人工智能期末考试复习：搜索、机器学习与神经网络核心考点精讲

简介面向人工智能期末备考的整理版复习资料覆盖逻辑推理、搜索策略与决策制定等核心模块适合高校AI课程学生考前系统梳理与查漏补缺。文档以docx单文件呈现整体约5.64MB内容聚焦复合代换、最一般合一、谓词公式化为子句集、归结原理与归结反演等逻辑基础并详解可信度方法、状态空间盲目搜索、启发式搜索、解树代价及博弈树极大极小分析法。每个主题均按考试大纲拆解包含概念定义、方法步骤、适用场景及常见易错点如盲目搜索部分明确区分宽度优先与深度优先的Open表结构差异博弈树部分则讲解如何借助极大极小分析预测对手行动、优化决策。已有1318人学习下载对于需要集中突破AI重点难点、提升解题效率的备考者是一份可直接阅读、打印和考前速记的浓缩复习笔记。1. 人工智能期末考试复习先分清这门课在考哪一层人工智能期末考试复习多数人败在把一门工程课背成了名词解释。翻完课件觉得都眼熟上了考场才发现搜索算法要手算、梯度要会推、智能体这类老概念还被拉出来和自主智能体做对比。以“人工智能导论”“人工智能基础”这类课程为蓝本期末题型基本落在三层概念辨析、手算推导、场景判断绪论选择题还可能考生物智能、人工智能、计算智能的层次关系这类 ABC 理论题。按人工智能学习路径的通常顺序搜索、知识表示、机器学习、神经网络、自然语言处理、智能体与负责任 AI 是必考主线。这篇复习文章按这条主线展开给出可直接照练的代码、参数表和答题框架。2. 搜索与知识表示人工智能导论里最稳定的得分区搜索与知识表示是几乎所有人工智能导论课程的前两章出题密度常年最高题型也最固定。选择题考完备性和最优性计算题考搜索树的展开顺序或对抗搜索的剪枝过程简答题从知识表示方法里挑一种让你讲。这三类题一旦掌握套路属于白送分的区域。复习时优先把这一章的分数拿满后面才有余力啃机器学习和神经网络。2.1 无信息搜索与启发式搜索的手算判分点先明确无信息搜索的判分点。BFS、DFS、迭代加深的计算题一般给一张状态空间图要求写出节点扩展顺序。判分点有两个一是顺序是否严格按队列或栈的规则来二是是否写清楚图搜索的去重逻辑。图搜索与树搜索的差别是高频考点——树搜索允许重复节点图搜索用 closed 表避免重复扩展代价是空间占用上升。迭代加深则要答出“按深度限制反复执行 DFS每轮加深一层”这个机制它的意义是在不知道解深度时同时拿到 DFS 的空间优势和 BFS 的最优性。启发式搜索的手算题集中在 A*。考题给的启发函数通常是曼哈顿距离或欧氏距离要求填 open 表和 closed 表的更新过程。判分点检查的是 f g h 里的 g 是否记录从起点到当前节点的实际代价而不是累计 f 值。很多人把 g 算成上一步的 f一步错步步错这类错误在考卷上重复率极高。算法完备性最优性时间复杂度空间复杂度BFS是是单一代价O(b^d)O(b^d)DFS否图搜索可保证否O(b^m)O(bm)迭代加深是是单一代价O(b^d)O(bd)A*是h 可采纳时是h 不高估时取决于 h取决于 h表中 b 是分支因子d 是最浅解深度m 是搜索树最大深度。考试常问 A* 的最优性条件标准答法是启发函数 h(n) 满足可采纳性即对任意节点 n 都有 h(n) ≤ h*(n)其中 h*(n) 是到目标的真实代价若 h 还满足一致性单调性则 f 值沿路径单调不减A* 不需要重开节点。两个条件同时写全才拿满这道概念题的分数。