人工智能導(dǎo)論每章課后習(xí)題答案

第二章習(xí)題

1知識的含義是什么？有哪些分類？

知識是人們在長期的實(shí)踐中積累的，能夠反映客觀世界中事物之間關(guān)系的認(rèn)知和經(jīng)驗(yàn)。從不同的角度

和背景知識有不同的劃分。

按知識的作用范圍可以分為常識性知識和領(lǐng)域知識。按知識的作用效果來說可以分為敘述性知識、過

程性知識和控制性知識。按知識的結(jié)構(gòu)及表現(xiàn)形式劃分為邏輯性知識和形象性知識。按知識的確定性劃分

為確定性知識和非確定性（模糊性）知識。

2什么是知識表示？有哪些知識表示方法？

在人工智能理論中，為使計(jì)算機(jī)能夠像人類一樣進(jìn)行合理的思考推理，需要將自然語言所承載的知識

輸入到計(jì)算機(jī)，然后計(jì)算機(jī)才能根據(jù)已有的知識進(jìn)行問題求解知識表示就是指將知識符號化并輸入給計(jì)算

機(jī)的過程和方法。

知識表示方法有，狀態(tài)空間表示法、謂詞邏輯表示法、語義網(wǎng)絡(luò)表示法、框架表示法等等。

3描述一個好的知識表示需要有哪些特征？

一個知識表示方法的優(yōu)劣應(yīng)當(dāng)在以下幾個方面考慮，表示能力、可利用性、可組織性與可維護(hù)性、可

理解性與可維護(hù)性。

4為以下事實(shí)開發(fā)一個語義網(wǎng)絡(luò)：

李華和王明是同學(xué)，他們在北京實(shí)驗(yàn)中學(xué)上學(xué)。

5框架法和面向?qū)ο缶幊逃惺裁垂餐c(diǎn)？

框架（frame）是一種描述所論對象（一個事物、事件或概念）屬性的數(shù)據(jù)結(jié)構(gòu)。

面向?qū)ο缶幊淌且环N編成方法。其本質(zhì)是以建立模型體現(xiàn)出來的抽象思維過程和面向?qū)ο蟮姆椒?。?/p>

型是用來反映現(xiàn)實(shí)世界中事物特征的。二者都是把相關(guān)環(huán)境中的相關(guān)物體描述為對象。

6假如要使用一種知識表示方法表示籃球賽，應(yīng)該使用哪一種知識表示方法？（可以查閱

最新發(fā)展的一些方法）

使用語義網(wǎng)絡(luò)表示法：

第三章

1.什么是推理，請從多種角度闡述推理？

(1)推理：按照某種策略從已有事實(shí)和知識推出結(jié)論的過程。

(2)正向推理

正向推理(事實(shí)驅(qū)動推理)是由已知事實(shí)出發(fā)向結(jié)論方向的推理。

基本思想是：系統(tǒng)根據(jù)用戶提供的初始事實(shí)，在知識庫中搜索能與之匹配的規(guī)則即當(dāng)前可用的規(guī)則，

構(gòu)成可適用的規(guī)則集RS,然后按某種沖突解決策略從RS中選擇一條知識進(jìn)行推理，并將推出的結(jié)論作為

中間結(jié)果加入到數(shù)據(jù)庫DB中作為下一步推理的事實(shí)，在此之后，再在知識庫中選擇可適用的知識進(jìn)行推

理，如此重復(fù)進(jìn)行這一過程，直到得出最終結(jié)論或者知識庫中沒有可適用的知識為止。

正向推理簡單、易實(shí)現(xiàn)，但目的性不強(qiáng)，效率低。需要用啟發(fā)性知識解除沖突并控制中間結(jié)果的選取,

其中包括必要的回溯。由于不能反推，系統(tǒng)的解釋功能受到影響。

(3)反向推理

反向推理是以某個假設(shè)目標(biāo)作為出發(fā)點(diǎn)的一種推理，又稱為目標(biāo)驅(qū)動推理或逆向推理。

