選擇、填空

人工智能的提出

1956年，達特茅斯會議上，麥卡錫 提出了“AI”

“AI之父”：麥卡錫

第一個人工智能測試系統：圖靈測試

推理過程

醫療專家系統（綜合數據庫、知識庫、推理機）

歸結

$c_1$ 和$c_2$是$c_{12}$的親本子句

狀態空間（搜索策略中的知識表示方法）

利用狀態變量和操作符號，表示系統問題或問題的有關知識的符號體系，狀態空間是一個四元組，（S,O,$S_0$,G）

遺傳算法

生物學基礎是生物進化理論

Holland 提出了遺傳算法

生物遺傳概念遺傳算法應用

個體	解
染色體	解的編碼
基因	編碼中的每一個分量
適應性	適應度函數值
群體	一組解

kNN中k的含義

選擇k個與判別值最近鄰的值

分類模型學習算法

• SVN
• kNN
• DT
• ANN

簡答題

人工智能的概念

用人工的方法在機器上實現的智能

智能的特征

• 感知能力
• 記憶與思維能力
• 學習能力
• 行為能力

思維的種類

• 邏輯思維（抽象思維）
• 形象思維（直感思維）
• 頓悟思維（靈感思維）

三大主義學派——實現AI的主要途徑

符號主義

• 基本思想
  模擬人類的邏輯思維
• 主要代表成果
  紐威爾和西蒙提出的“邏輯理論家LT”數學定理證明程序

行為主義

• 基本思想
  模擬生物進化
• 主要代表成果
  布魯克斯設計的“六足機器蟲”

連接主義

• 基本思想
  模擬人類的大腦結構
• 主要代表成果
  各種人工神經網絡算法
  麥克洛奇和PIZZ的 MP神經網絡模型

為什么引入謂詞邏輯（命題的缺點）

無法把它所描述的事物結構及邏輯思維特征反映出來，也不能把不同事物間的共同特征反映出來

遺傳算法的步驟

• 參數編碼
• 初始種群的設定
• 適應度函數的設定
• 遺傳變異操作
• 控制參數設定

注意：控制參數設定

分類

舉例說明分類過程的兩個階段

當一個幼兒學習橘子、蘋果這兩類事物時，我們可以給他提供3個橘子、兩個蘋果，并告訴他前3個對象是橘子、后2個是蘋果，他通過觀察果實的顏色、形狀，以及品嘗他們的味道來學習這兩種事物，從而在大腦中建立起關于蘋果和橘子的概念模型（分類模型生成階段）
當再次看到之前未見到過的橘子和蘋果時，通過建立起的分類模型，若能判斷準確，說明已經掌握了這兩個是事物的概念。（分類階段）

應用題

知識表示

知識表示方法

• 一階謂詞邏輯知識表示法
  (任意x)[ROBOT (x) → COLOR (x,GRAY)]
• 產生式表示
  老李年齡是40歲： （Li，age，40）
  老李年齡很可能是40歲：（Li，age，40，0.8）
• 框架表示法

框架

框架名 <框架名>
槽名1：值1
槽名2：值2
槽名3：值3
…………
槽名n：值n

例如：（課后題）
框架名 <地震>
日期：2008.08
地點：四川
震級：7.0
水含氧量：0.43
…………

框架式特點：結構性、繼承性

確定性推理

化成子句集

一消二移三標準（使用兩次）

第一次：消蘊含、等價符號，移否定，變量標準化
第二次：消存在量詞，移全稱量詞，分配公式標準化

歸結原理求證結論

三人面試問題
注意：NIL

歸結原理求解問題

小李和小張的老師

注意：量詞、結論否定析取答案

不確定性推理

證據的不確定性

AND 合取 求解min

OR 析取 求解max

求解結論的可信度

CF（結論）= CF（過程）+max（0，CF（條件））

CF（過程） 為 可信度因子 ，取值范圍 [ -1 , 1 ]

證據理論

概率分配函數

對于樣本空間D，任何一個子集都指派到0和1 之間的一個數M(A)，并且所有的子集的概率分配值為1.

M(A)：A的基本概率數

所有子集加和為1

信任函數

Bel 函數 ，Bel(A) 對命題A為真的總的信任度

似然函數

Pl(A) = 1 - Bel(非A)

搜索

BFS、DFS、啟發式（3選2）

open表、closed 表、八數碼問題

機器學習

kNN

計算歐氏距離，取最接近的k個樣例

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的人工智能考题可能性猜测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。