A* 的代码骨架考前值得默写一遍顺便用它验证手算题的答案import heapq def a_star(grid, start, goal): # grid 中 0 表示可通行1 表示障碍物 # 堆中元组为 (f, g, x, y, path) open_set [(0, 0, start[0], start[1], [start])] best_g {start: 0} # 记录每个格子的最小 g 值 while open_set: f, g, x, y, path heapq.heappop(open_set) if (x, y) goal: return path, g for dx, dy in ((1, 0), (-1, 0), (0, 1), (0, -1)): nx, ny x dx, y dy if not (0 nx len(grid) and 0 ny len(grid[0])): continue if grid[nx][ny] 1: continue ng g 1 if best_g.get((nx, ny), float(inf)) ng: continue best_g[(nx, ny)] ng h abs(nx - goal[0]) abs(ny - goal[1]) # 曼哈顿距离 heapq.heappush(open_set, (ng h, ng, nx, ny, path [(nx, ny)])) return None, -1逻辑说明heapq 保证堆顶永远是 f 最小的节点每次弹出的都是当前 open 表里 gh 最小的状态这对应 A* 的“每次扩展最有希望的节点”的核心策略。best_g 字典记录每个格子迄今找到的最小 g 值只有当新路径的 g 更小时才重新入堆等价于图搜索的 closed 表加路径改进机制。参数说明grid 是二维数组start 和 goal 是 (row, col) 元组四方向移动对应曼哈顿距离启发函数它不会高估真实代价满足可采纳性。若题目允许斜向移动曼哈顿距离就会高估并破坏最优性考试里遇到这种变体要把 h 换成欧氏距离或对角线距离。这个细节是选择题里出现率很高的陷阱。2.2 博弈搜索minimax 与 α-β 剪枝的固定套路对抗搜索计算题通常给一棵深度为 3 或 4 的博弈树叶子节点标好收益值要求用 minimax 求根节点取值或用 α-β 剪枝标出被剪掉的子树。整个过程只有两个判分点一是 MAX 层取最大、MIN 层取最小是否用反二是 α 值MAX 的当前最优下界和 β 值MIN 的当前最优上界的传递方向是否正确。只要按“从叶子向根、逐层回传”的顺序写错误率很低。剪枝的手算顺序有讲究。α-β 的剪枝效果依赖节点访问顺序先访问收益高的子节点剪枝效率最高先访问收益低的可能一个都剪不掉。考题默认从左到右访问这时只要能写出每个节点访问后的 α/β 上下界就能判断哪些枝被剪掉。一个极易丢分的点被剪掉的节点不需要再求值但它的兄弟节点要按顺序继续处理不能跳步。2.2.1 一个可复算的 α-β 剪枝例子给一棵深度为 3 的博弈树根节点是 MAX第二层有 4 个 MIN 节点每个 MIN 节点带 3 个叶子。叶子收益从左到右依次为 (3, 5, 2)、(6, 1, 8)、(4, 7, 9)、(5, 3, 4)。从左到右访问第一个 MIN 节点读完三个叶子得 2根节点的 α 更新为 2第二个 MIN 节点先读 6 再读 1此时该节点上界 β1 已小于 α2第三个叶子 8 直接被剪掉第三组读完得 4根 α 更新为 4第四组读 5、3 后 β3 小于 α4叶子 4 被剪掉节点值取 3根节点在四个子节点中取最大值 4。把 α 初始化为 −∞、β 初始化为 ∞按这个流程逐层传递任何剪枝题都能算对。另一个常考概念是 α-β 剪枝不改变最终结果它只是跳过不会影响根节点值的子树。如果手算剪枝前后的根节点取值不一致说明上下界传递错了。评估函数一般不在剪枝题里单独出但简答题会问“为什么博弈搜索不能无限加深”标准答案是搜索空间按 b^d 指数增长评估函数本身是启发式的深度越深评估越可靠但可用时间有限。2.3 知识表示与产生式系统简答题的答题骨架知识表示部分最爱考产生式系统。结构是固定三板斧事实库存已知条件规则库存 if-then 集合推理机控制规则匹配与执行策略。