性地寻找路径，直到它到达目的或“不可解结点”，即“死胡同”为止。
- 若它遇到不可解结点就回溯到路径中最近的父结点上，查看该结点是否还有其他的子结点未被扩展。若有，则沿这些子结点继续搜索；如果找到目标，就成功退出搜索，返回解题路径。
启发式图搜索
- 启发信息：用来简化搜索过程有关具体问题领域的特性的信息叫做启发信息。
- 利用启发信息进行搜索，例如A搜索算法和A*搜索算法
智能计算※2023
- 受自然界和生物界规律的启迪，人们根据其原理模仿设计了许多求解问题的方法，这些算法称为智能计算或计算智能
遗传算法定义
- 一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。
遗传算法的基本思想※2022
在求解问题时从多个解开始，然后通过一定的法则进行逐步迭代以产生新的解。
双倍体遗传算法※2023
- 采用显性和隐性两个染色体同时进行进化，提供了一种记忆以前有用的基因块的功能。
多种群遗传算法
- 建立两个遗传算法群体，分别独立地运行复制、交叉、变异操作，同时当每一代运行结束以后，选择两个种群中的随机个体及最优个体分别交换。
自适应遗传算法
- 当种群各个体适应度趋于一致或者趋于局部最优时，使$P_c、P_m$增加，以跳出局部最优；而当群体适应度比较分散时，使$P_c、P_m$减少，以利于优良个体的生存。
群智能算法
- 受动物群体智能启发的算法。
- 群体智能：简单个体组成的群落与环境以及个体之间的交互行为
粒子群优化算法基本思想※2023
- 将每个个体看作n维搜索空间中一个没有体积质量的粒子，在搜索空间中以一定的速度飞行，该速度决定粒子飞行的方向和距离。所有粒子有一个由优化函数决定的适应值。
蚁群算法基本思想
- 信息素跟踪：按照一定的概率沿着信息素较强的路径觅食。
- 信息素遗留：会在走过的路上会释放信息素，使得在一定的范围内的其他蚂蚁能够觉察到并由此影响它们的行为。
专家系统定义※2023
- 一类包含知识和推理的智能计算机程序。
专家系统的基本结构，并解释其核心部件的功能※2022
- 知识库：存储专家的知识和经验，通常以规则、事实和关系的形式表示。
- 推理机：利用知识库中的知识进行推理和决策，模拟专家的思维过程。
机器学习概念※2023
- 机器学习（Machine learning）使计算机能模拟人的学习行为，自动地通过学习来获取知识和技能，不断改善性能，实现自我完善。
学习系统基本结构※2023
知识发现※2023
- 从数据库中发现知识（KDD）。
数据挖掘※2022
- 是从数据库中挖掘知识。
BP神经网络
初始化权重和偏置：在开始训练之前，随机初始化网络中的权重和偏置。
前向传播：输入数据通过网络层层传播，最终得到输出。
计算误差：比较输出结果与实际结果，计算误差。
反向传播：通过误差反向传播算法，计算每个权重和偏置的梯度。
更新权重和偏置：根据计算出的梯度，更新权重和偏置，以减小误差。
重复上述步骤：直到网络收敛，即误差达到预定阈值或达到最大迭代次数。
卷积
卷积操作的目的是从输入图像中提取特征。具体而言，卷积层通过卷积核（也称为滤波器）对输入进行卷积操作，生成特征图（feature map）。卷积操作的步骤如下：
选择卷积核：卷积核是一个小矩阵，用来扫描输入图像的不同区域。
局部加权求和：将卷积核与图像的局部区域进行加权求和，即点积运算。
生成特征图：将结果赋值到特征图的对应位置，并继续扫描下一位置。
卷积核可以帮助检测图像中的边缘、纹理、颜色等低级特征，逐层堆叠后可提取更高级别的特征。
池化
池化操作的目的是减少特征图的尺寸，同时保留重要信息，从而减少计算量和防止过拟合。常见的池化操作有两种：最大池化（Max Pooling）和平均池化（Average Pooling）。
最大池化：在局部区域内选择最大值作为输出。最大池化可以提取最显著的特征，增强模型的鲁棒性。
平均池化：在局部区域内计算平均值作为输出。平均池化则较平滑特征图，减少过拟合。
通过卷积和池化操作，卷积神经网络可以逐步提取输入图像的特征，并进行分类或回归等任务。
生成式对抗网络
GAN的基本思想是通过两个神经网络相互对抗来生成新的、与原始数据类似的数据。具体来说，它由两个主要部分组成：
生成器（Generator）：负责生成类似于真实数据的假数据。生成器接受一些随机噪声作为输入，并将其转换为数据（例如图片、文本等）。
判别器（Discriminator）：负责区分真实数据和生成器生成的假数据。判别器的输入是一个数据样本，并输出一个概率，表示该样本是否为真实数据。
在训练过程中，生成器和判别器通过博弈论中的零和博弈不断提升自己的能力。生成器试图生成尽可能真实的假数据，而判别器则不断提高识别真假数据的能力。最终，生成器生成的数据将会非常逼真，难以被判别器识别出来。