2017年人工智能十大事件 AI首次写入政府工作报告
2017年人工智能在国内获得快速发展，国家相继出台一系列支持人工智能发展的政策，各大科技企业也争相宣布其人工智能发展战略，资本更是对这一新兴领域极为倾心。作为新一轮产业变革的核心驱动力，中国的人工智能发展正在进入新阶段，而且中国有望成为引领全球人工智能发展的重要引擎。
“人工智能”首次写入政府工作报告
事件：3月5日，国务院总理李克强发表2017年政府工作报告，指出要加快培育壮大包括人工智能在内的新兴产业，“人工智能”也首次被写入了全国政府工作报告。在业界看来这意味着人工智能已上升为国家战略。
点评：作为新一轮科技革命的重要代表之一，人工智能正由科技研发走向行业应用，成为全球经济发展的新动力。目前全球人工智能技术发展应用几乎处于同一起跑线，发达国家的领先优势并不突出，我国及时提出要大力发展人工智能，将其上升为国家战略，体现出国家对新兴科技的重视和发展决心。中国人工智能将迎来更好的发展环境，也将面临更多的发展机遇。
2017人机大战AlphaGo再胜人类
事件：5月27日，人工智能系统AlphaGoMaster与人类世界实时排名第一的棋手柯洁展开围棋人机对决，最终连胜三盘。随后，AlphaGo之父DemisHassabis宣布，乌镇围棋峰会将是AlphaGo参加的最后一场赛事，这也意味着AlphaGo将从棋坛“退役”。
点评：人机围棋大战只是人工智能技术深度应用的一个缩影，它充分展现了人工智能技术的神奇魅力。AlphaGo的胜出表明人工智能技术在飞速发展并日臻完善，先进的计算机算法在很多时候和人类经验相比更具优势。今后，人工智能技术将被应用于更多的领域，从而为人类打开未来世界的大门。
BAT等科技巨头布局人工智能
事件：2017年国内以BAT为首的科技企业争相发布各自的人工智能发展战略：6月，腾讯宣布向外开放在计算机视觉、智能语音识别、自然语言处理等领域的人工智能技术，正式进军AI；7月，百度推出DuerOS和Apollo两个开放平台，向外界宣示AllinAI的决心，称百度是一家“人工智能公司”；10月，阿里宣布成立达摩院，三年将投资1000亿，研究领域涉及量子计算和机器学习等。
点评：人工智能是下一轮科技及经济发展的大方向，也是决定中国企业未来发展前景的关键。BAT等中国科技企业不惜工本，大力投资布局人工智能领域，正是看到了人工智能技术所蕴含的重要意义，以及未来的广阔商机。对企业来说，布局人工智能，就是布局未来。而在企业的全力推动下，人工智能技术未来会加速渗透到产业的方方面面，给商业社会带来深刻变革。
智能音箱市场上演“百箱大战”
事件：在人工智能概念火热的今天，智能音箱被视为智能家居入口和家庭人工智能交互的切入点，引发了全球科技企业的争相布局。阿里、百度、京东、小米等中国企业纷纷涉水智能音箱市场，7月4日京东的第6款智能音箱上线，第二天阿里就推出“天猫精灵”，7月26日小米推出其首款人工智能音箱“小米AI音箱”……
点评：诸多科技企业之所以倾力研发智能音箱，是因为智能音箱被认为是智能家居的控制中心。在专家看来，语音是未来人机交互最好最方便的形式，而智能音箱就是最佳的入口。智能音箱已经从早期的小众圈子进入大众市场。这不仅归功于语音识别技术优势，更根本的原因是越来越多的第三方应用使其可为普通家庭带来实用价值。
百度无人驾驶汽车上北京五环路
事件：在7月5日的2017百度AI开发者大会上，百度创始人李彦宏通过视频直播展示了一段自己乘坐公司研发的无人驾驶汽车的情景。视频中，李彦宏坐在一辆红色汽车的副驾驶座位上，称自己刚刚上五环，正在前往会场的路上，“车处在自动驾驶的状态”，整段视频长约1分钟。
点评：在人工智能技术的驱动下，无人驾驶正在一步步成为现实。百度无人驾驶汽车驶上城市道路进行测试，使大家切身感受到无人驾驶时代正渐行渐近。目前无人驾驶已成为当前全球汽车产业和互联网企业争相布局的“风口”，中国作为汽车消费大国，未来将具有更多发展机遇。不过，专家认为，人工智能的发展超乎想象，实现完全自主的无人驾驶是一个令人兴奋却又望而生畏的艰难挑战，要让无人车能够进入寻常百姓家还有诸多待解难题。
国务院出台《新一代人工智能发展规划》
事件：7月20日，国务院出台《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。《规划》确定了中国人工智能产业三步走的战略目标，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
点评：《新一代人工智能发展规划》明确了我国人工智能发展的战略目标，产业发展有望进入高速发展期。《规划》不仅在战略目标、理论技术发展、产业经济发展、人才培养、法律体系等方面对我国人工智能发展进行了战略布局，还提出要统筹引导财政资金、政府投资基金、社会资本等资金对人工智能企业、项目进行大力支持。随着国家持续加大人工智能领域“资金、人才、技术”等投入，人工智能政策红利有望持续释放，各项技术和应用将快速发展。
