暨南大学《人工智能算法》期末复习指南

暨南大学《人工智能算法》期末复习指南考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的代表字母填写在答题纸上。）1.人工智能的发展经历了多个阶段，下列哪一项不属于其典型的发展阶段？A.神经网络复兴阶段B.智能机器人发展阶段C.机器学习广泛应用阶段D.图灵测试提出阶段2.在搜索算法中，深度优先搜索（DFS）通常采用的数据结构是？A.队列（Queue）B.栈（Stack）C.哈希表（HashTable）D.树（Tree）3.以下哪种搜索算法属于盲目搜索算法？A.A*算法B.贪婪最佳优先搜索C.宽度优先搜索D.以上都是4.知识表示的方法有多种，下列哪一项不属于常见的方法？A.产生式规则B.语义网络C.关系数据库D.基于案例的表示5.在知识推理中，以下哪个术语指的是从一组知识中删除某些事实或规则后，推理能力保持不变？A.知识独立性B.知识约简C.知识完备性D.知识可解释性6.下列哪种算法属于监督学习算法？A.K-近邻算法B.K-Means聚类算法C.主成分分析D.强化学习7.决策树算法在构建过程中，通常采用什么方法来选择分裂属性？A.信息增益B.熵C.基尼不纯度D.以上都是8.A*搜索算法的核心在于其使用的评价函数f(n)=g(n)+h(n)，其中h(n)代表什么？A.节点n到目标节点的实际距离B.从起始节点到节点n的实际代价C.节点n的预估代价（启发式函数）D.目标节点到终点的预估距离9.神经网络中，用于计算输入信号加权和并可能加入偏置项的数学运算通常称为？A.激活B.前向传播C.反向传播D.权重更新10.贝叶斯网络是一种用于表示不确定知识并进行推理的工具，它主要基于哪种数学原理？A.概率论B.线性代数C.微积分D.图论二、填空题（每空2分，共20分。请将答案填写在答题纸上。）1.人工智能的三大核心问题通常指：问题求解、______和______。2.启发式搜索算法通过使用启发式函数来估计节点______，从而指导搜索过程。3.在基于规则的推理系统中，规则通常表示为“IF条件THEN结论”的形式，其中“IF”部分称为______部分，“THEN”部分称为______部分。4.决策树算法是一种常用的分类算法，其学习过程通常是一个______过程。5.衡量一个搜索算法好坏的常用标准包括：完备性、最优性、______和______。6.知识表示的目标是将人类知识转化为计算机能够______和______的形式。7.在机器学习中，将数据划分为训练集和测试集的主要目的是为了评估模型的______能力。8.神经网络中的“神经元”通常指网络中的基本处理单元，它接收输入信号，进行加权求和，然后通过一个______函数产生输出。9.K-Means聚类算法是一种典型的______聚类算法，其目标是将数据点划分为K个簇，使得簇内数据点相似度较高，簇间数据点相似度较低。10.自然语言处理（NLP）是人工智能的一个重要分支，它致力于使计算机能够理解和生成人类语言，例如文本分类、______和机器翻译等任务。三、简答题（每小题5分，共20分。请将答案填写在答题纸上。）1.简述宽度优先搜索（BFS）的基本思想和实现过程。2.简述监督学习和非监督学习的主要区别。3.什么是算法的完备性？请解释其含义。4.简述神经网络的基本结构，包括其主要组成部分。四、论述题（每小题10分，共30分。请将答案填写在答题纸上。）1.请详细解释A*搜索算法的工作原理，并说明其评价函数f(n)=g(n)+h(n)中，g(n)和h(n)各自的含义及选择h(n)时需要满足的性质。2.假设我们要设计一个系统来判断电子邮件是否为垃圾邮件。请简要说明你会如何运用机器学习的方法来构建这个系统，包括需要考虑的关键步骤和可能使用的算法。3.试比较并说明决策树算法和K-近邻算法在处理分类问题时的主要异同点。五、设计题（10分。请将答案填写在答题纸上。）假设我们需要在一个迷宫中寻找从起点到终点的路径。迷宫可以用一个二维矩阵表示，其中'0'表示可通行路径，'1'表示障碍物。请简要描述你会如何运用广度优先搜索（BFS）算法来寻找这条路径。你需要说明：1.如何表示迷宫状态和搜索队列？2.BFS算法的主要步骤是什么？3.如何判断搜索成功或失败？试卷答案一、选择题1.D2.B3.D4.C5.B6.A7.D8.C9.A10.A二、填空题1.知识表示，问题求解2.距离（或代价）3.如果，则4.划分5.可行性，效率（或时间复杂度）6.存储，处理7.泛化8.激活（或非线性）9.划分10.