反向推理的基本思想是：首先提出一個假設(shè)目標(biāo)，然后由此出發(fā)，進(jìn)一步尋找支持該假設(shè)的證據(jù)，若

所需的證據(jù)都能找到，則該假設(shè)成立，推理成功：若無法找到支持該假設(shè)的所有證據(jù)，則說明此假設(shè)不成

立，需要另作新的假設(shè)。

與正向推理相比，反向推理的主要優(yōu)點(diǎn)是不必使用與目標(biāo)無關(guān)的知識，目的性強(qiáng)，同時它還有利于向

用戶提供解釋。反向推理的缺點(diǎn)是在選擇初始目標(biāo)時具有很大的盲目性，若假設(shè)不正確，就有可能要多次

提出假設(shè)，影響了系統(tǒng)的效率。

反向推理比較適合結(jié)論單一或直接提出結(jié)論要求證實(shí)的系統(tǒng)。

(4)推理方式分類

演繹推理、歸納推理、默認(rèn)推理

確定性推理、不精確推理

單調(diào)推理、非單調(diào)推理

啟發(fā)式推理、非啟發(fā)式推理

2.什么是逆向推理？它的基本過程是什么？

解：逆向推理是以某個假設(shè)目標(biāo)作為出發(fā)點(diǎn)的推理方法過程：

(1)將問題的初始證據(jù)和要求證的目標(biāo)(稱為假設(shè))分別放入綜合數(shù)據(jù)庫和假設(shè)集；

(2)從假設(shè)集中選出一個假設(shè)，檢查該假設(shè)是否在綜合數(shù)據(jù)庫中，若在，則該假設(shè)成立。此時，若假

設(shè)集為空，則成功退出。否則，扔執(zhí)行(2)。若該假設(shè)不在數(shù)據(jù)庫中，則執(zhí)行下一步；

(3)檢查該假設(shè)是否可由知識庫的某個知識導(dǎo)出，若不能由某個知識導(dǎo)出，則詢問用戶尋找新的假設(shè)。

若不是，則轉(zhuǎn)(5),若能由某個知識導(dǎo)出，則執(zhí)行下一步；

(4)將知識庫中可以導(dǎo)出該假設(shè)的所有知識構(gòu)成一個可用知識集；

(5)檢查可用知識集是否為空，若空，失敗退出。否則執(zhí)行下一步；

(6)按沖突消解策略從可用知識集中取出?個知識，繼續(xù)執(zhí)行下一步；

(7)將該知識的前提中的每個子條件都作為新的假設(shè)放入假設(shè)集，轉(zhuǎn)(2).

3.什么是置換？什么是合一？

解：在不同謂詞公式中，往往會出現(xiàn)多個謂詞的謂詞名相同但個體不同的情況，此時推理過程是不能

直接進(jìn)行匹配的，需要先進(jìn)行變元的替換。這種利用項(xiàng)對變元進(jìn)行替換叫置換。

合一利用置換使兩個或多個謂詞的個體一致。

4.魯濱遜歸結(jié)原理的基本思想是什么？

解：魯濱遜歸結(jié)原理也稱為消解原理。其基本思想是把永真性的證明轉(zhuǎn)化為不可滿足性的證明。

即要證明P->Q永真，只要能夠證明PA-Q為不可滿足即可。

5.把下列謂詞公式化成子句集：

(1)(Vx)(Vy)(P(x,y)AQ(x,y))

(2)(Vx)(Vy)(P(x,y)-Q(x,y))

(3)(Vx)(3y)(P(x,y)V(Q(x,y)-R(x,y)))

解：(I)由于(Vx)(Vy)(P(x,y)八Q(x,y))已經(jīng)是Skolem標(biāo)準(zhǔn)型,且P(x,y)AQ(x,y)已經(jīng)是合取

范式，所以可直接消去全稱量詞、合取詞，得

{P(x,y),Q(x,y)}

再進(jìn)行變元換名得子句集：

S={P(x,y),Q(u,v))

(2)對謂詞公式(Vx)(Vy)(P(x,y)~Q(x,y)),先消去連接詞得：

(Vx)(Vy)LP(x,y)VQ(x,y))

