【人工智能导论不挂科】期末考试重点知识点独家整理归纳
《人工智能导论》期末复习知识点
选择题知识点
1.人工智能、人工神经网络、机器学习等人工智能中常用词的英文及其英文缩写。
人工智能ArtificialIntelligence,AI
人工神经网络ArtificialNeuralNetwork，ANN
机器学习MachineLearning，ML
深度学习DeepLearning,DL
2.什么是强人工智能？
强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意义上可以看作一种新的文明。
3.回溯算法的基本思想是什么？
能进则进。从一条路往前走，能进则进，不能进则退回来，换一条路再试。
4.面向对象、产生式系统、搜索树的定义？
面向对象(ObjectOriented)是软件开发方法，一种编程范式。面向对象的概念和应用已超越了程序设计和软件开发，扩展到如数据库系统、交互式界面、应用结构、应用平台、分布式系统、网络管理结构、CAD技术、人工智能等领域。面向对象是一种对现实世界理解和抽象的方法，是计算机编程技术发展到一定阶段后的产物。面向对象是相对于面向过程来讲的，面向对象方法，把相关的数据和方法组织为一个整体来看待，从更高的层次来进行系统建模，更贴近事物的自然运行模式。
把一组产生式放在一起，让它们相互配合，协同工作，一个产生式生成的结论可以供另一个产生式作为前提使用，以这种方式求得问题的解决的系统就叫作产生式系统。
对于需要分析方法，诸如深度优先搜索和广度优先搜索（穷尽的方法）以及启发式搜索（例如最佳优先搜索和A*算法），这样的问题使用搜索树表示最合适。
5.机器学习的基本定义是什么？
机器学习是一门研究及其获取新知识和新技能，并识别现有知识的学问。
6.智慧地球的概念，智慧地球提出的背景是怎样的？
借助新一代信息技术（如传感技术、物联网技术、移动通信技术、大数据分析、3D打印等）的强力支持，让地球上所有东西实现被感知化、互联化和智能化。
背景为金融危机影响全球。
7.相关关系是怎么回事？
相关关系是客观现象存在的一种非确定的相互依存关系，即自变量的每一个取值，因变量由于受随机因素影响，与其所对应的数值是非确定性的。相关分析中的自变量和因变量没有严格的区别，可以互换。
8.盲目搜索是什么意思？
盲目搜索方法又叫非启发式搜索，是一种无信息搜索，一般只适用于求解比较简单的问题，盲目搜索通常是按预定的搜索策略进行搜索，而不会考虑到问题本身的特性。常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
填空题知识点。
1. Wiener在智能活动领域的理论贡献？
创立控制论，开创了一个全新的学科“控制科学”（ControlScience），也开创了人工智能中的行为主义学派。
2.常见的盲目搜素算法有哪些？
常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
3.最佳优先搜索算法？
最佳优先搜索（BestFirstSearch），是一种启发式搜索算法（HeuristicAlgorithm）,我们也可以将它看做广度优先搜索算法的一种改进；最佳优先搜索算法在广度优先搜索的基础上，用启发估价函数对将要被遍历到的点进行估价，然后选择代价小的进行遍历，直到找到目标节点或者遍历完所有点，算法结束。
4.大类来分，主要有哪三类机器学习算法？
监督学习、无监督学习、强化学习
5.监督学习的主要类型？
分类和回归，详见书上127页
6.人工智能之父是指？图灵测试的含义？
图灵。它的意义在于推动了计算机科学和人工智能的发展。
7.大数据时代，相关性和因果性的异同？
异：因果关系很难被轻易证明，但证明相关关系实验耗资少，费时也少。
同：相关关系为研究因果关系奠定了基础。
8.产生式系统的形式规则集怎样表示的？
IF[条件]THEN[动作]
9.机器学习算法都是基于什么理论的？
机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
3.简答题知识点
1.大数据时代的思维转变？
1.样本=总体
2.接受数据的混杂性
3.数据的相关关系
2.人工智能领域的主要应用有哪些？
深度学习、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘
3.知识表示法有哪些?