信息抽取（或命名实体识别）三、简答题1.宽度优先搜索（BFS）的基本思想是沿着树的宽度遍历树。它从根节点开始，首先访问根节点，然后访问其所有直接子节点，接着访问这些子节点的子节点，依次类推，直到访问完所有节点。实现过程通常使用队列作为数据结构，将起始节点入队，然后循环执行以下操作：出队一个节点，访问该节点，将其所有未访问过的直接子节点入队。重复直到队列为空。2.监督学习需要使用带有标签（或标签）的训练数据集。算法的目标是学习一个从输入到输出的映射函数，使得模型能够对新的、未见过的输入数据进行准确的预测。而非监督学习则使用没有标签的数据，算法的目标是发现数据中隐藏的结构或模式，例如聚类或降维。监督学习输出是预测值，非监督学习输出是数据结构或模式。3.算法的完备性是指对于一个给定的搜索问题，如果存在解，那么该算法保证能够找到至少一个解。换句话说，算法能够保证在有限时间内找到解，无论解是否存在。4.神经网络的基本结构包括输入层、隐藏层（可以有一层或多层）和输出层。每个层由多个神经元（或节点）组成。输入层接收外部输入数据，隐藏层对信息进行加工和处理，输出层产生最终的输出结果。神经元之间通过连接进行信息传递，每个连接都有一个权重，用于调整信号强度。四、论述题1.A*搜索算法是一种启发式搜索算法，它结合了Dijkstra算法和贪婪最佳优先搜索的优点，能够以有限的搜索空间找到最优解。其工作原理如下：首先将起始节点放入开放列表（OpenSet）。然后，循环执行以下操作：从开放列表中选择具有最小f(n)值的节点n作为当前节点，将其从开放列表移除并加入关闭列表（ClosedSet）。如果当前节点n是目标节点，则搜索成功，路径已找到。否则，生成当前节点n的所有后继节点。对于每个后继节点，计算其g(n)（从起始节点到该节点的实际代价）、h(n)（从该节点到目标节点的预估代价，即启发式函数）和f(n)=g(n)+h(n)值。如果后继节点已在关闭列表中且新的g(n)值更大，则忽略该节点。如果后继节点不在开放列表中，则将其加入开放列表，并设置其父节点为当前节点n。如果后继节点已在开放列表中且新的g(n)值更小，则更新其g(n)值、父节点，并重新计算其f(n)值。启发式函数h(n)用于估计节点n到目标节点的近似代价，一个好的启发式函数能够加速搜索过程，但必须满足可接受性（即h(n)不会高估实际代价）和一致性（或单调性，即从节点n到目标节点的代价不大于从n通过后继节点到目标节点的代价加上后继节点到目标节点的预估代价h(n')）的性质。2.构建垃圾邮件判断系统可以运用监督学习的方法。关键步骤包括：数据收集与准备，收集大量已标记为“垃圾邮件”或“非垃圾邮件”的电子邮件样本，并进行预处理，如去除邮件头、转换为小写、分词等。特征工程，从邮件文本中提取有助于判断是否为垃圾邮件的特征，例如邮件关键词（如“免费”、“中奖”、“点击”）、发件人信息、邮件标题和内容中的特殊字符频率等。模型选择与训练，选择合适的监督学习算法，如朴素贝叶斯、支持向量机或决策树等，使用准备好的训练数据集对模型进行训练。模型评估，使用测试数据集评估训练好的模型的性能，常用的评估指标包括准确率、精确率、召回率和F1分数等。模型优化，根据评估结果对模型进行参数调整或尝试其他算法，以提高模型的预测性能。模型部署，将训练好的模型部署到实际系统中，用于实时判断新收到的电子邮件是否为垃圾邮件。3.决策树算法和K-近邻算法在处理分类问题时有以下主要异同点：相同点：都是常用的分类算法，目标是将数据点划分到不同的类别中。不同点：决策树是一种层级结构的分类器，它通过递归地分割数据空间来构建分类模型。每个内部节点代表一个特征属性上的测试，每个分支代表一个测试结果，每个叶节点代表一个类别标签。决策树易于理解和解释，能够处理混合类型的数据，但容易过拟合，对训练数据敏感。K-近邻算法是一种实例基于的学习方法，它对新的数据点进行分类时，寻找训练数据集中与该点最接近的K个邻居，然后根据这些邻居的类别通过投票等方式进行分类。K-近邻算法无需构建显式的模型，能够处理非线性关系，但计算复杂度较高，尤其是对于大规模数据集，且对K值的选择和距离度量方法敏感。此外，决策树是增量式学习，而K-近邻算法通常需要存储整个训练数据集。五、设计题1.迷宫状态可以用一个与迷宫大小相同的二维矩阵表示，其中每个元素对应迷宫中的一个位置，值为'0'或'1'。搜索队列可以使用一个队列数据结构来存储待访问的迷宫状态。BFS算法的主要步骤如下：将起始状态（起点位置）入队。循环执行以下操作：如果队列为空，则搜索失败，不存在路径。否则，