此公式已為Skolem標(biāo)準(zhǔn)型。

再消去全稱量詞得子句集：

S=「P(x,y)VQ(x,y)}

(3)對謂詞公式(Vx)(my)(P(x,y)V(Q(x,y)-R(x,y))),先消去連接詞“一”得：

(Vx)(3y)(P(x,y)V(p(x,y)VR(x,y)))

此公式已為前束范式。

再消去存在量詞，即用Skolem函數(shù)f(x)替換y得：

(Vx)(P(x,f(x))V-Q(x,f(x))VR(x,f(x)))

此公式已為Skolem標(biāo)準(zhǔn)型。

最后消去全稱量詞得子句集：

S={P(x,f(x))V-Q(x,f(x))VR(x,f(x)))

6.設(shè)已知：

(1)如果x是y的父親，y是z的父親，則x是z的祖父；

(2)每個人都有一個父親。

使用歸結(jié)演繹推理證明：對于某人u,一定存在一個人v,v是u的祖父。

解：先定義謂詞

F(x,y)：x是y的父親

GF(x,z)：x是z的祖父

P(x)：x是一個人

再用謂詞把問題描述出來：

已知Fl：(Vx)(Vy)(Vz)(F(x,y)AF(y,z))fGF(x,z))

F2：(Vy)(P(x)fF(x,y))

求證結(jié)論G：Ou)(3v)(P(u)fGF(v,u))

然后再將Fl,F2和P化成子句集：

①fF(x,y)VrF(y,z)VGF(x,z)

②-P(r)VF(s,r)

③P(u)

?YF(v,u))

對上述擴(kuò)充的子句集，其歸結(jié)推理過程如下：

由于導(dǎo)出了空子句，故結(jié)論得證。

7.設(shè)已知：

(I)能閱讀的人是識字的；

(2)小狗不識字；

(3)有些小狗是很聰明的。

請用歸結(jié)演繹推理證明：有些很聰明的人并不識字。

解：第一步，先定義謂詞，

設(shè)R(x)表示x是能閱讀的；

K(y)表示y是識字的；

W(z)表示z是很聰明的；

第二步，將己知事實(shí)和目標(biāo)用謂詞公式表示出來

能閱讀的人是識字的：(Vx)(R(x))-K(x))

小狗不識字：(Vy)「K(y))

有些小狗是很聰明的：(3z)W(z)

有些很聰明的人并不識字：(三x)(W(z)A-K(x))

第三步，將上述已知事實(shí)和目標(biāo)的否定化成子句集:

-R(x))VK(x)

*(y)

W(z)

「W(z)VK(x))

第四步，用歸結(jié)演繹推理進(jìn)行證明

第四章習(xí)題

1什么是貝葉斯學(xué)派，它和頻率學(xué)派有什么區(qū)別？

頻率學(xué)派對事件本身建模，貝葉斯學(xué)派對自身的知識進(jìn)行建模。

頻率派認(rèn)為在大量重復(fù)進(jìn)行同一實(shí)驗(yàn)事件A發(fā)生的頻率總是接近某一個常數(shù)，并在它附近進(jìn)行擺動，

這時將這個常數(shù)叫事件A的概率，記作P(A)o

它有兩個含義：

(1)、事件A發(fā)生的概率是常數(shù)。

(2)、事件A發(fā)生的概率是重復(fù)多次進(jìn)行同一實(shí)驗(yàn)得到的。

頻率學(xué)派的局限性：

頻率學(xué)派評估可重復(fù)實(shí)驗(yàn)事件發(fā)生的概率具有一定的現(xiàn)實(shí)意義。

但是假如評估全球溫度在本世紀(jì)內(nèi)上升亮度的概率，按照頻率學(xué)派的思想，首先需要創(chuàng)造無數(shù)個平行

世界，然后計(jì)算全球溫度在本世紀(jì)內(nèi)上升亮度的平行世界的頻率，記該頻率為全球溫度在本世紀(jì)內(nèi)上升亮

度的概率。而這種非可重復(fù)實(shí)驗(yàn)不可實(shí)現(xiàn)，因此頻率學(xué)派在評估不可重復(fù)實(shí)驗(yàn)事件發(fā)生的概率具有很大的