叙述式表示法、过程式表示法
4.线性回归与逻辑回归的比较。
参考一：在线性回归模型中，输出一般是连续的，对于每一个输入的x，都有一个对应的输出y。因此模型的定义域和值域都可以是无穷。
但是对于逻辑回归，输入可以是连续的[-∞,+∞]，但输出一般是离散的，通常只有两个值{0,1}。
参考二：逻辑回归的模型是一个非线性模型，sigmoid函数，又称逻辑回归函数。但是它本质上又是一个线性回归模型，因为除去sigmoid映射函数关系，其他的步骤，算法都是线性回归的。可以说，逻辑回归，都是以线性回归为理论支持的。
只不过，线性模型，无法做到sigmoid的非线性形式，sigmoid可以轻松处理0/1分类问题。
5.人工智能时代的重要工作岗位。
数据科学家、机器学习工程师、数据标签专业人员、AI硬件专家、数据保护专家
6.为什么在大数据时代更关注相关关系？
相关关系实验耗资少、费时也少。为我们提供新的视角，而且提供的视角都很清晰。
7.语义网络如何理解？
语义网络是知识表示中最重要的通用形式之一，是一种表达能力强而且灵活的知识表示方法。它通过概念及其语义关系来表达知识的一种网络图。
8.神经元与神经网络的关系？神经元的工作原理。
关系：神经网络从这种自然典范中汲取灵感，设计人工神经网络。
原理：神经元由一个细胞体和突两部分组成。突分两类，轴突和树突。 树突和轴突共同作用，实现神经元之间的信息传递。
轴突的末端与树突进行进行信号传递的界面成为突触，通过突触向其他神经元发送信息。学习发生在突触附近，而且突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋信号或抑制信号。
对某些突触的刺激促使神经元触发，只有神经元所有输入的总效应达到阈值电平，它才开始工作。
综合应用题的知识点
1.常用的机器学习算法有哪些？各自的特点和适用领域是怎样的？
回归算法：是最快速的机器算法之一，分类，预测离散值。
KNN算法：最基础和简单的算法之一，用于分类，比较数据点的距离，并将每个点分配给它最接近的组。
决策树算法：将一组“弱”学习器集合在一起，形成一种强算法。主要用来分类，也有做回归，但更多的是作为弱分类器，用在model
贝叶斯算法：通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率。用于文本分析、分类
聚类算法：发现元素之间的共性并对它们进行相应的分组。
神经网络算法：通过找到某种非线性模型拟合数据，主要用在图像处理等
2.专家系统的概念、结构、各模块的作用怎样？。
专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
人机交互界面、知识库、推理机、解释器、综合数据库、知识获取
人机界面：系统和用户进行交流的界面
知识库：存放专家提供的知识
推理机：对当前问题的条件或已知消息，仿佛匹配知识库中的规则，获取新理论，以得到问题求解结果
解释器：能根据用户的提问，对结论、求解过程做出说明
综合数据库：专门用于存储推理过程中所需要的原始数据、中间结果和最终结论
希望可以帮助到你，祝小可爱逢考必过，考试资料持续更新，感谢关注点赞支持哦~
人工智能导论课后答案
本文转自龚纵浩——坚*果*搜*题
【单选题】下列不属于七大营养素的是（）
【多选题】四大营养缺乏病（）
【判断题】合理营养表现为各营养素越多越好。（）
【判断题】《黄帝内经》是第一部关于生命的百科全书。（）
【单选题】对高压电触电者，施急者不能立即进入急救原因是（）。
【单选题】将溺水者救上岸后应立即倒水，但倒水时间应不超过几分钟？（）
【单选题】将溺水者救上岸以后，首先要做的是（）。
【判断题】220V以下的低电压，可引发心肌纤颤和心脏停搏。（）
【判断题】触电损害程度与电压、电流强度、电流种类、接触时间有关。（）
【判断题】神志清醒的轻度溺水者不需要进行心肺复苏或采取其它救护措施。（）
《人工智能导论》李德毅主编；于剑执行主编；中国人工智能学会组编著【摘要 书评 在线阅读】
人工智能导论
作 者:李德毅,于剑,中国人工智能学会编定 价:49出 版 社:中国科学技术出版社出版日期:2018年08月01日页 数:263装 帧:平装ISBN:9787504681195无
