搜索
1.什么是符号智能？什么是物理符号系统假设？符号智能是以知识为基础，通过推理进行问题求解，即所谓的传统人工智能。1976年，Newell和Simon提出了物理符号系统假设，认为物理系统表现智能行为必要和充分的条件是它是一个物理符号系统。这样可以把任何信息加工系统看成是一个具体的物理系统。所谓符号就是模式，任何一个模式，只要它能与其他模式相区别，它就是一个符号。物理符号系统的基本任务和功能就是辨认相同的符号和区分不同的符号。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：智能机器必须有关于自身环境的知识。通用智能机器要能陈述性地表达关于自身环境的大部分知识。通用智能机器表示陈述性知识的语言至少要有一阶逻辑的表达能力逻辑学派在人工智能的研究中，强调的是概念化的知识表述、模型论语义、演绎推理等。McCarthy主张任何事物都可以用统一的逻辑框架来表示，在常识推理中以非单调逻辑为中心。行为学派：Brooks提出了无需知识表示的智能、无需推理的智能。他认为智能只是在于环境的交互作用中表现出来，其基本观点为：到现场去物理实现初级智能行为产生智能3.请给出简单学习模型，并扼要说明各部分功能。学习单元执行单元环境知识库环境提供外界信息，类似教师的角色；学习单元处理环境提供的信息，相当于各种学习算法；知识库中以某种知识表示形式存储信息；执行单元利用知识库中的知识来完成某种任务，并将执行中情况回送给学习单元。学习使系统的性能得到改善。4.什么是非单调推理？所谓非单调推理就是具备这样一种特性的推理：推理系统的定理集合并不随推理过程的进行而单调增大，新推出的定理很可能会否定、改变原来的一些定理，使得原来能够解释的某些现象变得不能解释了。5.什么是约束推理？什么是弧一致性？一个约束通常是指一个包含若干变量的关系表达式，用以表示这些变量所必须满足的条件。约束推理就是指在约束条件下，是推理的出的解满足约束。弧一致性：如果对vi的当前域中的所有值x，存在vj的当前域中的某值y使得vi=x和vj=y是vi与vj之间的约束所允许的，则弧(vi,vj)是弧一致的。弧一致性的概念是有向的。即(vi,vj)是弧一致的并不自动地意味着(vj,vi)是一致的。6.什么是定性推理？定性推理是从物理系统、生命系统的结构描述出发，导出行为描述，以便预测系统的行为并给出原因解释。定性推理采用系统部件间的局部结构规则来解释系统行为，即部件状态的变化行为只于直接相邻的部件有关。7.请给出基于案例推理的一般过程，该系统简称为4R系统，请阐述每个R的意义和相似计算的公式相似计算公式8.如何利用贝叶斯规则公式计算后验概率。9.举例说明变型空间归纳学习算法。变型空间(VersionSpace)方法以整个规则空间为初始的假设规则集合H。依据训练例子中的信息，它对集合H进行泛化或特化处理，逐步缩小集合H。最后使H收敛为只含有要求的规则。由于被搜索的空间H逐步缩小，故称为变型空间。eg:初始H是规则空间G={(x,y)}S={(sm,squ),(lg,squ),(sm,cir),(lg,cir),(sm,tri),(lg,tri)}10.叙述ID3算法的基本思想和建立决策树的步骤。ID3以信息熵的下降速度作为选取测试属性的标准。信息熵的下降也就是信息不确定性的下降。具体步骤数据挖掘考过了，我就不总结了。a)ComputetheInformationGainforGender,CarTypeandShirtSize.b)ConstructadecisiontreewithInformationGain.c)Designamultilayerfeed-forwardneuralnetwork(onehiddenlayer)forthegivendata.Labelthenodesintheinputandoutputlayers.d)Usingtheneuralnetworkobtainedabove,showtheweightvaluesafteroneiterationofthebackpropagationalgorithm,giventhetraininginstance“(M,Family,Small).Indicateyourinitialweightvaluesandbiasesandthelearningrateused.解：(a)假设有两类P，NP:Class=’C0’含有元素个数p=10N:Class=’C1’含有元素个数n=10()I(pn)I(1010)1020log210201020log210201𝐄(𝐀)∑𝒊𝒊𝑰(𝒊𝒊)𝑽𝒊=𝟏E(Gender)1020×I(64)1020×I(46)0.5×0.971×20.971E(CarType)420×I(13)820×I(80)820×I(17)0.2×0.811300.4×0.54360.3797E(ShirtSize)520×I(32)720×I(34)420×I(22)420×I(22)0.25×0.9710.35×0.98520.25×20.9876𝐆𝐚𝐢(𝐀)()𝐄(𝐀)Gain(Gender)I(1010)E(Gender)0.029Gain(CarType)I(1010)E(CarType)0.6203Gain(ShirtSize)I(1010)E(ShirtSize)0.0124(b)按照上面的数据开始构造决策树由于𝐚属性具有最高的信息增益，所以将它选作分裂属性对分裂以后的分支分别计算Gender与ShirtSize属性的信息增益：Sport分支全部都是ClassC0不必进行计算Family分支I(pn)I(13)0.8112E(Gender)44×I(13)0.8112E(ShirtSize)14×I(10)14×I(01)14×I(01)14×I(01)0Gain(Gender)0Gain(ShirtSize)0.8112选择ShirtSize作为分裂属性Luxury分支I(pn)I(17)0.5436E(Gender)18×I(01)78×I(16)00.875×0.59170.5177E(ShirtSize)28×I(02)38×I(03)28×I(11)18×I(01)0.25Gain(Gender)0.0259Gain(ShirtSize)0.2936选择ShirtSize为分裂属性.