限制性。

貝葉斯學(xué)派認(rèn)為：評估事件A發(fā)生的概率帶有主觀性，且事件A發(fā)生的概率是當(dāng)前觀測數(shù)據(jù)集D下

的概率，即條件概率P(A|D),當(dāng)觀測數(shù)據(jù)集更新為D1時，則事件A發(fā)生的概率為P(A|D1),不同的數(shù)據(jù)

集預(yù)測A事件發(fā)生的概率不同。貝葉斯學(xué)派評估事件A發(fā)生的概率會引用先驗(yàn)概率和后驗(yàn)概率兩個概念，

貝葉斯定理是搭建先驗(yàn)概率和后驗(yàn)概率的橋梁。

它有三點(diǎn)含義：

(1)、事件A發(fā)生的概率是變化的，并非常數(shù)。

(2)、事件A發(fā)生的概率是特定數(shù)據(jù)集下的條件概率。

(3)、事件A發(fā)生的概率是后驗(yàn)概率，且事件A發(fā)生的先驗(yàn)概率已給定。

貝葉斯學(xué)派的難點(diǎn)在于如何設(shè)置合理反映事件A發(fā)生的先驗(yàn)概率，不同的先驗(yàn)概率得到的結(jié)果不一樣

2主觀貝葉斯推理相對于基本的概率推理有哪些優(yōu)點(diǎn)？

基本概率推理的缺點(diǎn)是要求給出結(jié)論的先驗(yàn)概率及證據(jù)的條件概率，盡管

比相對容易得到，但是要想得到這些數(shù)據(jù)仍然是一件相當(dāng)困難的工作。另外Bayes公式

的應(yīng)用條件是很嚴(yán)格的，它要求各事件互相獨(dú)立等。如果各個證據(jù)間存在依賴關(guān)系，就不能直接使用這個

方法

主觀貝葉斯方法的主要優(yōu)點(diǎn)是基于概率發(fā)展而來，理論模型精確，靈敏度高，不僅能考慮證據(jù)間的關(guān)

系，還考慮了證據(jù)存在與否對假設(shè)的影響。缺點(diǎn)主要是需要的主觀概率太多，專家不易給出。

3可信度推理有什么特點(diǎn)，適用于哪”情況？舉一個適用情況的例子。

可信度方法直觀，非確定性測度的計(jì)算也比較簡便，因而在許多專家系統(tǒng)中

得到有效的應(yīng)用。

4證據(jù)理論相對于貝葉斯推理有哪些優(yōu)點(diǎn)？

主觀貝葉斯推理的主要缺點(diǎn)是需要的主觀概率太多，也需要經(jīng)驗(yàn)豐富的專家才能給出，或者很難由專

家給出。而證據(jù)理論可以處理由“不知道”引起的非確定性，并且不必事先給出知識的先驗(yàn)概率，與主觀

貝葉斯推理相比，具有較大的靈活性。

5模糊推理中兩種匹配度的計(jì)算方法，語義距離和貼近度有“那些不同和特點(diǎn)？

語義距離刻畫的是兩個模糊概念之間的差異，有多種方法可以計(jì)算語義距離。貼近度是指兩個概念的

接近程度，可直接用來作為匹配度。

1.什么是搜索？有哪兩大類不同的搜索方法？兩者的區(qū)別是什么？

解：像這種根據(jù)問題的實(shí)際情況，不斷尋找可利用知識，從而構(gòu)造一條最小的推理路線，使問題得以

解決的過程稱為搜索

可根據(jù)搜索過程是否使用啟發(fā)式信息分為盲目搜索和啟發(fā)式搜索，也可根據(jù)問題的表示方式分為狀態(tài)

空間搜索和與/或搜索

盲目搜索是按預(yù)定的控制策略進(jìn)行搜索，在搜索過程中獲得的中間信息并不改變控制策略

啟發(fā)式搜索是在搜索中加入了與問題有關(guān)的啟發(fā)性信息，用于指導(dǎo)搜索朝著最有希望的方向前進(jìn)，加

速問題的求解過程，并找到最優(yōu)解。

狀態(tài)空間搜索是指用狀態(tài)空間法來表示問題所進(jìn)行的搜索。

與/或搜索是指用問題歸約法來表示問題時所進(jìn)行的搜索。

2.深度優(yōu)先搜索與廣度優(yōu)先搜索的區(qū)別是什么？

解：深度優(yōu)先搜索與廣度優(yōu)先搜索的區(qū)別在于：在對節(jié)點(diǎn)n進(jìn)行擴(kuò)展時，其后繼節(jié)點(diǎn)在OPEN表中的

