人工智能考试必备知识点.pdfVIP

人工智能考试必备知识点--第1页

人工智能考试必备知识点

第三章约束推理

约束的定义：一个约束通常是指一个包含若干变量的关系表达式，

满足的

条件。

贪心算法：贪心法把构造可行解的工作分阶段来完成。在各个阶

段，选择那些在某些意义下是局部最优的方案，期望各阶段的局部最

优的选择带来整体最优。

回溯算法：有些问题需要彻底的搜索才能解决问题，然而，彻底

的搜索要以大量的运算时间为代价，对于这种情况可以通过回溯法来

去掉一

些分支，从而大大减少搜索的次数

第四章定性推理定性推理的定义是从物理系统、生命系统的

结构描述出发,导出行为描述,以便预测系统的行为并给出原因解

释。定性推理采用系统部件间的局部结构规则来解释系统行为态的变

化行为只与直接相邻的部件有关

第六章贝叶斯网络

贝叶斯网络的定义：贝叶斯网络是表示变量间概率依赖关系的有

向无环图，这里每个节点表示领域变量，表示变量间的概率依赖关系，

同时对每个节点都对应着一个条件概率分布表(CPT)该变量与父节

点之间概率依赖的数量关系。条件概率：条件概率：我们把事件

B已经出现的条件下，事件A发生的概率记做为并称之为在B出现的

条件下A出现的条件概率，而称P(A)为无条件概率。

贝叶斯概率：先验概率、后验概率、联合概率、全概率公式、贝

叶斯公式先验概率：

先验概率是指根据历史的资料或主观判断所确定的各事件发生的

概率，验证实，

属于检验前的概率，所以称之为先验概率

后验概率：

人工智能考试必备知识点--第1页

人工智能考试必备知识点--第2页

后验概率一般是指利用贝叶斯公式，结合调查等方式获取了新的

附加信息，对先验概率进行修正后得到的更符合实际的概率

联合概率：联合概率也叫乘法公式，是指两个任意事件的乘积的

概率，或称之为交事件的概率。贝叶斯问题的求解步骤

定义随机变量、确定先验分布密度、利用贝叶斯定理计算后验分

布密度、利用计算得到的厚颜分布密度对所求问题作出推断

贝叶斯网络的构建

为了建立贝叶斯网络，第一步，必须确定为建立模型有关的变量

及其解释。为此，需要：

(1)确定模型的目标，即确定问题相关的解释；(2)确定与问题有

关的许多可能的观测值，并确定其中值得建立模型的子集；(3)将这

些观测值组织成互不相容的而且穷尽所有状态的变量。这样做的结果

不是唯一的。第二步，建立一个表示条件独立断言的有向无环图第三

步指派局部概率分布p(xi|Pai)。在离散的情形，需要为每一个变量

Xi的各个父节点的状态指派一个分布。第七章归纳学习

归纳学习是符号学习中研究得最为广泛的一种方法。给定关于某

个概念的一系列已知的正例和反例，其任务是从中归纳出一个一般的

概念描述。

归纳学习能够获得新的概念，创立新的规则，发现新的理

论。它的一般的操作是泛化和特化泛化用来扩展一假设的语

义信息，以使其能够包含更多的正例，

用以表示这些变量所必须即部件状每条边，指明了P(A|B)。该

类概率没能经过实

应用于更多的情况。特化是泛