人工智能产业深受资本青睐
事件：2017年以来人工智能深受资本青睐：7月，商汤科技获4.1亿美元B轮融资，成为全球人工智能领域单轮融资最高的公司，此轮融资后公司估值约15亿美元；8月，寒武纪科技完成1亿美元A轮融资，成为全球AI芯片领域第一个独角兽初创公司；12月，图麟科技宣布完成A轮2.5亿元人民币融资。
点评：2017年人工智能领域投融资维持较高热度，一大批明星企业和项目相继获得大额融资。在大公司和传统大型企业之外，人工智能产业集中着非常多的优秀创业公司。优秀的人工智能创业公司有着成熟的团队配置、先进的技术能力、健康的现金流等，同时受资本方的认可度较高。业界预测，人工智能作为最具前景的产业，将成为新的独角兽集中地。
国家公布人工智能四大平台
事件：11月15日，中国新一代人工智能发展规划暨重大科技项目启动会在京召开，公布了第一批国家人工智能开放创新平台：依托百度建设自动驾驶国家新一代人工智能开放创新平台；依托阿里云建设城市大脑国家新一代人工智能开放创新平台；依托腾讯建设医疗影像国家新一代人工智能开放创新平台；依托科大讯飞建设智能语音国家新一代人工智能开放创新平台。
点评：这次会议的召开标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。此次公布人工智能平台，是国家从7月发布《新一代人工智能发展规划》以来对人工智能产业发展的实质性推动举措，进一步明确了人工智能技术在产业升级中的颠覆性潜力。
人工智能产品集中亮相世界互联网大会
事件：在今年的世界互联网大会上，人工智能成为最热门的关键词，几乎每一个与会嘉宾都会提到。12月3日举行的“世界互联网领先科技成果发布活动”上，包括微软小冰、滴滴大脑、阿里巴巴ET大脑、腾讯觅影等在内的多项新技术被推荐为本届世界互联网大会领先科技成果，人工智能成为最突出的亮点。
点评：不少参会的业内人士认为，在算法优化、网络基础设施进一步改善等有利条件助推下，人工智能将迎来第三次爆发。目前雨后春笋般涌现的智能产品只是智能时代的一部分。随着人工智能与制造业加速融合，更多人工智能产品将会服务各行各业。
人工智能三年行动计划发布
事件：12月13日，工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》（以下简称《计划》），明确了人工智能2018-2020年在推动战略性新兴产业总体突破、推进供给侧结构性改革、振兴实体经济、建设制造强国和网络强国方面的重大作用和具体目标。
点评：《计划》从培育智能产品、突破核心技术、深化发展智能制造、构建支撑体系和保障措施等方面详细规划了人工智能在未来三年的重点发展方向和目标，每个方向到2020年的目标都做了非常细致的量化，足以看出国家对人工智能产业化的重视。未来三年，人工智能技术会加速落地和产业化。
人工智能方案设计——基于事件图谱的类案同判
重点说明，此篇人工智能方案设计已获奖，如要转载，必须说明出处，谢谢合作。基于事件图谱的类案同判
项目简介：意义：
现今，针对现有的案多法官少的情况，我们采用基于事件图谱的类案同判以期望给法官提供辅助量刑或判案的方案。同时也为司法与人工智能相结合奠定了基础。如何做：
数据爬取：通过python的scrapy框架从中国裁判文书网爬取想要的文章。数据处理：根据案由为顶点，其中相关元素为有向关系边，来处理数据。构建：从知识库中找出案由，从事件及其要素，事件类及其要素，多种事件类关系，事件本体，事理图谱，等各个方面，构建我们的事件图谱。目的：
1. 目标是通过构建类案同判系统，辅助法官对同类的案件，进行量刑或者是判决。
二、背景及意义
现如今，人工智能已经不再是天方夜谭，工厂生产、医学治疗、以及军事战斗方面，人工智能都扮演着重要的角色。甚至部分法院尝试开发了人工智能办案系统，在公检法共享办案平台上初步实现了证据标准和证据规则统一、单一证据合法性校验、证据链逻辑性判断和比对、类案推送、量刑参考和文书自动生成等方面的智能化。
目前，随着立案登记制的改革，案件数量大幅度提升，“案多人少”矛盾突出。以2015年和2016年为例，全国各级法院审结一审刑事案件分别为109.9万件和111.6万件，比上年增加了7.5%和1.5%，基层法院刑事法官人均年结案数量为200件以上，如此庞大的工作量使法官精力难以持续为继，导致入额法官不断流失。法院现有的审判体系、审判能力、司法服务能力已经难以与之适应，迫切需要进一步提升人民法院信息化水平，深化司法公开力度，促进审判流程再造，破解人民法院“案多人少”难题。当前的类案推送系统以知识图谱、自然语言处理技术为支撑，结合技术服务商的人工建模和标注，能够实现一定程度的自动推送或自主检索，但也存在类案推送“有效性”“全面性”“有序性”不足的三重现实困境。而为了更好地辅助法官判案，我们构建了基于事件图谱的类案同判的方案。