存放位置不同。廣度優(yōu)先搜索是將后繼節(jié)點(diǎn)放入OPEN表的末端，而深度優(yōu)先搜索則是將后繼節(jié)點(diǎn)放入

OPEN表的前端。廣度優(yōu)先搜索是一種完備搜索，即只要問題有解就一定能夠求出，而深度優(yōu)先搜索是不

完備搜索。

在不要求求解速度且目標(biāo)節(jié)點(diǎn)的層次較深的情況下，廣度優(yōu)先搜索優(yōu)于深度優(yōu)先搜索；在要求求解速

度且目標(biāo)節(jié)點(diǎn)的層次較淺的情況下，深度優(yōu)先搜索優(yōu)于廣度優(yōu)先搜索。

3.為什么說深度優(yōu)先搜索和代價樹的深度優(yōu)先搜索可以看成局部擇優(yōu)搜索的兩個特例？

解：深度優(yōu)先搜索、代價樹的深度優(yōu)先搜索以及局部優(yōu)先搜索都是以子節(jié)點(diǎn)作為考察范圍，但節(jié)點(diǎn)選

擇的標(biāo)準(zhǔn)不同。如果取估價函數(shù)f(n)=g(n),則它將退化為代價樹的深度優(yōu)先搜索。如果取估價函數(shù)f(n)=d(n),

則它將退化為深度優(yōu)先搜索。因此，深度優(yōu)先搜索和代價樹的深度優(yōu)先搜索是局部擇優(yōu)搜索的兩個特例。

4.局部擇優(yōu)搜索與全局擇優(yōu)搜索的相同之處與區(qū)別是什么？

解：根據(jù)搜索過程中選擇擴(kuò)展節(jié)點(diǎn)的范圍，啟發(fā)式搜索算法可分為全局擇優(yōu)搜索算法和局部擇優(yōu)搜索

算法。其中，全局擇優(yōu)搜索算法每當(dāng)需要擴(kuò)展節(jié)點(diǎn)時，總是從Open表的所有節(jié)點(diǎn)中選擇一個估價函數(shù)值

最小的節(jié)點(diǎn)進(jìn)行擴(kuò)展，局部擇優(yōu)搜索算法每當(dāng)需要擴(kuò)展節(jié)點(diǎn)時，總是從剛生成的子節(jié)點(diǎn)中選擇一個估價函

數(shù)值最小的節(jié)點(diǎn)進(jìn)行擴(kuò)展。

5..關(guān)于“與/或”圖表示法的敘述中，正確的是(D).

A.“與/或”圖就是用“AND”和“OR”連續(xù)各個部分的圖形，用來描述各部分的因

果關(guān)系

B.“與/或”圖就是用“AND”和“OR”連續(xù)各個部分的圖形，用來描述各部分之間

的不確定關(guān)系

C.“與/或”圖就是用“與”節(jié)點(diǎn)和“或”節(jié)點(diǎn)組合起來的樹形圖，用來描述某類

問題的層次關(guān)系

D.“與/或”圖就是用“與”節(jié)點(diǎn)和“或”節(jié)點(diǎn)組合起來的樹形圖，用來描述某類

問題的求解過程

6.設(shè)有如下圖的與/或/樹，請分別按和代價法及最大代價法求解樹的代價。

解：若按和代價法，則該解樹的代價為：

h(A)=2+3+2+5+2+1+6=2I

若按最大代價法，則該解樹的代價為：

h(A)=max{h(B)+5,h(C)+6)=max{(h(E)+2)+5,h(C)+6)