本书是中国科协新一代信息技术系列丛书之一。本书内容包括知识表示、知识获取、知识应用三部分。其中，知识表示主要介绍概念表示、知识表示、知识图谱；知识获取主要介绍搜索技术、群智能算法、机器学习、人工神经网络与深度学习；知识应用涉及计算机视觉、自然语言处理、语音处理、专家系统、规划、多智能体系统与智能机器人六部分。力求将人工智能的发展脉络、技术理论、产业成果以翔实的形态展现于人前。除了必要的知识点与宽泛的知识图谱，本书还深入浅出地介绍了有关智能搜索技术、机器学习、神经网络、计算机视觉、语言智能、机器人等在内的不同领域的应用实践成果。本书主要面向大学非计算机类的工科专业的高年级学生与研究生，帮助学生了解人工智能的发展过程与基本知识，熟悉人工智能产业的发展现状与市场需求，培养人工智能应用能力。同时，对于计算机相关专业的学生，本书也可作为人工智能专业课程的先导学习材料。
无
无
前言李德毅第一章绪论0011.1人工智能的起源和定义0011.2人工智能的流派0031.3人工智能的进展和发展趋势009第二章概念表示0122.1经典概念理论0122.2数理逻辑0132.3集合论0172.4概念的现代表示理论020第三章知识表示0233.1知识与知识表示的概念0233.2产生式表示法0263.3框架表示法0293.4状态空间表示法0323.5本章小结036第四章知识图谱0384.1知识图谱0384.2本体知识表示0424.3万维网知识表示0434.4知识图谱的现状及发展0494.5知识图谱的应用示例0554.6本章小结056第五章搜索技术0575.1图搜索策略0585.2盲目搜索0595.3启发式搜索0635.4博弈搜索0675.5本章小结070第六章群智能算法0726.1群智能算法产生的背景0726.2遗传算法0736.3粒子群优化算法及其应用0836.4蚁群算法0886.5本章小结092第七章机器学习0947.1机器学习的发展0957.2监督学习0967.3无监督学习1017.4弱监督学习1047.5讨论1087.6本章小结109第八章人工神经网络与深度学习1118.1神经网络的发展历史1118.2神经元与神经网络1128.3BP神经网络及其学习算法1158.4卷积神经网络1198.5生成对抗网络1268.6深度学习的应用1288.7本章小结131第九章专家系统1339.1专家系统概述1339.2推理方法1359.3一个简单的专家系统1369.4非确定性推理1429.5专家系统工具1469.6专家系统的应用1479.7专家系统的局限性1489.8本章小结148第十章计算机视觉15010.1计算机视觉概述15010.2数字图像的类型及机内表示15210.3常用计算机视觉模型和关键技术15310.4应用实例：人脸识别技术16210.5本章小结164第十一章自然语言处理16611.1自然语言处理概述16611.2机器翻译17211.3自然语言人机交互17711.4智能问答18911.5本章小结193第十二章语音处理19512.1语音的基本概念19512.2语音识别19612.3语音合成20212.4语音增强20612.5语音转换20812.6情感语音21012.7本章小结214第十三章规划21613.1基本概念21613.2经典规划21713.3概率规划22113.4典型应用227第十四章多智能体系统22914.1智能体22914.2智能体的具体结构23414.3多智能体协商23614.4多智能体学习24214.5本章小结244第十五章智能机器人24615.1概述24715.2人工智能技术在机器人中的应用24915.3智能机器人发展展望259参考文献262人工智能导论
01工程与哲学（第三卷2019…
01工程与哲学（第三卷2019）02物联网和工业4.0实用指南…
02物联网和工业4.0实用指南：物流…03数据分析师典型面试题精讲…
03数据分析师典型面试题精讲04移动机器人路径规划与定位…
04移动机器人路径规划与定位研究05滑模控制理论与应用研究
05滑模控制理论与应用研究06基于工业大数据分析的故障…
06基于工业大数据分析的故障诊断方…07PLC编程从入门到精通
07PLC编程从入门到精通08网络与人工智能法治：跨学…
08网络与人工智能法治：跨学科的研…09协作机器人技术及应用
09协作机器人技术及应用10康复机器人：设计、建模、…
10康复机器人：设计、建模、控制与…人工智能导论
