人工智能导论_大连理工大学出版社

文章目录

• • 一、复习
  • • 第1章 人工智能概述
    • 第2章 知识表示和知识图谱
    • 第3章 机器学习
    • 第4章 人工神经网络与深度学习
    • 第5章 智能识别
    • 第6章 自然语言理解
  • 二、试卷（考后回忆版）
  • • 1、单项选择题（2 分 * 10）
    • 2、简答题（5 分 * 8）
    • 3、应用题（6 分 + 6 分 + 8 分）
    • 4、论述题（10 分 * 2）
  • 三、日志

一、复习

教材：人工智能导论 ------大连理工大学出版社

第1章 人工智能概述

• AI -> Artificial Intellignce -> 人工智能

第2章 知识表示和知识图谱

• KR -> Knowledge Representation -> 知识表示
• PR -> Production Rule -> 产生式规则
• MG -> Multirelational Graph -> 多关系图
• RDF -> Resource Description Framework -> 资源描述框架

第3章 机器学习

• SL -> Supervised Learning -> 监督学习

• KNN -> K-Nearest Neighbors -> K-近邻

  算法实现：

  • 计算测试数据与所有测试数据之间的距离
  • 按照升序排序
  • 选取前K个距离
  • 返回前K各种出现次数最多的一类

  算法缺陷：

  • 对参数K的选择敏感
  • 计算量大

• DT -> Decision Tree -> 决策树

  优点：

  • 泛化能力强
  • 易于理解和实现
  • 能够直接体现数据的特点

  关键：

  • 选择最优划分属性

  缺点：

  • 对噪声敏感

• SVM -> Support Vector Mation -> 支持向量机

  核函数、超平面

• UL -> Unsupervised Learning -> 无监督学习

• C -> Clustering -> 聚类

• -> K-means -> K-均值

  算法流程：

  • 随机选取K个点作为聚类中心
  • 以每个中心为基准，计算前K个离他最近的点划为一类
  • 更新每一类的中心（他们的均值）
  • 迭代执行二三操作直到中心不在改变

  优点：

  • 时间复杂度接近线性，适合大规模数据挖掘

  缺点：

  • 不确定性大，对参数K的选择敏感

• DR -> Dimentionality Reduction -> 降维

• PCA -> Principal Components Analysis -> 主成分分析法

  使用场景：

  • 当有很多变量，但又想通过一种或几种综合指标来刻画数据的差异性的时候

• LDA -> Linear Discriminant Analysis -> 线性判别分析

第4章 人工神经网络与深度学习

• ANN -> Artificial Neural Network -> 人工神经网络
• GAN -> Generative Adversarial Network -> 生成式对抗网络
• SOM -> Self-Organizing Mapping -> 自组织映射
• ART -> Adaptive Resonance Theory -> 自适应共振理论
• GD -> Gradient Descent -> 梯度下降
• BP -> Back Propagation -> 反向传播
• CNN -> Convolutional Neural Networks -> 卷积神经网络 CNN原理视频讲解
• ReLU -> Rectified Linear Unit -> 修正线性单元

第5章 智能识别

• CV -> Computer Vision -> 计算机视觉
• ASR -> Automatic Speech Recognition -> 自动语音识别（语音识别技术）

第6章 自然语言理解

• NLP -> Natural Language Processing -> 自然语言处理
• NLU -> Natural Language Understanding -> 自然语言理解

---

二、试卷（考后回忆版）

1、单项选择题（2 分 * 10）

1. AI 全拼
2. 语义分析
3. 欠拟合
4. 计算机视觉
5. 非监督
6. “深度”
7. 模式识别
8. 产生式
9. 状态空间
10. python与C语言

2、简答题（5 分 * 8）

1. AI 应用例子（5个）
2. 知识表示
3. 列表、元组、字典、集合
4. 机器学习的算法
5. K-means 原理和优缺点
6. 深度学习与机器学习的区别与练习
7. 自然语言理解和自然语言处理的意思与应用
8. CNN 简介

3、应用题（6 分 + 6 分 + 8 分）

1. python改错（自定义了一个函数）
2. 框架法表示
3. PCA原理 + 鸢尾花散点图分析

4、论述题（10 分 * 2）

1. NLP——手机语音助手功能板块分析
2. AI 面临的挑战与未来的发展方向

三、日志

$1.0修改于\mathrm{2023.2.13}$

$2.0修改于\mathrm{2024.1.5}$

• 修改码风
• 修改布局

$2.0修改于\mathrm{2024.1.18}$

• 修改文章标题