=max{(max(2,3)+2)+5,max(2,1)+6}

=max((5+5,2+6)=10

7.有一農(nóng)夫帶一條狼，一只羊和?筐菜從河的左岸乘船到右岸，但受下列條件限制：

(1)船太小，農(nóng)夫每次只能帶一樣?xùn)|西過河

(2)如果沒有農(nóng)夫看管，則狼要吃羊，羊要吃菜

請?jiān)O(shè)計(jì)一個過河方案，使得農(nóng)夫、狼羊都能不受損失的過河。

有一農(nóng)夫帶一條狼，一只羊和?框青菜與從河的左岸乘船倒右岸，但受到下列條件的限制:

(1)船太小，農(nóng)夫每次只能帶一樣?xùn)|西過河；

(2)如果沒有農(nóng)夫看管，則狼要吃羊，羊要吃菜。

請?jiān)O(shè)計(jì)一個過河方案，使得農(nóng)夫、浪、羊都能不受損失的過河。

題示：

(I)用四元組(農(nóng)夫，狼，羊，菜)表示狀態(tài)，其中每個元素都為。或1,用0表示在左岸，用1表

示在右岸。

(2)把每次過河的一種安排作為一種操作，每次過河都必須有農(nóng)夫，因?yàn)橹挥兴梢詣澊?/p>

解：第一步，定義問題的描述形式

用四元組0=(f,w,s,v)表示問題狀態(tài)，其中，f,w,s和v分別表示農(nóng)夫，狼，羊和青菜是否在

左岸，它們都可以取1或0,取1表示在左岸，取0表示在右岸。

第二步，用所定義的問題狀態(tài)表示方式，把所有可能的問題狀態(tài)表示出來，包括問題的初始狀態(tài)和口

標(biāo)狀態(tài)。

由于狀態(tài)變量有4個，每個狀態(tài)變量都有2種取值，因此有以下16種可能的狀態(tài)：

So=(O,OAO),Si=(0A0J),S2=(0,0,1,0)，S3=(0,0,l,1)

S4=(O,1AO),S5=(0,l,0』)，S6=(0,1,1,0)，S7=(0,1,1,1)

S8=(l,0A0),S9=(l,0,0,1),S10=(1,0,1,0),S11=(1,0,1,1)

Sl2=(l,1,0,0),S13=(1,1,0,1),S14=(1,1,1,0),S15=(1,1,1,1)

其中，狀態(tài)S3,S6，S7,S8,S9，S12是不合法狀態(tài)，So和Sl5分別是初始狀態(tài)和目標(biāo)狀態(tài)。

第三步，定義操作，即用于狀態(tài)變換的算符組F

由于每次過河船上都必須有農(nóng)夫，且除農(nóng)夫外船上只能載狼，羊和菜中的i種，故算符定義如下：

L⑴表示農(nóng)夫從左岸將第i樣?xùn)|西送到右岸(i二l表示狼，i=2表示羊，i=3表示菜，i=0表示船上除農(nóng)

夫外不載任何東西)。由于農(nóng)夫必須在船上，故對農(nóng)夫的表示省略。

R⑴表示農(nóng)夫從右岸將第i樣?xùn)|西帶到左岸(i=l表示狼，i=2表示羊，i=3表示菜，i=0表示船上除農(nóng)

夫外不載任何東西)。同樣，對農(nóng)夫的表示省略。

這樣，所定義的算符組F可以有以下8種算符：

L(0),L(l),L(2),L(3)

R(0),R(l),R(2),R(3)

第四步，根據(jù)上述定義的狀態(tài)和操作進(jìn)行求解。

第6章參考答案

1、睛是表示隨機(jī)變量不確定的度量，是對所有可能發(fā)生的事件產(chǎn)生的信息

量的期望。對于二分類來說，即一個隨機(jī)事件有兩種可能性：發(fā)生和不發(fā)生，設(shè)

發(fā)生的概率為P,則不發(fā)生的概率為i-p,于是其烯的計(jì)算公式為：

H=一0*log2p-(1-p)*log2(l-p)

假如一個隨機(jī)事件有三種可能的狀態(tài)：狀態(tài)1、狀態(tài)2、狀態(tài)3,其概率分

別為PI、P2、P3,則有Pl+P2+P3=l,于是它的嫡的計(jì)算公式為：

H=—p、*log2p「p?*log2p2-p3*log2p3

嫡越大，不確定性就越大，嫡越小，不確定性就越?。创_定性越大1極

端的情況下，假如一個隨機(jī)事件必然要發(fā)生，即其概率為1,那么它就沒有不確

定性了,此時嫡最小為0.