传统的审判流程管理系统，基本实现了审判工作的程序化管理、时限管理及规范化管理；而在审判实体（卷宗）的管理方式和手段上，缺少对法官的有效办案辅助支持。比如针对一个案件，它属于某一大类，但是在被告人作案之后其可能会有不可预知的行为，而且被告人的自身条件也会给其法律上的判刑造成影响。但是如果我们对被告人作案后的一些可能发生的一系列事件作出预先的分类总结，再有与分类总结后的类似情况的案件发生时，我们就可把它们归并到一起，提高了法官判案的准确率与效率。而且人民群众朴素的正义观认为，他的案件的情况和我的案件的情况相同，那法官判定的结果也必然是相同的。近年来的舆论热点案件中，大多出现了公众通过自发对比类案来表达观点和情绪的现象。因此，类案不同判，当事人很难息诉服判；类案同判，则可以提高司法公信力、使人民群众获得更多公正感受。 这也是我们构建基于图谱的类案同判事件的原因。虽然人工智能具有防范冤假错案、提高司法效率、预防司法腐败的显著客观作用和价值，但对人工智能需有清醒认识，它不可能取代或代替法官办案，人工智能在法院的定位只能也必须是法官办案辅助工具，所以我们应合理运用它以达到事半功倍的作用，为人民群众谋福祉。
三、相关概念及工作
类案同判是指法官正在审理的案件，应当与其所在法院和上一级法院已经审结的或者其他具有指导意义的同类案件裁判尺度一致。类案同判的核心是“类”，即：两个案件如何才能被视为是同类案件，应当以什么样的标准来判断。建立类案标准，不能脱离类案同判的目的，否则类案标准将无法真正实现该司法政策的价值目标。
类案同判的目的由表及里可以分为三个层次，第一层目的是实现法律的统一适用。类案同判是案例指导制度在具体和微观层面的体现，类案同判应与公报案例、指导性案例、典型案例等不同层次的案例互相配合、共同发挥案例指导的积极作用；第二层目的是体现完善司法责任制的要求，司法责任制改革对法官审理案件过程中的监督机制进行了深入探索，一方面要求“让审理者裁判”，为此取消了与司法规律不符的案件签发模式；另一方面要求“由裁判者负责”，由此需要建立起新的更符合司法规律监督机制，类案同判即发挥了此作用。可以说，类案同判承载着审理监督管理机制改革的厚望；第三层目的是让人民群众在每个司法案件中感受到公平正义。
知识图谱(KnowledgeGraph)又称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，如表1。
通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示科学的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。为学科研究提供切实的、有价值的参考。
表1不同的知识组织形式比较
如今市场上已有的产品，如南京通达海信息技术有限公司，此公司采用的是智慧审判来对案件进行推荐，解决的是简单案件文书自动生成问题，但是局限于简单的文书，比如道路交通、信用卡纠纷、小额金融借款等简单案件，自动提取案件要素信息，归纳争议焦点，形成庭审提纲，自动生成法律文书。而自动提取案件要素信息需要采取众多技术，包括需要利用词义近似算法来计算某些要素之间的相似性。目前计算词语之间的相似性，最简单的词向量方式是one-hot方式。但这种词表示有两个缺点：(1)容易产生维数灾难，尤其是作为深度学习算法的输入时，算法性能受到严重影响；(2)存在“词汇鸿沟”现象，也就是说不能很好地刻画词与词之间的相似性。除此之外还有无讼，无讼公司的中文是世界高效、易用、智能的案例检索工具,通过自有的关键词系统提供精准、快速、全面的案例搜索体验;无讼名片-将律师与案例数据关联匹配,呈现律师与案件的融合度。所谓案例检索，是指当法官对系统自动推送的案例不满意时，自主选取系统中事先罗列出的法律标签，并且在此基础上输入关键词，通过这一整套的菜单式标签选取与自主搜索，在数据库中比对类似标签，最终获取类案。
那么这种系统呢，法律推荐系统在司法实践中并未受到普遍欢迎，许多地方或者法院都没有建立法律系统或者没有使用这种系统，这是为什么呢？原因是推送的案件不符合法官要求，对于复杂案件的推送准确性不够，而对于简单的案件推送往往并非基层法官的痛点所在，由此降低了法官的用户体验。主要原因，大部分公司所做的系统还是基于规则化，关键字匹配，这往往很难达到预期的效果了。
四、要做的相关内容
我们所做的是以事件为核心。需要进行以下三部分的主要工作，一是事件抽取，二是构建事件图谱知识库，三是基于事件图谱知识库，根据案件情况，给出量刑辅助结果。以下，我们以盗窃案由为例。
