计算机技术与人工智能基础赵学军答案,《人工智能技术及应用》习题及参考答案docx 人工智能技术及应用答案14

计算机技术与人工智能基础赵学军答案,《人工智能技术及应用》习题及参考答案docx

一、名词解释

弱人工智能

弱人工智能是擅长于单个方面的人工智能。比如有能战胜彖棋世界冠军的人工智能，但是它只会下彖棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。

强人工智能

强人工智能系统包括了学习、语言、认知、推理、创造和计划，目标是使人工智能在非监督学习情况下处理前所未见的细节，并同时与人类开展交互式学习。强人工智能目标：会自己思考的电脑。

感知智能

感知智能，即视觉、听觉、触觉等感知能力，当下十分热门的语音识别、语音合成、图像识别。

认知智能

认知智能则为理解、解释的能力。

计算智能

计算智能即快速计算、记忆和储存能力

符号主义

符号主义，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理

联结主义

联结主义，又称为仿生学派或生理学派，其原理主要为神经网络及神经网络间的连接机制与学习算法

&行为主义

行为主义，又称进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。

二、选择题

1、根据机器智能水平由低到高，(A)是正确的是。

计算智能、感知智能、认知智能B.计算智能、感应智能、认知智能

C.机器智能、感知智能、认知智能D.机器智能、感应智能、认知智能

2、三大流派的演化正确的是(C)。

A.符号主义?>知识表示?>机器人B.联结主义?>控制论->深度学习

C.行为主义?>控制论->机器人D.符号主义?>神经网络->

人工智能原理、技术及应用——安俊秀 叶剑 陈宏松 等编著

第1章人工智能概述11.1人工智能的起源与定义11.1.1人工智能的起源11.1.2人工智能的定义41.1.3人工智能的分类及特征41.2人工智能的流派61.2.1符号主义71.2.2连接主义81.2.3行为主义91.3人工智能的技术构成91.3.1基础设施101.3.2基础技术101.3.3AI要素101.3.4AI技术101.3.5AI应用111.4人工智能的进展与发展趋势111.4.1知识表示111.4.2知识获取121.4.3知识应用161.5人工智能的应用领域191.5.1AI在农业方面的应用191.5.2AI在工业方面的应用201.5.3AI在商业方面的应用211.5.4AI在医疗方面的应用211.5.5AI在教育方面的应用221.6本章习题24第2章人工智能与大数据、云计算252.1大数据—AI发展的能量源252.1.1大数据简介252.1.2大数据的特征262.1.3大数据技术生态圈272.2云计算—AI发展的发动机282.2.1云计算简介282.2.2云计算的基础架构292.2.3云计算的特点302.3人工智能、大数据与云计算的关系312.3.1大数据与云计算的关系312.3.2人工智能=云计算+大数据322.4本章习题33第3章人工智能的技术基础343.1知识表示和图谱343.1.1知识与知识表示的概念343.1.2知识表示方法353.1.3知识图谱的概念373.1.4本体知识表示、万维网知识表示383.2知识图谱的现状及发展403.3自动推理443.4专家系统453.4.1专家系统的概念及特点453.4.2专家系统的结构及类型453.4.3专家系统工具与环境463.5群智能算法463.5.1群智能算法的发展历程463.5.2遗传算法483.5.3粒子群算法493.5.4蚁群算法503.6搜索技术513.6.1搜索的概念513.6.2搜索算法523.7本章习题54第4章知识发现与数据挖掘554.1知识发现概述554.1.1知识发现的对象564.1.2知识发现的任务574.1.3知识发现方法574.1.4知识发现的应用领域594.2数据挖掘概述594.2.1数据挖掘技术的产生及定义604.2.2数据挖掘的功能604.2.3常用的数据挖掘方法614.3大数据处理概述654.3.1分布式数据基础设施平台Hadoop及其生态系统664.3.2分布式计算框架Spark及其生态系统704.3.3低延迟流式处理大数据框架—Storm774.3.4大数据挖掘与分析804.4数据挖掘应用实践824.4.1学生考试成绩预测824.4.2基于用户手机使用行为进行风险识别854.5本章习题88第5章机器学习895.1机器学习简介895.1.1机器学习的发展