前言 李德毅第一章绪论 00111人工智能的起源和定义00112人工智能的流派00313人工智能的进展和发展趋势009 第二章概念表示 01221经典概念理论01222数理逻辑01323集合论01724概念的现代表示理论020 第三章知识表示02331知识与知识表示的概念02332产生式表示法02633框架表示法02934状态空间表示法03235本章小结036 第四章知识图谱03841知识图谱03842本体知识表示042 43万维网知识表示 04344知识图谱的现状及发展 04945知识图谱的应用示例 05546本章小结 056第五章搜索技术057 51图搜索策略 05852盲目搜索 05953启发式搜索 06354博弈搜索 06755本章小结 070第六章群智能算法072 61群智能算法产生的背景 07262遗传算法 07363粒子群优化算法及其应用 08364蚁群算法 08865本章小结 092第七章机器学习094 71机器学习的发展 09572监督学习 09673无监督学习 10174弱监督学习 10475讨论 10876本章小结 109第八章人工神经网络与深度学习111 81神经网络的发展历史 11182神经元与神经网络 11283BP神经网络及其学习算法 11584卷积神经网络 119 85生成对抗网络 12686深度学习的应用 12887本章小结 131第九章专家系统133 91专家系统概述 13392推理方法 13593一个简单的专家系统 13694非确定性推理 14295专家系统工具 14696专家系统的应用 14797专家系统的局限性 14898本章小结 148第十章计算机视觉150 101计算机视觉概述 150102数字图像的类型及机内表示 152103常用计算机视觉模型和关键技术 153104应用实例：人脸识别技术 162105本章小结 164第十一章自然语言处理166 111自然语言处理概述 166112机器翻译 172113自然语言人机交互 177114智能问答 189115本章小结 193第十二章语音处理195 121语音的基本概念195122语音识别196123语音合成202•IV•124语音增强206125语音转换208126情感语音210127本章小结214第十三章规划216131基本概念216132经典规划217133概率规划221134典型应用227第十四章多智能体系统229141智能体229142智能体的具体结构234143多智能体协商236144多智能体学习242145本章小结244第十五章智能机器人246151概述247152人工智能技术在机器人中的应用249153智能机器人发展展望259参考文献262
人工智能导论【全本
内容提要
编委会
序一拥抱万亿智能互联未来
序二
前言
01绪论
1.0学习导言
1.1生命与智能
1.1.1什么是智能
1.1.2图灵测试与人工智能
1.1.3人工智能图谱
1.2人工智能的历史
1.2.1第一阶段：初创时期（1936年—1956年）
1.2.2第二阶段：形成时期（1957年—1969年）
1.2.3第三阶段：发展时期（1970年—1992年）
1.2.4第四阶段：大突破时期（1993年至今）
1.3人工智能学科交叉与融合
1.4人工智能实现方法
1.4.1传统实现方法
1.4.2数据驱动方法
1.5人工智能主要研究内容
1.5.1计算智能
1.5.2感知智能
1.5.3认知智能
1.5.4行为智能
1.5.5群体智能
1.5.6混合智能
1.5.7情感智能
1.5.8类脑智能
1.5.9人工智能伦理与法律
1.6人工智能发展趋势
1.7本书主要学习内容
1.8本章小结
1.9习题
02人工智能的哲学观
2.0学习导言
2.1从哲学角度理解人工智能
2.1.1与人工智能有关的哲学概念
2.1.2与人工智能有关的主要哲学分支
2.1.3大历史观——智能进化
2.1.4人工智能的本质
2.2人工智能局限性的认识
2.2.1弱人工智能与人类心智的差距
2.2.2影响强人工智能实现的主要因素
2.3科幻影视作品中的人工智能
2.3.1早期科幻影视作品中的人工智能
2.3.2现代科幻影视作品中的人工智能
2.4本章小结
2.5习题
03脑科学基础
3.0学习导言
3.1大脑的初步认识
3.2脑神经系统
3.2.1脑神经组织
3.2.2神经元与信息传递
3.2.3大脑皮层
3.3脑的视觉与信息处理机制
3.3.1脑的视觉结构
3.3.2视觉皮层区域
3.4脑的记忆与信息处理机制
3.5脑的学习机制
3.6脑功能新发现
3.6.1大脑导航功能
3.6.2大脑孕周发育
3.7本章小结
3.8习题
04人工神经网络
4.0学习导言
4.1如何构建人工神经网络
4.1.1神经元模型
4.1.2感知器模型
4.2神经网络的训练—反向传播算法
4.3生成深度神经网络
4.3.1生成模型——受限玻尔兹曼机
4.3.2深度生成模型—深度置信网络
4.4卷积神经网络原理
4.4.1稀疏连接与全连接
4.4.2权值共享与特征提取
4.4.3卷积层
4.4.4池化层
4.4.5全连接层
4.4.6CNN算法
4.5循环神经网络
4.6长短时记忆网络