條件嫡是給定某種條件的情況下重新計(jì)算的嫡假設(shè)給定的條件X有狀態(tài)1、

狀態(tài)2兩種可能性，則其概率分別為PxUPx2,則條件嫡的計(jì)算公式為

H、=P,\*%]+Px2*HR

其中Hxi,瓜2分別為X在狀態(tài)1和狀態(tài)2下計(jì)算的嫡。

很明顯，當(dāng)給出一定的條件時，隨機(jī)事件的不確定性減小，即條件嫡要小于

嫡。嫡與條件嫡的差就是信息增益。信息增益表示的是當(dāng)給出一定的條件時，事

件的不確定性減少的程度。

2、采用ID3算法，先計(jì)算總的嫡,再計(jì)算各個條件嫡，然后計(jì)算出信息增

益，選擇信息增益最大的那個屬性進(jìn)行劃分，然后再對各個子樹進(jìn)行同樣的步驟

劃分。參考決策樹如圖所示。

3、貝葉斯概率公式為：

P(B)PS|B)

P(B|J)=

P(A)

P(B)P(AB)

或者P<B|A)

iZP(B)P(A|B)

先驗(yàn)概率是指根據(jù)以往經(jīng)驗(yàn)和分析得到的概率;后驗(yàn)概率是在事情已經(jīng)發(fā)生

的情況下，要求這件事情發(fā)生的原因是由某個因素引起的可能性的大小，即后驗(yàn)

概率是已經(jīng)知道結(jié)果，來推斷該結(jié)果是由何種原因引起。

4、首先計(jì)算如下：

。（貸款）=—，尸（不貸款）=一

1515

?Q?

產(chǎn)（青年貸款）=￡尸（中年貸款）=>尸（老年貸款）=:

777

4Q

尸（有工作I貸款）=3,尸（無工作貸款）=士

77

尸（有房子I貸款）=K2,尸（無房子|貸款）=49

77

產(chǎn)（信貸好I貸款）=3,0（信貸一般I貸款）=2

77

尸（青年I不貸款）=￡〃（中年I貸不款）=」，P（老年I不貸款）=]

848

〃（有工作I不貸款）=L1,P（無工作I不貸款）=士Q

44

P（有房子I不貸款）=0,無房子I不貸款）=1

戶（信貸好I不貸款）=：,尸（信貸一般I不貸款）=：

有了以上模型，有新數(shù)據(jù)出現(xiàn)時，依據(jù)樸素貝葉斯，可以計(jì)算新狀態(tài)下貸

款的概率和不貸款的概率，比較其大小，就可以作出預(yù)測。

5、支持向量機(jī)的目的是尋找一個最優(yōu)分類面（分割超平面），這個超平面不

但能將兩類正確分開（訓(xùn)練錯誤率為0）,而且使分類間隔最大。即最優(yōu)分類面能

使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn)，也就是最優(yōu)分類面兩側(cè)的空白區(qū)域

（Margin）最大。距離分割超平面最近的那些點(diǎn)就叫做“支持向量"。

核方法的作用是通過選擇一個函數(shù)，將數(shù)據(jù)映射到高維空間，在高維空間中

采用支持向量機(jī)實(shí)現(xiàn)超平面分割，以解決原樣本空間線性不可分的問題。

6、有一對多法、一對一法、層次分類法。具體參見6.4.4節(jié)。

7、（1）監(jiān)督學(xué)習(xí)方法必須要有訓(xùn)練集與測試樣本，在訓(xùn)練集中找規(guī)律，而

對測試樣本使用這種規(guī)律檢測效果；而非監(jiān)督學(xué)習(xí)沒有訓(xùn)練集，只有一組數(shù)據(jù),

在該組數(shù)據(jù)集內(nèi)尋找規(guī)律。（2）監(jiān)督學(xué)習(xí)的訓(xùn)練樣本集必須由帶標(biāo)簽的樣本組成。