事件抽取在事件抽取过程中，我们首先要判断裁判文书中的事件进行识别，然后再抽取事件的对象，动作，时间，地点，涉案物品，量刑结果以及事件的关系等信息。
比如说一个人他入室盗窃了，其中盗窃是案由，接下来我需要对其展开一系列案件事件基本元素进行抽取。这个人可能包括以下几种关系：1、携带凶器盗窃，2、可能未携带凶器盗窃，并且二者中3、是否伤人,4、伤人过后程度达到如何，5、并且是否成功逃跑，6、是否自首，7然后根据年龄，盗窃金额，受害人的损失程度，8、嫌疑人自身状况来进行量刑。
而且作案人所盗取的金额在不同的范围中所判的审判结果也是不同的。盗窃公私财物价值2000元以上不满2万元，入户盗窃财物价值1000元以上不满1万元，或者扒窃公私财物价值800元以上不满8000元，为“数额较大”，盗窃公私财物价值2万元以上不满10万元，入户盗窃财物价值1万元以上不满5万元，或者扒窃财物价值8000元以上不满4万元，为“数额巨大”，盗窃公私财物价值10万元以上的，入户盗窃财物价值5万元以上，或者扒窃财物价值4万元以上的，为“数额特别巨大”。我们通过抽取案件中的具体财务价值根据这个范围来对作案人员进行审判，但是作案人的年龄以及个人身体情况又将影响审判结果，假如作案人未成年，或者其有精神方面的疾病，都将影响最终的审判结果。还有如果其主动自首，或者是被捕后行为表现良好也将影响最终的审判结果。我们就需要把这些可能发生的不同情况进行归纳总结，比如盗窃后作案人逃跑之后被捕无伤人事件发生这归为一类，盗窃后作案人主动自首，这又是一类情况，等等。进行类别的归纳整理。最后分类归纳入库。
构建事件图谱知识库事件图谱知识库是一种有向的格结构形式，其中，以事件类作为格结构中的节点，事件类与事件类之间的关系作为边，并带有一定的权重，表示两事件类之间发生的概率。
根据案由为顶点，其中相关元素为有向关系边，凶器，伤人，伤人程度，盗窃金额，成功逃跑，自首，最后量刑，归纳进库。
两个相关实例，第一：某年某月某日，张三，携带凶器入室盗窃，并且使害人重度昏迷，盗取金额5万元以上，并且无自首情节，年龄满足18岁以上，精神状况良好。
这时候我可以进行知识图谱搜索，先找案由为盗窃，其次，携凶器，伤人，盗取金额5万以上，无自首情节，精神状况良好，进行多重以事件为核心的基本元素进行匹配。
判断量刑结果以事件图谱知识库作为背景知识，对某个具体的案件，首先进行案由类型的判断，如果属于知识库中的某个案由，则可以进行后续的量刑结果判断，否则，不能处理。在量刑结果判断过程中，首先对案件进行分析，识别案件中的一些事件、事件要素以及事件关系，针对某一个具体的案件，可以构成一个以事件为节点，关系为边的网络结构，然后再与事件图谱进行匹配，并最终给出该案件的量刑解雇。
某年某月某日，李四，未携带凶器，入室盗窃，盗取金额10万元以上，年龄未满18岁，且有精神疾病。同样我们可以进行知识图谱的搜索，案由盗窃，盗窃下面的类别为未携带凶器未伤人，并且为满18岁，其次有精神疾病。这时候进行多重基本元素匹配。
匹配成功率达到80%以上可进行推荐，这样以事件为核心的多重基本元素的匹配，以保证类案同判的准确度。
五、可行性分析
事件抽取可行性分析对于事件抽取，我们需要用到信息抽取，而信息抽取需要用到模式匹配，和机器学习的技术。而这几个技术现在市场基本已经成熟，事件抽取作为信息抽取领域重要的研究方向,其将事件作为信息表示的基本单元和组织手段,把含有事件信息的非结构化文本以结构化或者半结构化的形式从不同的信息源中抽取并以呈不同层次和粒度现出来，分别使用Winnow算法和SVM模型进行了训练，实体关系抽取F值都达到了73%。并且以机器学习的技术来辅助抽取信息，从而达到抽取的准确率更加精准。模式匹配方法仍然是事件信息抽取的主流，其中RomanYangarber，用正则表达式描述抽取模式，实现了事件信息抽取系统ExDisco是模式匹配的典范之一。
图1、事件类归纳方式
构建事件图谱知识库可行性分析
以人工或者人工智能的方式来对事件类进行一个归纳，如图1所示，大致流程如下，比如以盗窃为列来说，首先需要判断案由，也就是把案件的由来进行一个大类。盗窃又可分为，入室盗窃，而入室盗窃又可分为以下几类，携带凶器未伤害受害人，携带凶器使被害人受到伤害。其次是扒窃，拎包盗窃，并且盗窃案。并且对受害人做出的相应的惩罚，会根据受害人的年龄，犯罪的程度，有无精神疾病，盗窃金额的大小，做出相应的量刑，最终把案件类别归纳总结进入知识库。
判断量刑结果可行性分析如何对案类进行推荐，对知识库进行比较。从知识库中找出案由，从事件及其要素，事件类及其要素，多种事件类关系，事件类链接强度，事件本体，事理图谱，知识库等各个方面，来对案件进行匹配搜素。
