廈門大學(xué)高級人工智能復(fù)習(xí)review

課程內(nèi)容要點內(nèi)容要點搜索概率論和不確定性貝葉斯網(wǎng)絡(luò)時序概率推理決策論機(jī)器學(xué)習(xí)文本挖掘考試涉及章節(jié)第2-6，13-18，20-21,補(bǔ)充內(nèi)容考查知識點重要的概念簡單的計算綜合運用例子概念：什么叫樸素貝葉斯方法？簡單計算：比如給定一個貝葉斯網(wǎng)絡(luò)，計算某個條件概率綜合運用比如“羊、菜、人坐小船過河”問題第2章智能體及其分類、評價環(huán)境的描述（PEAS)第3章基本概念：狀態(tài)空間，最初狀態(tài)、目標(biāo)測試、后繼函數(shù)、代價函數(shù)搜索方法廣度優(yōu)先深度優(yōu)先有限深度迭代深入深度優(yōu)先雙向搜索第3章搜索方法性能度量完備性最優(yōu)性復(fù)雜性（度量參數(shù)：b,d,m）例題：3.83.8起始狀態(tài)1.n的后繼狀態(tài)是2n,2n+11.畫出包含狀態(tài)1-15的部分狀態(tài)空間2.目標(biāo)狀態(tài)是11，列出寬度優(yōu)先，深度限制3搜索，IDS搜索訪問的節(jié)點。3.可以進(jìn)行雙向搜索嗎？如何做呢？4.雙向搜索的分叉因子各為多少5.

3的答案說明存在一個幾乎不用的搜索的解，是什么。習(xí)題：傳教士和野人問題。狀態(tài)如何表示：把問題描述用一個三元組來表示（m，c，b），以左岸為基準(zhǔn)，m表示傳教士的人數(shù)，c表示野人的數(shù)量，b表示船是不是在。第4章全局搜索算法貪婪最佳優(yōu)先算法A*搜索啟發(fā)函數(shù)可采納的啟發(fā)函數(shù)一致的啟發(fā)函數(shù)利用松弛問題的解產(chǎn)生原問題的啟發(fā)函數(shù)第4章局部搜索算法爬山法模擬退火局部beam搜索遺傳算法習(xí)題：4.1八皇后問題（圖4.12）第5章內(nèi)容：5.1—5.3主要搜索方法和技巧Backtracking,forwardchecking,constraintpropagationMinimumremainingvalues,leastconstrainingvalues局部搜索：Min-conflicts例題：5.6我們用MRV來求解Variables:FTUW

ROX1X2X3Domains:{0,1,2,3,4,5,6,7,8,9}Constraints:Alldiff(F,T,U,W,R,O)O+O=R+10·X1X1+W+W=U+10·X2X2+T+T=O+10·X3X3=F,T≠0,F≠0第6章博弈中的優(yōu)化決策極小極大值算法–剪枝例題：6.1例6.3，去年考試題第13章貝葉斯法則P(Y|X)=P(X|Y)P(Y)/P(X)=αP(X|Y)P(Y)P(Y|X,e)=P(X|Y,e)P(Y|e)/P(X|e)習(xí)題：13.15例題：等車。假設(shè)一共只有兩班車，一班10分鐘一趟，一班30分鐘一趟。其分布可用指數(shù)分布描述：其中β是發(fā)車間隔時間，x是等待時間。積分以后得：那么等待時間超過X的概率是f(β|x>X)問：假設(shè)等了20分鐘，車沒來，求兩班車各在本站?？康母怕?。等了5分鐘呢？你認(rèn)為等了多少分鐘才能證明一班車的概率比另一班車高。設(shè)先驗概率Pr(y=10)=Pr(y=30)=0.5.(0.791,0.209)如果是5分鐘，可得（0.583，0.417）0分鐘的時候才是概率一樣。第14章貝葉斯網(wǎng)絡(luò)會根據(jù)網(wǎng)絡(luò)和CPT計算各類概率求P(a,b,c,d,e),P(a|d,c,e)根據(jù)結(jié)構(gòu)得P(a,b,c,d,e)=P(a)P(b|a)P(c|a)P(d|b)P(e|b,c)P(a|d,c,e)=αΣBP(a,B,c,d,e)=αP(a,b,c,d,e)+αP(a,-b,c,d,e)再求出P(-a|d,c,e)第15章15.1-15.34個問題：filtering,prediction,smoothing,mostlikelyexplanation(Viterbi算法)HMM:狀態(tài)轉(zhuǎn)移矩陣，sensor：狀態(tài)X到觀察值（或叫證據(jù)變量e）的對角矩陣。語音識別例題：請簡述一下，如何用HMM來做OCR。請簡述一下，如何用HMM來做OCR。P(words|images)=π

P(word|image)(1)P(word|image)=αP(word,image) =αP(word)P(image|word)前者稱為字母的語言模型，后者稱為光學(xué)模型為了提高準(zhǔn)確率，往往在（1）中增加基于詞的語言模型第16-17章MDP：states,actions,rewards,utilities,transitions,discounts,policy最優(yōu)策略價值迭代策略迭代對下圖找出最佳策略，假設(shè)γ=0.5設(shè)初始策略為根據(jù)策略計算U：進(jìn)行策略迭代第18章學(xué)習(xí)的概念決策樹熵信息增量構(gòu)造最優(yōu)決策樹構(gòu)造決策樹第20章20.1-20.3貝葉斯學(xué)習(xí)：MAP，ML樸素貝葉斯P(Cause,Effect1,…,Effectn) =P(Cause)πiP(Effecti|Cause)EM算法