【人工智能学习-AI入试相关题目练习-第一次】

人工智能学习-AI入试相关题目练习-第一次

1-前言
2-AI入试相关题目练习
3-具体自己做题
4-练习（日语版本）解析
确认基准
- （1）A*アルゴリズム（経路探索）
- （2）利得行列（ゲーム理論）
- - 表在干嘛？
  - [【エ：d（a1, b2）】（α=3）](#【エ：d（a1, b2）】（α=3）)
  - [【オ：b（4 < α）】](#【オ：b（4 < α）】)
  - [【カ：h（a2, b2）】](#【カ：h（a2, b2）】)
- （3）粒子フィルタ（自己位置推定）
- （4）教師あり学習（分類・回帰・最適化）
- （5）形態素解析（NLP）
一句话总总结（考试视角）
5-总结

1-前言

为了应对大学院考试，我们来学习相关人工智能相关知识，并做各种练习。

通过学习，也算是做笔记，让自己更理解些。

2-AI入试相关题目练习

3-具体自己做题

4-练习（日语版本）解析

确认基准

复制代码

(1) ア:a　イ:e　ウ:h
(2) エ:d　オ:b　カ:h
(3) キ:b　ク:e　ケ:d
(4) コ:g　サ:c　シ:a
(5) ス:h　セ:b　ソ:d

下面开始 按题号重构出题逻辑。

（1）A*アルゴリズム（経路探索）

题目本质

*考你是否真正理解 A 的"搜索顺序 + 最优性 + 与他算法的关系"**

【ア：a（E）】

在问什么？

第 3 个被确定为「訪問済み（探索終了）」的节点是谁？

关键点：

「訪問済み（探索終了）」≠ 看一眼
指的是：
👉 从 Open list 中取出、并确定其 f 值最优的节点

为什么是 E？

A* 按 f = g + h 排序
在 S 之后，第 2、3 个被"确定"的节点中
👉 E 的 f 值先于 B、C 成为最优

👉 考的是 A 的展开顺序理解*

【イ：e（7）】

在问什么？

S → G 的 最终最小总代价是多少？

注意：

不是看直线
不是贪心
是 A 完成搜索后得到的最短路径总代价*

👉 所以答案是 7

【ウ：h（異なる）】

在问什么？

A* 找到的路径，是否与

「最良優先探索（Best-first search）」相同？

关键陷阱：

很多人以为：

A* = Dijkstra = 最良優先
但本题中的「最良優先探索」

👉 是按"評価値 h 或局部最优"来选

因此：

A* 使用 g+h
最良優先使用 单一评价
路径 不保证一致

👉 所以是 「異なる」

（2）利得行列（ゲーム理論）

表在干嘛？

左数字：Player A
右数字：Player B

【エ：d（a1, b2）】（α=3）

在问什么？

当 α=3 时，
不管对方怎么选，各自都会选哪一个行动？

👉 这句话 = 支配戦略

为什么是 (a1, b2)？

α=3 时：
- A：a1 在所有情况下不劣
- B：b2 在所有情况下不劣

👉 双方都有支配戦略

【オ：b（4 < α）】

在问什么？

在什么条件下：

不存在支配戦略均衡

但 存在纳ッシュ均衡

逻辑：

当 α > 4：
- A、B 都不再有"无脑最优"
- 但仍存在 互为最优反应的组合

👉 这是教科书级结论

【カ：h（a2, b2）】

在问什么？

在该条件下的 纳ッシュ均衡 是什么？

原因：

在 α > 4 时：
- A 对 b2 的 best response 是 a2
- B 对 a2 的 best response 是 b2

👉 所以均衡点是 (a2, b2)

（3）粒子フィルタ（自己位置推定）

这是一道 "定义三连"。

【キ：b（ベイズフィルタ）】

在问什么？

粒子滤波属于哪一类方法？

👉 粒子滤波 =
非线性・非高斯条件下的贝叶斯状态推定

【ク：e（モンテカルロ近似）】

在问什么？

用有限个粒子近似概率分布，这叫什么？

👉 = Monte Carlo approximation

【ケ：d（SIR）】

在问什么？

抽样 → 加权 → 重采样

这套机制叫什么？

👉 标准名称：SIR

（4）教師あり学習（分類・回帰・最適化）

【コ：g（ランダムフォレスト）】

在问什么？

分类问题的代表性方法是？

👉 Random Forest 是典型分类器

【サ：c（一般線形モデル）】

在问什么？

回归问题的代表性方法是？

👉 线性回归 = 一般線形モデル

【シ：a（最急降下法）】

在问什么？

通过误差函数

对参数求偏导

用梯度更新参数

------ 这叫什么？

👉 Gradient Descent

（5）形態素解析（NLP）

【ス：h（単語ラティス）】

在问什么？

单词候选作为节点

连接关系作为边

这个图叫什么？

👉 不是构文树

👉 是 单语ラティス

【セ：b（最小化）】

在问什么？

概率越低 → 成本越高

应该找什么路径？

👉 总成本 最小化

【ソ：d（n-gramモデル）】

在问什么？

用前 n−1 个词预测下一个词的模型？

👉 n-gram 定义题

一句话总总结（考试视角）

这不是计算题，而是：
"你是否系统理解 AI 各核心分支的基本思想"

题号	在确认你是否理解
(1)	A* 的搜索逻辑
(2)	支配戦略 vs ナッシュ
(3)	贝叶斯推定思想
(4)	监督学习的结构
(5)	NLP 中的图搜索

？

5-总结

知识一点点记录吧，最后应对考试，打下基础