4.7本章小结
4.8习题
05机器学习
5.0学习导言
5.1机器学习能否实现机器智能
5.2机器学习的类型和应用
5.3监督学习与无监督学习
5.3.1支持向量机
5.3.2k-最近邻分类
5.3.3朴素贝叶斯分类器
5.3.4集成分类——Bagging算法、随机森林算法与Boosting算法
5.3.5k-均值聚类算法
5.4深度学习
5.4.1浅层学习与深度学习
5.4.2深度学习框架
5.4.3深度学习的应用——图像描述
5.5强化学习
5.5.1能够自适应学习的BRETT机器人
5.5.2强化学习的应用
5.6迁移学习
5.7机器创造
5.8本章小结
5.9习题
06感知智能
6.0学习导言
6.1数字图像处理技术
6.1.1灰度直方图校正
6.1.2图像的平滑处理
6.1.3图像的边缘检测
6.1.4图像的锐化
6.1.5图像的分割
6.1.6图像的特征提取与Haar算法
6.1.7图像分析
6.2计算机视觉与机器视觉
6.3模式识别与图像分类
6.3.1模式识别方法
6.3.2模式识别过程
6.3.3图像分类
6.4人脸识别
6.4.1人脸识别技术的发展
6.4.2人脸识别系统及其实现方法
6.5深度学习在目标检测与识别中的应用
6.6无人驾驶汽车的环境感知
6.7本章小结
6.8习题
07认知智能
7.0学习导言
7.1逻辑推理
7.1.1命题与推理
7.1.2推理的类型
7.1.3模糊推理
7.2知识表示
7.2.1谓词逻辑表示法
7.2.2语义网络表示法
7.3搜索技术
7.3.1盲目搜索
7.3.2启发式搜索
7.3.3蒙特卡罗树搜索算法
7.4知识图谱
7.4.1知识图谱与认知智能
7.4.2知识图谱基本技术
7.4.3知识图谱架构
7.5认知计算
7.6本章小结
7.7习题
08语言智能
8.0学习导言
8.1语言与认知
8.2自然语言处理
8.2.1自然语言理解的源起
8.2.2自然语言处理的功能应用
8.2.3自然语言处理技术
8.3智能问答系统
8.4聊天机器人
8.4.1聊天机器人的分类
8.4.2聊天机器人的自然语言理解
8.5语音识别
8.5.1语音识别系统
8.5.2语音识别的过程
8.6机器翻译
8.6.1机器翻译原理与过程
8.6.2通用翻译模型
8.7本章小结
8.8习题
09机器人
9.0学习导言
9.1机器人与行为智能
9.1.1行为主义载体——机器人
9.1.2机器人的基本组成
9.1.3智能机器人
9.2工业机器人
9.3移动机器人
9.4无人飞行器
9.5水下机器人
9.6太空机器人
9.7人形机器人
9.8机器动物
9.9软体机器人
9.10微型机器人
9.11群体机器人
9.12认知发展机器人
9.13本章小结
9.14习题
10混合智能
10.0学习导言
10.1混合智能的基本形态与实现
10.2脑机接口
10.2.1脑机接口工作原理
10.2.2可探测识别的脑电波信号
10.2.3侵入式脑机接口
10.2.4非侵入式脑机接口
10.2.5脑机接口应用
10.3可穿戴混合智能
10.3.1可穿戴传感器与电子文身
10.3.2可穿戴神经刺激混合智能
10.4可植入混合智能
10.4.1电子识别芯片
10.4.2人造感觉神经
10.5外骨骼混合智能
10.6动物混合智能
10.7人体增强
10.8本章小结
10.9习题
11类脑计算
11.0学习导言
11.1类脑计算基础
11.1.1冯·诺依曼结构计算机的局限
11.1.2类脑计算机
11.1.3类脑计算研究内容与方法
11.2类脑计算基础
11.2.1神经形态计算
11.2.2神经形态类脑芯片
11.2.3神经形态类脑计算机
11.3基于忆阻器的类脑计算
11.3.1忆阻器原理
11.3.2忆阻器芯片
11.4人工大脑
11.4.1人工大脑的基本单元
11.4.2仿脑模型
11.4.3虚拟大脑
11.4.4深度学习脑功能模拟
11.5非神经形态智能芯片
11.6本章小结
11.7习题
12人工智能伦理与法律
12.0学习导言
12.1电车难题引发的人工智能道德困境
12.2人工智能技术引发的社会问题
12.3人工智能伦理的定义
12.4弱人工智能伦理与强人工智能伦理
12.4.1弱人工智能伦理问题
12.4.2强人工智能伦理问题
12.5机器人伦理问题与基本原则
12.5.1机器人伦理问题
12.5.2机器人伦理的基本原则
12.6军事人工智能伦理问题
12.7人工智能伦理规范
12.8人工智能法律问题
12.8.1人工智能引发的法律问题
12.8.2人工智能的法律主体和法律人格问题
12.9本章小结
12.10习题
参考文献