《人工智能》复习重点 .pdfVIP

《人工智能》复习重点

填空题：

数据挖掘（KDD）：

概念：也可以称为数据库中的知识发现，是从大量数据中提取出可信，新颖，有效，

并能被人理解的的模式的高级处理过程

数据挖掘的主要方法：

分类，聚类，相关规则，回归，其他

1.人工智能的表现形式：具有感知能力，具有记忆与思维能力，具有学习能力，具有

行为能力

2.人工智能涉及学科领域：人工智能是在计算机科学，控制论，信息论，神经心理学，

哲学，语言学等学科研究的基础上发展起来的综合性很强的交叉学科

3.机器行为：计算机的表达能力，即说，写，画等能力

4.人工智能的研究目标：用机器实现人类的部分智能（或者建立一个能模拟人类智能

行为的系统）

5.机器感知能力包括：机器视觉，机器听觉

1/16

6.数据挖掘逻辑思维的特点包括

⑴数据的特征

✓大容量

✓含噪音（不完全、不正确）

✓异质数据（多种数据类型混合的数据源，来自互联网的数据是典型的例子）

⑵系统的特征

✓知识发现系统需要一个前处理过程

✓知识发现系统是一个自动/半自动过程

✓知识发现系统要有很好的性能

⑶知识（模式）的特征

✓知识发现系统能够发现什么知识？

✓现行的知识发现系统只能发现特定模式的知识

7.图形识别：图形识别主要是研究各种图形(如文字、符号、图形、图像和照片等)的分

类。

2/16

8.机器视觉应用范围：获取图形，图像信息

9.自动程序设计包括：程序综合，程序正确性验证

10.K-means算法

⑴该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。

最常用是欧式距离：

⑵算法步骤：

①适当选择c个类的初始中心；

②在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最

短的中心所在的类；

③利用均值等方法更新该类的中心值；

④对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则

迭代结束，否则继续迭代。

⑶Kmeans方法的局限性

Kmeans在数据有着不同特征时存在问题：

①各类数据点数目差距太大

3/16

②不同密度

③非球型分布

④其他元素（存在离群点，……）

11.系统聚类法（谱系聚类法）

谱系聚类法是根据植物分类学的思想对研究对象进行分类的方法.在植物分类学中，分

类的单位是门、纲、目、科、属、种，其中种是分类的基本单位.分类单位越小，它所包含

的植物就越少，植物间的共同特征就越多，利用这种分类思想，谱系聚类法首先视各样品

自成一类。然后把最相近（距离最小）的样品聚为小类，再将已聚合的小类按其相近性（用

类间距离度量）再聚合，随着相近性的减弱，最后将一切子类都聚合成一个大类，从而得

到一个按相近性大小聚结起来的谱系图，再进一步根据实际情况确定合适的分类个数.谱

系聚类的关键是依据样品间的距离定义类与类间的距离，从而按照类间距离从小到大进行

聚类.

12.神经网络学习过程

神经网络的学习是指调整神经网络的连接权值或者结构，使输入输出具有需要的特性。

步骤1（mini-batch）（计算全部样本的损失函数值时间过长，且非必要，计算其中一

部分数据的损失函数即可）

从训练数据中随机选出一部分数据，这部分数据称为mini-batch。我们的目标是减

小mini-batch的损失函数的值。

4/16

步骤2（计算梯度）（梯度下降法：一种优化算法，此处以损失函数值最小为优化目标）

为了减小mini-batch的损失函数的值，需要求出各个权重参数的梯度。梯度表示损

失函数的值减小最多的方向。

步骤3（更新参数）（沿梯度方向逐步