推理策略分正向链从事实推出结论和反向链从目标出发找支持证据专家系统里反向链常用于诊断正向链常用于配置和设计类问题。答题时把三个组件、两种策略写全再补一个医疗诊断或设备故障的例子基本拿满。一阶逻辑的题型是把自然语言翻译成逻辑表达式。常见错误是用蕴含词把句子都写成 ∀x(P(x) → Q(x))。判分经验语义里的“所有”“凡是”对应全称量词并配蕴含“存在”“有的”对应存在量词并配合取。比如“所有学生都通过了考试”写成 ∀x(Student(x) → Passed(x))而“有的学生没参加考试”要写成 ∃x(Student(x) ∧ ¬Attended(x))后者若写成蕴含就是恒真式这一条每年都有人丢分。语义网络和框架考得较浅记住语义网络是带标记的有向图、节点表示概念、边表示关系框架是带槽位和默认值的结构化表示。更深一层是本体Ontology即对概念、属性、关系的显式规范说明近年有些课程把本体和知识图谱一起放进选择题。深层与浅层知识表示的对比也值得准备浅层表示产生式易解释、难维护深层表示一阶逻辑、语义网、本体表达力强、推理复杂。这个对比可以直接套进“比较两种知识表示方法”的简答题里。3. 机器学习与神经网络人工智能基础课的推导得分点机器学习是期末试卷的权重中心通常占 30% 到 40%。它的题不靠背靠理解三件事模型解决什么问题、策略定义什么目标、算法怎么优化目标。“人工智能领域常用的数学符号”这一关过不了后面的推导题无从下手。下面把三要素的考试框架、损失函数和梯度下降的代码化理解、反向传播的手算套路依次过一遍。3.1 机器学习三要素与常见数学符号“统计学习三要素”是填空和简答的常客模型、策略、算法。模型是假设空间定义输入到输出的映射集合策略由损失函数加正则化项构成目标函数算法是求解目标函数的具体方法比如梯度下降、牛顿法。三者关系一句话概括算法在策略定义的目标下从模型中选出一个最优假设。答题时先写定义再举线性回归的例子框架就能立住。数学符号要熟到能直接读题。数据集写 D {(x_i, y_i)}i 从 1 到 n输入向量 x_i ∈ R^dd 是特征维度回归里 y_i 是实数分类里是离散标签。模型参数用 θ 或 W 表示损失函数写 L(θ) 或 J(θ)梯度写 ∇θL学习率是 η。“手推梯度”的题本质是求对 θ 的偏导看到这些符号按链式法则拆就行。评估指标在填空和选择题里出现的频率也很高。准确率适合类别均衡的数据类别不均衡时看查全率召回率和查准率F1 是两者的调和平均。人工智能基础课通常顺带考混淆矩阵四象限TP、FP、FN、TN 的含义记住“预测为正且实际为正的是 TP”其余三个按对称关系推。混淆矩阵本身不难但和偏见题结合就变难了——同一模型在不同群体上的查全率差异正是后续人工智能偏见题的数据层证据。3.2 损失函数与梯度下降用代码代替死记损失函数的选择题容易混。均方误差 MSE (1/n)Σ(y_i − ŷ_i)² 用于回归交叉熵用于分类二分类交叉熵是 −(y·log p (1−y)·log(1−p))。判分点在于MSE 配 sigmoid 做分类时梯度里会乘上 sigmoid 的导数饱和区梯度趋近 0收敛很慢交叉熵与 sigmoid 组合时梯度形式简洁这也是分类任务默认交叉熵的原因。下面这张表覆盖了期末最常见的四个激活函数激活函数公式梯度特征期末高频考点Sigmoidσ(z) 1 / (1 e^(−z))输出 (0,1)两端梯度饱和与交叉熵配合使用Tanh(e^z − e^(−z)) / (e^z e^(−z))输出 (−1,1)均值为 0RNN 隐藏层常用ReLUmax(0, z)正区间梯度为 1负区间为 0缓解梯度消失警惕死亡 ReLUSoftmax归一化指数输出为概率分布多分类输出层标配梯度下降建议亲手写一遍考前跑一次比背十遍公式有效import numpy as np def