历程895.1.2机器学习的概念及地位905.1.3机器学习的范畴925.2机器学习的分类935.2.1监督学习935.2.2无监督学习945.2.3弱监督学习945.3经典的机器学习算法975.3.1分类算法985.3.2k均值聚类算法1045.3.3Apriori关联规则算法1065.3.4迁移学习1085.4机器学习应用实践1125.4.1使用决策树模型进行列车空调故障预测1125.4.2采用多种算法实现校园用户识别1155.5本章习题120第6章深度学习1216.1深度学习简介1216.1.1什么是深度学习1216.1.2深度学习的前世今生1236.1.3深度学习开发框架1256.2卷积神经网络1296.2.1卷积神经网络的提出1296.2.2卷积神经网络结构1306.2.3经典卷积模型1326.3循环神经网络1376.3.1RNN基本原理1376.3.2RNN的基本结构1386.3.3RNN的高级形式1396.3.4RNN的训练1426.4深度学习应用实践1446.4.1用GoogLeNet训练识别花卉1446.4.2图像着色1486.4.3风格迁移1486.4.4图片识别1496.5本章习题149第7章强化学习1507.1强化学习简介1507.1.1什么是强化学习1507.1.2强化学习的应用1527.2基于值函数的强化学习方法1537.2.1蒙特卡罗法1547.2.2时间差分法1557.2.3值函数逼近法1567.3基于直接策略搜索的强化学习方法1577.3.1策略梯度法1587.3.2置信域策略优化法1607.3.3确定性策略梯度法1607.4DQN算法模型1617.5强化学习前沿研究1627.5.1逆向强化学习1627.5.2深度强化学习1637.5.3分层强化学习1647.5.4价值迭代网络1647.5.5AlphaGo的原理1657.6强化学习应用实践1677.7本章习题169第8章自然语言处理1708.1自然语言处理概述1708.1.1自然语言处理的概念1708.1.2自然语言处理的层次1718.1.3NLP的判别标准1728.2自然语言处理的发展与应用1738.2.1自然语言处理的发展历程1738.2.2自然语言处理的应用1758.3自然语言处理技术分类1788.3.1NLP基础技术1788.3.2NLP应用技术1808.4语音处理1828.4.1语音处理概述1838.4.2语音处理发展状况1838.4.3语音处理的主要分支1848.4.4语音处理的其他分支1848.5自然语言处理应用实践1858.6本章习题187第9章机器视觉1889.1图像表达与性质1889.1.1图像表达的若干概念1889.1.2图像数字化1899.1.3数字图像性质1909.1.4彩色图像1919.2图像预处理1939.2.1图像相关的数学及物理知识1939.2.2图像分析的数据结构1959.2.3像素亮度变换1979.2.4几何变换1979.2.5局部预处理1979.2.6图像复原1989.2.7图像分割1989.3形状表示与物体识别2009.3.1区域标识2019.3.2基于轮廓的形状表示与描述2019.3.3基于区域的形状表示与描述2029.3.4识别中的优化技术2039.3.5模糊系统2059.3.6随机森林2069.4图像理解2079.4.1图像理解控制策略2089.4.2尺度不变特征转换2089.4.3点分布模型与活动表观模型2109.4.4图像理解中的模式识别方法2109.4.5语义图像分割和理解2129.53D图像2149.5.13D视觉的概念2149.5.2射影几何学基础2159.5.3单透视摄像机2169.5.4从多视图重建场景2169.5.5双摄像机和立体感知2179.5.6三摄像机和三视张量2189.5.73D视觉的应用2189.6机器视觉的应用及面临的问题2199.7机器视觉应用实践2209.8本章习题222第10章机器人22310.1机器人简介22310.1.1机器人的发展历史22310.1.2机器人的分类22710.1.3机器人的特点22910.1.4机器人的研究领域及相关技术22910.2机器人系统23210.2.1机器人系统的组成23210.2.2机器人操作系统（ROS）23310.2.3机器人的工作空间23410.2.4机器人的性能指标23510.3机器人的编程模式与编程语言23610.3.1机器人编程语言23610.3.2机器人的编程模式23810.4机器人的应用与展望23910.4.1机器人应用23910.4.2机器人的发展展望24410.5本章习题246附录东方国信图灵引擎平台使用说明247参考文献251