六、系统方案设计
总体系统结构：
图2、总体系统结构图
2.系统功能设计：
3、系统功能图
进入知识图谱类案同判系统，下方导航条有七个版块：a、首页、b、上传文档、c、文档信息抽取，d、文档类别归类e、实时计算相似度，f、输出相似度高达80%以上案件，g个人信息页面。在我页面，用户登录后，可以修改头像、添加联系人、修改个人信息。
3.注册/登录
用例名称
注册用例
前提条件
APP可以正常使用
基本路径
用户点击我页面里的请先登录/注册链接
用户可以使用短信、QQ、微信进行登录
后置条件
系统保存用户注册信息
4、登录注册图
4.入库功能设计：
具体实现分为三大类如图5所示：
5、入库功能图、
分类概念模型设计：
以案件性质为参数，构建分类库，如图6所示：
6、分类概念模型
6.案件匹配输出功能设计：
以当前案件作为细节输入案件，提取案由，分析案件性质为参数，自动匹配，找相似度高达百分之八十以上进行推荐，结果产出：条件相似结果历史案件（实时计算相似度）。如图7所示：
7、输出结果图
知识图谱的架构(如图8)：逻辑架构和技术架构，逻辑架构需要数据和模式，数据层面是有案由和案由关系事件类，事件元素分支所组成，根据知识获取的逻辑包括：信息抽取，知识分类，归纳入库。知识抽取所包含的技术包括：实体关系和属性抽取。
8、图谱的架构
关系抽取所包含的技术（如图9）：
人工构造语法和语义规则（模式匹配）
统计机器学习方法
基于特征向量或核函数的有监督学习方法
研究重点转向半监督和无监督
开始研究面向开放域的信息抽取方法
将面向开放域的信息抽取方法和面向封闭领域的传统方法结合
9、抽取技术图
8.系统整体方案
半结构化文书和结构化文书的构建，由半结构化文书和非半结构化文书和事件的关系，对事件进行抽取，抽取的流程有，事件的识别，要素抽取，关系抽取，然后是对事件类进行归纳总结，对事件类进行抽取，事件类属性抽取，关系抽取，其次对事件本体/事件图谱的构建根据法律文献以及规则库，最后搜索匹配案由与事件之间的关系，最终量刑入库。总体方案流程图：如图10。
图10、总体方案流程
功能演示：
首页
我的页面
案件相似度
个人信息页面
七、总结展望
随着科技的飞速发展，人工智能在未来也必将越来越成熟，所涉及的领域也必将越来越广，技术也必将越来越完善。虽然现阶段我们还没有足够的能力来完全实现它，但是我们相信我们所构建的基于事件图谱的案例同判方案在未来也必将得到不断完善，而我们也会积极努力地去总结前辈们的经验和方法，努力将其实现。同时我们相信，在未来的法律案件判决中，它也将充分发挥它的作用，造福人民，造福社会。
人工智能导论期末复习题
文章目录@[toc]期末复习题一一、选择题二、填空题三、判断题四、简答题期末复习题二一、选择题二、填空题三、判断题四、简答题期末复习题一一、选择题1.【多选题】在卷积神经网络中，常用的池化方法有（ABC）A.最大池化法B.平均池化法C.概率池化法D.最小池化法
2.【单选题】本原问题所对应的节点称为（B）A.端节点B.终叶节点C.子节点D.父节点
3.【单选题】支持向量机算法属于（B）A.决策树学习B.统计学习C.集成学习D.记忆学习
4.【单选题】Teacher(father(Zhan))的个体是（C）A.常量B.变量C.函数D.谓词
5.【多选题】BP网络的优点是（ABC）A.很好的逼近特性
B.具有较强的泛化能力
C.具有较好的容错性
D.收敛效率高
6.【单选题】当P为F，Q为F，R为T时，（P∨Q）↔R的真值是（B）
A.TB.FC.不确定
7.【单选题】是（B）A.结合律B.连接词化归律
C.分配律D.德•摩根律
8.【多选题】思维方式有（ACD）A.抽象思维
B.逆向思维C.形象思维
D.灵感思维
9.【单选题】在有序搜索中，如果节点x在希望树中，若x是（C），则其所有子节点都在希望树中。A.终叶节点B.端节点C.与节点D.或节点
10.【单选题】基于状态空间的搜索算法是（A）A.A*算法B.与或树搜索C.极大极小分析法D.α-β剪枝技术
11.【单选题】神经网络是（B）学派的成果
A.符号学派B.联接学派C.行为学派D.统计学派
12.【多选题】2006年，深度学习元年，深度学习之父Hinton提出了哪些观点：（ABCD）A.多层人工神经网络模型可以有很强的特征学习能力。B.深度学习模型对原始数据有更本质的表达。C.深度神经网络可以采用逐层训练方法进行优化。D.训练时可以将上层训练好的结果作为下层训练过程中的初始化参数。
13.【多选题】机器学习包括（ABC）A.监督学习B.强化学习C.非监督学习D.群体学习
14.【单选题】极大极小分析法中，用于极大极小分析法中计算各节点分数的是（A）A.估价函数
B.代价函数C.启发式函数D.价值函数