grad_descent(X, y, lr0.01, epochs100): # X: (n, d)每行一个样本y: (n,) X_b np.c_[np.ones((X.shape[0], 1)), X] # 首列补 1对应偏置项 w np.zeros(X_b.shape[1]) # 参数初始化为 0 n len(y) for epoch in range(epochs): pred X_b w # 线性预测 grad X_b.T (pred - y) / n # MSE 对 w 的平均梯度 w - lr * grad # 沿负梯度方向更新 return w逻辑说明pred − y 是残差向量X_b.T 残差 是对所有样本的梯度求和除以 n 得到平均梯度数学上对应 L(w) (1/2n)Σ(ŷ_i − y_i)² 对 w 的偏导。w - lr * grad 是更新规则lr 控制每步走多远。这是批量梯度下降把 X、y 换成单个样本就是随机梯度下降换成小批次就是 mini-batch三者差异只在每次更新用的样本量。参数说明lr 太大会发散太小收敛慢常见取值在 0.1 到 0.001 之间按数量级调整epochs 是遍历全部数据的轮数。考试给具体数值要求手算一轮更新时按“前向算预测值、算梯度分量、更新每个 w_j”三步走最容易算错的是漏掉除以 n导致梯度被放大 n 倍。3.3 反向传播和 CNN/RNN 的手算技巧反向传播的手算题通常是一个两层全连接网络输入 x隐藏层用 sigmoid 激活输出层做回归或二分类给一组具体数字求梯度。手算套路永远是四步前向算出每层输出、写出损失函数、从输出层向输入层逐层求偏导、把中间结果代入。只要前向值算对反向就是链式法则分数能拿大半。3.3.1 一个简单反向传播示例设只有一层隐藏层。输入 x 1隐藏层权重 w1 0.5、偏置 b1 0输出层权重 w2 0.8、偏置 b2 0激活用 sigmoid目标 y 1损失用 MSE。前向z1 w1·x b1 0.5h σ(z1) 1/(1e^(−0.5)) ≈ 0.6225ŷ w2·h 0.8 × 0.6225 0.498。损失 L (1/2)(ŷ − y)² 0.126。反向先求 ∂L/∂ŷ ŷ − y −0.502再乘 ∂ŷ/∂w2 h 0.6225得 ∂L/∂w2 ≈ −0.313。继续回传∂L/∂h ∂L/∂ŷ · w2 −0.4016h 对 z1 的导数是 h(1−h) ≈ 0.2349所以 ∂L/∂w1 ∂L/∂h · h(1−h) · x ≈ −0.0943。更新时按 w ← w − lr·梯度 走一步即可。算完后把梯度代回原式检查符号能拦住大部分低级错误。CNN 的概念题集中在三个特性局部连接、权值共享、池化降采样。计算题常考卷积输出尺寸公式是 (W − F 2P)/S 1W 是输入边长F 是卷积核边长P 是 paddingS 是步长池化层不改变通道数只改变空间尺寸。RNN 必考点是梯度消失循环连接在时间步上反复乘以同一个权重矩阵Jacobian 范数小于 1 时梯度指数衰减早期信息学不到LSTM 用输入门、遗忘门、输出门控制信息流缓解但无法根除梯度消失。考前把公式抄一遍再代入数字算一遍比读十遍课件有用。4. 智能体、自然语言处理与人工智能偏见的考点映射近三年的人工智能导论期末卷明显增加了两个方向的题智能体从概念题变成对比辨析题自然语言处理从“了解即可”变成带计算的常规题同时人工智能偏见和负责任 AI 几乎成了简答题的必选项。这一章把这三块的考点和答题思路串起来概念、代码和表格都按考场可用的形式给出。4.1 传统人工智能与自主智能体的区别辨析题的题眼智能体的定义“通过传感器感知环境、通过执行器作用于环境的实体”基本每年必考。比定义更常考的是辨析题传统人工智能基于规则和符号推理与自主智能体基于学习和规划的自主系统到底差在哪。