而非監(jiān)督學(xué)習(xí)方法只有要分析的數(shù)據(jù)集的本身，預(yù)先沒有什么標(biāo)簽。

8、K-means算法，是基于距離的聚類算法。采用距離作為相似性的評價指

標(biāo)，即認(rèn)為兩個對象的距離越近，其相似度就越大。該算法認(rèn)為類簇是由距離靠

近的對象組成的，因此把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。但難點(diǎn)是K的確

定，K設(shè)置不同，最后結(jié)果就不同。

層次聚類的思想：從各類只有一個樣本點(diǎn)開始，逐級合并，每級只合并兩

類，直到最后所有樣本都?xì)w到一類。聚類過程中逐級考查類間相似度，依次決定

類別數(shù)。在聚類過程中把N個沒有標(biāo)簽的樣本分成一些合理的類時，極端情況

下，最多可以分成N類，即每個樣本為一類；最少可以分成一類，即所有樣本

為一類。因此可以根據(jù)實(shí)際情況設(shè)定聚類的數(shù)目。

9、人工神經(jīng)網(wǎng)絡(luò)（簡稱神經(jīng)網(wǎng)絡(luò)）是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動物的中樞

神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對函數(shù)進(jìn)行

估計(jì)或近似，神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算。

神經(jīng)元標(biāo)準(zhǔn)的數(shù)學(xué)模型由兩部分組成：線性變換和非線性變換，非線性變換

又叫激活處理（非線性變換函數(shù)叫激活函數(shù)1

10、BP反射傳播算法建立在損失函數(shù)梯度下降的基礎(chǔ)上，是由損失函數(shù)反

向求導(dǎo)計(jì)算所有節(jié)點(diǎn)偏導(dǎo)數(shù)的過程。根據(jù)復(fù)合函數(shù)的鏈?zhǔn)角髮?dǎo)法則，前一層的偏

導(dǎo)數(shù)等于后一層的偏導(dǎo)數(shù)乘以后一層對前一層的偏導(dǎo)數(shù)，由于后一層的偏導(dǎo)數(shù)在

計(jì)算時已經(jīng)求出，可以直接使用，減少了計(jì)算量。

11、徑向神經(jīng)網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、玻爾茲曼機(jī)、自組織映射網(wǎng)絡(luò)

12、區(qū)別于傳統(tǒng)的淺層學(xué)習(xí)，深度學(xué)習(xí)的不同在于：（1）強(qiáng)調(diào)了模型結(jié)構(gòu)的

深度，可以有幾十層、上百層隱層節(jié)點(diǎn)。（2）明確突出了特征學(xué)習(xí)的重要性。

13、卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）直接利用圖像像

素信息作為輸入，通過卷積操作，模型輸出直接結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)組件有卷積層、池化層、全連接層。

卷積層的作用：執(zhí)行卷積操作提取底層到高層的特征，發(fā)掘出輸入數(shù)據(jù)（圖

片）的局部關(guān)聯(lián)性質(zhì)和空間不變性質(zhì)。

卷積層由一系列參數(shù)可學(xué)習(xí)的濾波器集合構(gòu)成，濾波器（Filter）又稱之為

卷積核（Kernel）o不同卷積核可以提取不同的特征，例如邊緣，線性，角等特

征。

卷積神經(jīng)網(wǎng)絡(luò)的兩個特點(diǎn)：（1）參數(shù)共享（ParameterSharing）:卷積核在同一

張圖上的多個區(qū)域都適用。（2）局部連接（SparsityofConnection）：每個神經(jīng)元的

輸出僅僅依賴小部分輸入神經(jīng)元的值。

14、循環(huán)神經(jīng)網(wǎng)絡(luò)是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且

所有節(jié)點(diǎn)（循環(huán)單元）按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶性、

參數(shù)共享等特性。循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也是由輸入層、隱藏層、輸出層組成。循環(huán)

神經(jīng)網(wǎng)絡(luò)的輸出不只是與輸入有關(guān)，還與時間有關(guān)，也就是說，循環(huán)神經(jīng)網(wǎng)絡(luò)的

輸出值，，是受前面歷次輸入值。I、。_2、。-3等影響的，這就是為什