15.【单选题】如果问题存在最优解，则下面几种搜索算法中，（D）可以认为是“智能程度相对比较高”的算法。A.深度优先搜索
B.宽度优先搜索
C.有界深度优先搜索
D.启发式搜索
16.【单选题】置换是一个形如{t1/x1,t2/x2,…,tn/xn}的有限集合：xi可以是（B）A.常量B.变元
C.函数D.谓词
17.【单选题】消去存在量词时，当（B）时，用skolem函数
A.存在量词未出现在全称量词的辖域内时
B.存在量词出现在全称量词的辖域内时
C.以上情况都需要D.以上情况都不需要
18.【单选题】产生式规则的形式化描述遵循（A）A.巴科斯范式
B.前置范式C.斯科林范式D.合取范式
19.【多选题】不确定性推理，包括（ABCD）A.主观Bayes推理
B.证据理论
C.模糊推理
D.概率推理
20.【多选题】槽值可以是（ABCD）A.数值、字符串
B.布尔值或是动作
C.过程
D.框架名
二、填空题1.框架A的某个槽值是另一个框架B时，则称框架A与框架B之间具有横向联系
2.P(y)
3.产生式系统的推理方式有正向推理，反向推理与混合推理
4.当P与Q为F，R为T时，（P∨Q）→R的真值是T
5.人工智能的终极目标是探讨智能形成的基本机理,研究利用自动机模拟人的思维过程
6.中文屋子实验是为了证明即使通过图灵测试也不能说明计算机能思维
7.卷积核与特征图之间是一一对应关系，即一个输入图如果有六个卷积核心，就应该产生六个特征图
8.从问题的初始状态集，经过一系统列的算符运算，到达目标状态，所经过算符的序列叫问题的解
9.设有如图4-26的与/或/树，请分别按和代价法及最大代价法求解树的代价
和代价是21
最大代价是10
10.从Open表的所有节点中选择一个估价函数值最小的进行扩展的A算法叫全局择优
三、判断题1.（F）将一个复杂的问题分解为几个子问题的过程称为分解。可用或树表示，将一个复杂的问题变换成若干个等价的问题的过程称为等价变换。可用与树表示
2.（T）Boosting方法和Bagging方法都属于集成方法，但是产生训练样本的方式不同
3.（F）任何文字的合取式称为子句。
4.（T）语义网的聚类关系与实例、分类、成员关系的主要区别是聚类关系一般不具备属性的继承性
5.（T）一定存在一个BP神经网络能够逼近给定的样本或者函数
6.（T）自然演绎推理与归结演绎推理属于确定性推理
7.（F）卷积神经网络中，对不同位置的特征进行聚合统计,称为池化(pooling)。池化不会丢失图像的信息，也不会降低其空间分辨率。
8.（F）“与或”树始终是站在双方的立场上得出来的
9.（T）如果已确定某个节点为可解节点，则其不可解的后继节点可以从搜索树中删除，如果确定某个节点是不可解节点，则其全部后继节点都可以从搜索树中删除。
10.（F）两个A*启发策略的h1和h2中，如果对搜索空间中的任一状态n都有h1(n)≤h2(n)，就称策略h1比h2具有更多的信息性
四、简答题1.卷积神经网络设有如下特征图，给定池化窗口为2*2，请分别用最大池化法和平均池化法求出池化后的输出特征图。
2.
S={P(x,f(x))∨¬Q(x,f(x))∨R(x,f(x))}
3.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论
4.有一农夫带一条狼，一只羊和一框青菜与从河的左岸乘船倒右岸，但受到下列条件的限制：
(1)船太小，农夫每次只能带一样东西过河；
(2)如果没有农夫看管，则狼要吃羊，羊要吃菜。
请设计一个过河方案，使得农夫、浪、羊都能不受损失的过河，画出相应的状态空间图
5.请简要解释BP学习算法的正向传播与反向传播的含义？
正向传播：输入信息由输入层传至隐层，最终在输出层输出。
反向传播：修改各层神经元的权值，使误差信号最小。
期末复习题二一、选择题1.【多选题】博弈树算法包括（CD）A.A*算法B.与或树搜索C.极大极小分析法D.α-β剪枝技术
2.【单选题】一阶谓词的个体不能是（D）A.常量B.变量C.函数D.谓词
3.【单选题】描述的是（B）
A.事实性知识B.规则性知识C.控制性知识D.元知识
4.【单选题】Teacher(father(Zhan))的个体是（C）A.常量B.变量C.函数D.谓词
5.【单选题】设P和Q是两个谓词公式，D是它们共同的个体域，若对于D上的任何一个解释P和Q都有相同的真值，则称P和Q在D上（D）A.永真B.永假C.不可满足D.等价
6.【单选题】视觉、听觉、触觉、嗅觉属于智能的什么能力（A）
A.感知能力B.记忆与思维能力C.学习能力D.行为能力
7.【单选题】认为智能取决于知识的积累量及一般化程度的理论是（B）
A.思维理论B.知识阈值理论C.进化理论D.控制理论
8.【单选题】研究机器人的“说”、“写”、“画画”属于人工智能的什么研究内容（D）