判分点通常在三个维度决策依据、环境适应能力和目标来源。下面这张表可以直接当作辨析题的答题骨架对比维度传统人工智能系统自主智能体系统决策依据人工编写的规则与知识库模型从数据中学习的策略环境适应性规则未覆盖即失效通过在线学习或规划适应变化目标来源外部固定目标只负责推理可拆解子目标并自我规划可解释性规则透明可追溯推理链决策难解释需额外解释手段典型代表专家系统、产生式推理具身智能机器人、LLM 智能体答题按“定义—机制—例子—边界”四段写边界尤其重要自主智能体不等于不用规则很多落地系统是规则外壳套学习内核比如机器人导航用 A* 做全局规划、用强化学习做局部避障。近年“harness 人工智能”这类提法把智能体的外围能力工具调用、记忆管理、任务分解也纳入讨论考试若涉及答出“控制循环 外部工具 记忆”就能拿分。智能体循环的最小骨架可以考前默写def agent_loop(percept_func, act_func, memoryNone): # percept_func: 从环境读取感知 # act_func: 根据感知和记忆决定动作 # memory: 可变状态容器比如 dict while True: obs percept_func() action act_func(obs, memory) memory append_memory(memory, obs, action) # 记忆追加逻辑按需实现 # 执行 action 后环境改变下一轮重新感知逻辑说明这个循环对应智能体的感知—决策—执行闭环。act_func 在传统智能体里查规则表在自主智能体里调用模型或规划器差别就在这一行。判断一个系统是不是智能体就看它是否具备这个闭环而不是看它内部用的什么技术。参数说明memory 是区分反应式智能体和认知式智能体的关键。反应式智能体完全没有记忆只按当前感知决策认知式智能体维护内部世界模型用历史信息指导当前动作。考到这两类智能体的区别时从 memory 的有无切入最稳妥。4.2 自然语言处理的技术路线与计算题NLP 的期末考点集中在词表示和传统文本处理。词表示经历 one-hot、TF-IDF、word2vec 三个阶段常考每个阶段的缺点one-hot 维度高且无语义相似性TF-IDF 只反映统计重要性word2vec 让语义相近的词向量在空间中距离近。注意一个趋势很多课程的最后一章已经不只讲 RNN而是用 attention 机制解释大语言模型选择题如果问 attention 解决了什么问题标准答案是“让解码器每一步直接关注编码器所有位置的信息缓解长距离依赖”。TF-IDF 是这块唯一会出现的计算题型。TF 是词在文档中的词频IDF 是逆文档频率公式为 log(N / (df 1))N 是文档总数df 是包含该词的文档数。判分点TF 与 IDF 相乘IDF 里的 df 是文档数而不是出现总次数这个混淆每年都有一批人错。from collections import Counter import math def tfidf_vector(tokenized_doc, tokenized_docs): # tokenized_doc: 当前文档的分词列表 # tokenized_docs: 语料库所有文档的分词列表 tf Counter(tokenized_doc) total len(tokenized_doc) df Counter() for doc in tokenized_docs: for t in set(doc): # 同一个词在一篇文档里只计一次 df[t] 1 n_docs len(tokenized_docs) vec {} for term, count in tf.items(): tf_val count / total # 词频归一化 idf_val math.log(n_docs / (df[term] 1)) 1 # 平滑 IDF vec[term] tf_val * idf_val return vec逻辑说明tf_val 归一化到 [0,1]避免长文档天然权重高idf_val 在 log 外面再加 1 是平滑保证即使某个词出现在所有文档里权重也不会变成负数或 0这是很多教材和 sklearn 的默认做法。