决策树如下：CarType？ShirtSize？ShirtSize？C0C0C1C0orC1C1FamilySportsLuxurySmallOtherLargeOther11.什么是Valiant学习理论？为什么Valiant学习理论比Gold学习理论更有实际意义？不考12.什么是支持向量机（SVM）的核函数？给出支持向量机的关键思想。支持向量机需要使用核函数来进行非线性分类。SVM核心思想是建立在结构风险最小化原则基础上，可以自动寻找出那些对分类有较好区分能力的支持向量，构成超平面作为两类的分割。对非线性可分的处理是利用变换，把数据输入从低维空间射到高维空间，然后在这个高维空间中，将低维上非线性可分的问题变换成高维空间上线性可分的问题，求出分划超平面。在高维空间中，实际上可以只需要进行内积计算，只要有一种核函数满足Mercer条件，它就对应某一空间中的内积13.说明解释泛化学习的过程。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14.什么是深度学习？是一类机器学习技术，利用多层次的非线性信息处理的监督或无监督的特征提取和转换，并进行模式分析和分类。即使用多层前向网络，每层网络相对独立的进行训练，然后多层联合起来可以提高分类的准确性。15.给出强化学习的模型，并説明其含义。强化学习系统接受环境状态的输入s，根据内部的推理机制，系统输出相应的动作行为a。环境在系统动作作用a下，变迁到新的状态s’。系统接手环境新状态输入，同时得到环境对于系统的瞬时奖惩反馈r。对于强化学习系统来讲，其目标是学习一个行为策略π:S-A,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(FrequentPattern)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。交叉首先以概率pc从种群中随机地选择两个个体p1、p2。在{1,2,...,l}内随机选择一个数i,作为交叉的位置，称为交叉点。然后将两个个体交叉点后面的部分交换。下面采用第四位作为交叉点左边变换至右边例如：01101011000110011001110001100111001011001突变：19.什么是数据集知识发现(KDD)？请给出知识发现的主要步骤，以及每个步骤的主要功能。(KnowledgeDiscoveryinDatabasesKDD)KDD是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程选取抽样：根据用户需要从原始数据库中抽取一组数据数据预处理：消除噪声，填充缺失值，消除重复值，完成数据类型转换数据变换：找出真正有用的特征以减少数据开采是需要考虑的特征或者变量个数。即数据降维。数据挖掘：分类，聚类，数据总结，关联规则发现或序列模式发现等任务解释评价：将数据挖掘阶段发现的模式，经过用户或机器的评估，剔除冗余无关的模式，将评估结果反馈到之前的阶段，优化整个过程。20.试比较分类和聚类的异同。分类是概念驱动的有监督学习方法，训练数据需要预先添加有标识聚类是数据驱动的无监督学习方法，训练数据无需包含分类标识，只依靠数据特征将现有数据中较为相似的聚为一类。21什么是智能体？它有哪些主要的的特点？在计算机和人工智能领域中，智能体可以看作是一个实体，它通过传感器感知环境，通过效应器作用于环境。自治性交互性协作性可通信性长寿性22试述智能体的BDI模型，请给出智能体的解释器算法。BDI智能体模型可以通过下列要素描述：一组关于世界的信念；智能体当前打算达到的一组目标；一个规划库，描述怎样达到目标和怎样改变信念；一个意图结构，描述智能体当前怎样达到它的目标和改变信念。BDI-Interpreterinitialize-state();dooptions:=option-generator(event-queue,B,G,I);selected-options:=deliberate(options,B,G,I);update-intentions(selected-options,I);execute(I);get-new-external-events();drop-successful-attitudes(B,G,I);drop-impossible-attitudes(B,G,I);untilquit23.语义Web的层次模型，并给出它们的含义。在web层次模型中，共分为七层，即Unicode和URI层，XML和命名空间，RDF+RDFS层，本体层，统一逻辑层，证明层，信任层Unicode和URI层是语义web的基础，其中unicode处理资源的编码，保证使用