A.知识表示B.机器感知C.机器学习D.机器行为
9.【单选题】人工智能的目的是让机器能够（D），以实现某些脑力劳动的机械化。A.具有智能
B.和人一样工作
C.完全代替人的大脑
D.模拟、延伸和扩展人的智能
10.【单选题】人工智能中通常把（B）作为衡量机器智能的准则A.图灵机
B.图灵测试
C.中文屋思想实验
D.人类智能
11.【多选题】启发信息的作用可以分为（ABC）A.用于确定某些应该从搜索树中抛弃或修剪的节点
B.用于决定要生成哪一个或哪几个后继节点
C.用于决定应先扩展哪一个节点
D.用于决定节点的类型
12.【单选题】专家系统是（A）学派的成果
A.符号学派B.联接学派C.行为学派D.统计学派
13.【单选题】对于谓词公式，以下说法错误的是（C）A.上述公式中的所有y是自由变元。
B.P(x,y)中的x是约束变元。
C.R(x,y)中的x是约束变元。
D.Q(x,y)中的x是约束变元。
14.【单选题】（B）表示“每个人都有喜欢的人”。
15.【单选题】以下等价式错误的是（C）
16.【单选题】设个体域D={1,2}，求公式，设对个体常量b，函数f(x)指派的值分别为：b=1,f(1)=2,f(2)=1，对谓词P，Q：P(1)=F,P(2)=T,Q(1,1)=T,Q(2,1)=F，谓词的真值是（A）A.TB.FC.不能确定D.都不是
17.【单选题】决定人工神经网络性能的三大要素中没有（B）A.神经元的特性B.神经元个数C.神经元之间的连接形式，即拓扑结构D.学习规则
18.【单选题】卷积神经网中，如果特征图是32×32矩阵，池化窗口是4×4的矩阵，那么池化后的特征图是（C）的的矩阵
A.2×2
B.4×4
C.8×8
D.16×16
19.【单选题】卷积神经网中，如果输入图像是32×32矩阵，卷积核心是5×5的矩阵，步长为1，那么卷积操作后的特征图是（D）的矩阵A.34×34
B.32×32
C.30×30
D.28×28
20.【单选题】用极大极小分析法计算博弈树的倒推值，根点s的倒推值是多少（B）
A.2B.3C.4D.6
二、填空题1.按拓扑结构分，人工神经网络可以分为前馈网络和反馈网络
2.第一次提出“人工智能”，标志着人工智能学科诞生的会议是达特茅斯会议
3.当P与Q为F，R为T时，（P∨Q）→R的真值是T
4.在博弈树中，“或”节点和“与”节点逐层交替出现。自己一方扩展的节点为或节点，对方扩展的节点为与节点
5.连接词﹁，→,↔，∨，∧,的优先级别从低到高排列是↔，→，∨，∧,﹁
6.若P是原子谓词公式，则称P和～P为互补文字
7.，需要用g(y,z,v)替换的约束变元是w
8.卷积神经网络是BP神经网络的延伸与拓展
9.求与或树中解树的代价，如果是与节点，则求解方法有和代价法与最大代价法
10.博弈树是一棵与或树
三、判断题1.（F）知识具有不确定性与相对正确性，所以它不一定可以被表达与利用。
2.（T）希尔勒中文屋实验证明即使通过图灵测试也不能说明计算机能思维。
3.（T）产生式系统求解问题的过程是一个反复进行“匹配–冲突消解–执行”的过程
4.（T）一定存在一个BP神经网络能够逼近给定的样本或者函数
5.（F）“与或”树始终是站在双方的立场上得出来的
6.（T）因为归结式C12是其亲本子句C1与C2的逻辑结论，所以将归结式C12加入原子句集S，得到的S1与S的真值相同
7.（F）演绎推理是由个别事物或现象推出一般性知识的过程，归纳推理是由一般性知识推理出个别事实的过程
8.（T）卷积主要用于得到图片的局部特征感知，池化主要用于特征降维，压缩数据和参数的数量
9.（F）将一个复杂的问题分解为几个子问题的过程称为分解，可用或树表示。将一个复杂的问题变换成若干个等价的问题的过程称为等价变换，可用与树表示
10.（T）本原问题所对应的节点称为终叶节点。终叶节点一定是端节点，但端节点不一定是终止节点
四、简答题1.BP学习算法的基本思想是什么？
BP学习算法的基本思想是调整权值，使得神经网络的实际输出能够逼近样本与函数的实际输出。
2.2016年ALphaGo挑战韩国职业九段选手李世石获胜，2017年与当时世界排名第一的中国棋手柯洁对战获胜，ALphaGoZERO已经从观摩人类棋局进化到自己与自己下棋，你觉得这属于强人工智能还是弱人工智能，并结合此事件分析什么是强人工智能，什么是弱人工智能，以及它们的区别。
我觉得属于弱人工智能，ALphaGo虽然战胜了人类冠军，可它没有自我意识，更没有胜利的喜悦，因为弱人工智能是对人类某项智能的模拟与扩展，ALphaGo仍然属于这个范畴，而强人工智能是指机器真正能思维，具有自我意识，我觉得ALphaGo的计算依然只是特征的抽取与模型的建立，还谈不上真正的思维，所以属于弱人工智能。（参考）
3.