vec 里每个词一个权重构成这篇文档的 TF-IDF 向量。参数说明分母 df[term] 1 的加一是平滑项手算时如果不提平滑直接写 log(N/df) 也可能被接受但统一按平滑公式写更容易和标准答案对齐。注意这里隐含一个向量空间模型的概念文档相似度等于两个 TF-IDF 向量的余弦相似度这道题和评估指标题经常连着出。4.3 人工智能偏见与负责任 AI 的答题框架人工智能偏见是近两年简答题的最爱。出题方式一般两种给招聘筛选、信贷审批之类的场景要求分析偏见来源或直接问如何缓解模型偏见。来源按数据、算法、评估三层答。数据层训练集本身有偏差比如历史招聘数据里男性简历占比高模型学到的就是这个比例算法层目标函数只优化准确率忽略群体公平性约束评估层用全局准确率掩盖了某个子群体的低准确率。缓解手段对应对答数据层做重采样或重新标注算法层在损失函数里加公平性正则项评估层分组计算准确率和查全率并报告公平性指标。公平性指标认识两个就够demographic parity 要求不同群体的接受率相等equalized odds 要求同等能力的人获得同等结果。能写出这两个术语再加一句话解释就能应对绝大多数偏见简答题。负责任 AI 的答题维度更宏观公平、透明、可解释、隐私、可问责。考试问“AI 系统落地要考虑哪些伦理问题”就把这五个词各展开两句话再配一个场景。可解释性不等于规则可视化对深度模型用 SHAP/LIME 这类事后解释方法也是教科书认可的手段答题时写出方法名是加分项。最后的场景句要落到具体领域医疗、金融、招聘而不是泛泛的“AI 系统”判卷人看的就是这一句话。5. 考前24小时人工智能高频错题自查与简答话术进入冲刺阶段把最容易错的概念集中排查一遍比盲目做新题有用。下面按踩坑频率排序的自查表每一条都能对应到一个具体题型过一遍表后把之前做错的卷子按表里条目归类重看。5.1 高频错误自查表考点常见错误正确理解A* 最优性只写“h 可采纳”需同时满足 h ≤ h*一致性保证 f 单调逻辑翻译存在量词配蕴含∃x 常配合取∀x 常配蕴含交叉熵与 MSE 混用分类用交叉熵回归用 MSE配 sigmoid 梯度更稳梯度消失只认为出现在深层网络RNN 在时间步上同样存在LSTM 缓解而非根除卷积尺寸公式符号记混(W−F2P)/S1代入前先确认 P 和 STF-IDF把 df 当词频df 是包含词的文档数IDF 是文档级统计量α-β 剪枝剪枝后根值改变剪枝只跳过不影响根值的子树根值不变5.2 简答题的三段式话术简答题的给分点按“定义、机制、例子”拆。以“简述产生式系统”为例先一句话定义产生式系统由事实库、规则库、推理机组成再说明推理机的匹配、冲突消解、执行过程最后补一个医疗诊断例子并说明用正向链还是反向链。定义占三成、机制占四成、例子占三成角度不偏就能拿大半。这个三段式几乎适用于所有“简述 XX”题。考前 24 小时的动手验证建议把每章的代码在本地跑一遍A* 换两个启发函数对比扩展节点数梯度下降把 lr 从 0.1 改到 1.0 观察发散TF-IDF 换一个查询词看排序变化。跑代码不是为了背代码而是给手算题一个参照物答计算题时最后回代验证是高频得分技巧算出梯度或路径后代回原式检查符号和数值是否自洽。如果考试对接的是人工智能训练师这类职业认证简答话术还要补数据清洗和标注规范这类题判分看步骤完整度少写一环就扣一环的分。遇到没见过的名词题把答案往“模型—策略—算法”或“感知—决策—执行”两个框架上靠至少能拿到一半的分数。本文还有配套的精品资源点击获取