4.设有子句集：
S={~A(x,y)∨~B(y)∨C(f(x)),~A(x,y)∨~B(y)∨D(x,f(x)),~C(z)∨~B(y),A(a,b),~A(x,b)∨B(b)}，请用归结原理证明这个子句集是否不可满足。并结合证明过程来讨论为什么归结原理会出现组合爆炸的问题，你觉得会导致推理程序出现什么问题？
(1)~A(x,y)∨~B(y)∨C(f(x))
(2)~A(x,y)∨~B(y)∨D(x,f(x))
(3)~C(z)∨~B(y)
(4)A(a,b)
(5)~A(x,b)∨B(b)
(6)B(b){a/x}(4)(5)
(7)~C(z){b/y}(3)(6)
(8)~A(x,y)∨~B(y){f(x)/z}(1)(7)
(9)~B(b){a/x,b/y}(4)(8)
(10)nil(6)(9)
盲目归结会产生大量的不必要的归结式，这种不必要的归结式在下一轮归结时,会以幂次方的增长速度增长,从而产生组合爆炸。这会造成智能程序无法在人可以接受的时间内完成归结。
5.设训练例子集如表所示，请用ID3算法计算出其决策树选择的第一个属性？
（注1：不需要计算出全部的决策树
注2：计算到小数点后3位。
注3：log2(1/2)=-1，log2(2/3)=-0.5850，log2(1/3)=-1.5850）
表训练例子集
初始化样本集S={S1,S2,…,S6}和属性集X={x1,x2}。
生成仅含根节点(S,X)的初始决策树。计算根节点（S,X)关于每一个属性的信息增益，并选择具有最大信息增益的属性对根节点进行扩展。
首先，计算根节点的信息熵：
E(S,X)=-PS(+)logPS(+)-PS(-)logPS(-)
式中
PS(+)=3/6，PS(-)=3/6，log2(3/6)=-1
即有
E(S,X)=-(3/6)*log2(3/6)-(3/6)*log2(3/6)
=0.5+0.5=1
按照ID3算法，再计算根节点(S,X)关于每个属性的加权信息熵。
先考虑属性x1，对x1的不同取值：
当x1=T时，有ST={1，2，3}
当x1=F时，有SF={4，5，6}
其中，ST和SF中的数字均为例子集S中的各个例子的序号，|S|、|ST|和|SF|分别为例子集S、ST和SF的大小且有|S|=6，|ST|=|SF|=3。
由ST可知：
PST(+)=2/3，PST(-)=1/3，log2(2/3)=-0.5850，log2(1/3)=-1.5850
则有：
E(ST,X)=-PST(+)log2PST(+)-PST(-)log2PST(-)
=-(2/3)(-0.5850)-(1/3)(-1.5850)
=0.9183
再由SF可知：
PSF(+)=1/3，PSF(-)=2/3
则有：
E(SF,X)=-PSF(+)log2PST(+)-PSF(-)log2PSF(-)
=-(1/3)(-1.5850)-(2/3)(-0.5850)
=0.9183
E(S,X),xi)=(|ST|/|S|)*E(ST,X)+(|SF|/|S|)*H(SF,X)
=(3/6)*0.9183+(3/6)*0.9183
=0.9183
再考虑属性x2，对x2的不同取值：
当x2=T时，有S’T={1，2，5，6}
当x2=F时，有S’F={3，4}
其中，S’T和S’F中的数字均为例子集S中的各个例子的序号，|S|、|S’T|和|S’F|分别为例子集S、S’T和S’F的大小且有|S|=6，|S’T|=4，|S’F|=2。
由S’T可知：
P’ST(+)=2/4，P’ST(-)=2/4，log2(2/4)=-1
则有：
E(S’T,X)=-P’ST(+)log2P’ST(+)–P’ST(-)log2P’ST(-)
=-(2/4)(-1)-(2/4)(-1)
=1
再由S’F可知：
P’SF(+)=1/2，P’SF(-)=1/2，log2(1/2)=-1
则有：
E(S’F,X)=-(P’SF(+)log2P’ST(+)-P’SF(-)log2P’SF(-))
=-(1/2)(-1)-(1/2)(-1)
=1
E(S,X),x2)=(|S’T|/|S|)*E(S’T,X)+(|S’F|/|S|)*H(S’F,X)
=(4/6)*1+(2/6)*1=1
据此，可得到各属性的信息增益分别为
G((S,X)x1)=E(S,X)-E(S,X),xi)=1-0.9183=0.0817
G((S,X)x2)=E(S,X)-E(S,X),x2)=1-1=0
显然，x1的信息增益更大，因此应该选择对x1进行扩展。
上一篇>>人工智能导论练习题（上）
上一篇>>人工智能导论练习题（下）