人工智能学习-AI入试相关题目练习-第三次
- 1-前言
- 2-AI入试相关题目概念解释
-
- （3）相关术语｜一句话中日文对照
-
- Q学习（Q-learning）
- [贝叶斯滤波（Bayes Filter）](#贝叶斯滤波（Bayes Filter）)
- [卡尔曼滤波（Kalman Filter）](#卡尔曼滤波（Kalman Filter）)
- [SIR（Sampling Importance Resampling）](#SIR（Sampling Importance Resampling）)
- [蒙特卡洛近似（Monte Carlo Approximation）](#蒙特卡洛近似（Monte Carlo Approximation）)
- SLAM
- [玻尔兹曼选择（Boltzmann Selection）](#玻尔兹曼选择（Boltzmann Selection）)
- LSTM
- （4）监督学习相关术语｜一句话中日文对照
-
- [最急下降法（Gradient Descent）](#最急下降法（Gradient Descent）)
- [最小二乘法（Least Squares）](#最小二乘法（Least Squares）)
- 一般线性模型（GLM）
- [k-means 法](#k-means 法)
- 最大似然估计（MLE）
- BERT
- [随机森林（Random Forest）](#随机森林（Random Forest）)
- [表现学习（Representation Learning）](#表现学习（Representation Learning）)
- （5）自然语言处理相关术语｜一句话中日文对照
-
- 最大化（Maximization）
- 最小化（Minimization）
- [Bag-of-Words 表现](#Bag-of-Words 表现)
- [n-gram 模型](#n-gram 模型)
- [意味网络（Semantic Network）](#意味网络（Semantic Network）)
- [混合分布模型（Mixture Model）](#混合分布模型（Mixture Model）)
- [构文树（Parse Tree）](#构文树（Parse Tree）)
- [单语词格（Word Lattice）](#单语词格（Word Lattice）)
- 3-概念解释-知道中文也需要知道日文什么意思
-
- [【第1問｜教師あり学習 × 回帰】](#【第1問｜教師あり学習 × 回帰】)
- [【第2問｜強化学習 × 行動選択】](#【第2問｜強化学習 × 行動選択】)
- [【第3問｜自然言語処理 × 形態素解析】](#【第3問｜自然言語処理 × 形態素解析】)
- [【第4問｜確率モデル × 言語モデル】](#【第4問｜確率モデル × 言語モデル】)
- 5-练习（日语版本）解析
- 6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入试相关题目概念解释
（3）相关术语｜一句话中日文对照
Q学习（Q-learning）
- 中文：一种无模型的强化学习方法，通过更新动作价值函数来学习最优策略。
- 日文：環境モデルを持たず，行動価値関数を更新することで最適方策を学習する強化学習手法。
贝叶斯滤波（Bayes Filter）
- 中文：基于贝叶斯定理，对系统状态进行递推概率估计的方法。
- 日文：ベイズの定理に基づき，状態の事後確率を逐次推定する手法。
卡尔曼滤波（Kalman Filter）
- 中文：在高斯噪声假设下，对线性动态系统状态进行最优估计的方法。
- 日文：ガウス雑音を仮定した線形動的システムに対する最適状態推定法。
SIR（Sampling Importance Resampling）
- 中文：一种粒子滤波方法，通过重采样减少粒子退化问题。
- 日文：リサンプリングにより粒子の退化を防ぐ粒子フィルタ手法。
蒙特卡洛近似（Monte Carlo Approximation）
- 中文：利用随机采样来近似计算复杂期望或积分的方法。
- 日文：乱数サンプリングによって期待値や積分を近似的に求める方法。
SLAM
- 中文：机器人在未知环境中同时进行自身定位与地图构建的问题。
- 日文：未知環境において自己位置推定と地図生成を同時に行う問題。
玻尔兹曼选择（Boltzmann Selection）
- 中文：根据动作价值的概率分布随机选择动作的策略。
- 日文：行動価値に基づく確率分布から行動を選択する手法。
LSTM
- 中文：一种能够处理长期依赖问题的循环神经网络结构。
- 日文：長期依存関係を扱うことが可能な再帰型ニューラルネットワーク。
（4）监督学习相关术语｜一句话中日文对照
最急下降法（Gradient Descent）
- 中文：沿着目标函数梯度的反方向迭代更新参数的优化方法。
- 日文：目的関数の勾配の逆方向にパラメータを更新する最適化手法。
最小二乘法（Least Squares）
- 中文：通过最小化误差平方和来估计模型参数的方法。
- 日文：誤差の二乗和を最小化することでパラメータを推定する手法。
一般线性模型（GLM）
- 中文：将线性预测与非正态分布响应变量结合的统计模型。
- 日文：線形予測子と指数型分布族を結びつけた統計モデル。
k-means 法
- 中文：通过最小化类内距离将数据划分为 k 个簇的无监督学习方法。
- 日文：クラスタ内距離を最小化することでデータを k 個に分割する手法。
最大似然估计（MLE）
- 中文：通过最大化观测数据出现概率来估计参数的方法。
- 日文：観測データの尤度を最大化することでパラメータを推定する方法。
BERT
- 中文：一种基于双向 Transformer 的预训练语言表示模型。
- 日文：双方向 Transformer に基づく事前学習済み言語モデル。
随机森林（Random Forest）
- 中文：通过集成多棵决策树进行预测的集成学习方法。
- 日文：複数の決定木を組み合わせて予測を行うアンサンブル学習手法。
表现学习（Representation Learning）
- 中文：自动从数据中学习有用特征表示的机器学习方法。
- 日文：データから有用な特徴表現を自動的に学習する手法。
（5）自然语言处理相关术语｜一句话中日文对照
最大化（Maximization）
- 中文：使目标函数值尽可能大的优化过程。
- 日文：目的関数の値を最大にする最適化操作。
最小化（Minimization）
- 中文：使目标函数值尽可能小的优化过程。
- 日文：目的関数の値を最小にする最適化操作。
Bag-of-Words 表现
- 中文：忽略词序，仅用词频表示文本的特征方法。
- 日文：単語の出現頻度のみを用い，語順を考慮しない表現方法。
n-gram 模型
- 中文：利用前 n−1 个词预测当前词概率的语言模型。
- 日文：直前の n−1 語に基づいて単語の生成確率を求めるモデル。
意味网络（Semantic Network）
- 中文：用图结构表示概念及其语义关系的知识表示方法。
- 日文：概念とその意味関係をグラフ構造で表す知識表現。
混合分布模型（Mixture Model）
- 中文：由多个概率分布加权组合而成的统计模型。
- 日文：複数の確率分布を重み付きで組み合わせたモデル。
构文树（Parse Tree）
- 中文：表示句子语法结构的树形结构。
- 日文：文の文法構造を木構造で表したもの。
单语词格（Word Lattice）
- 中文：以节点表示词候选、以边表示连接关系的图结构。
- 日文：単語候補をノード，接続関係を辺で表したグラフ構造。
3-概念解释-知道中文也需要知道日文什么意思
【第1問｜教師あり学習 × 回帰】
教師あり学習における回帰問題では，予測誤差を表す評価関数 (E(\theta)) を最小化することが一般的である。
このとき，(E(\theta)) をパラメータ (\theta) で偏微分し，その結果を用いて反復的にパラメータを更新する最適化手法として最も適切なものはどれか。
a. 最小二乗法
b. 最大尤度推定
c. 最急降下法
d. 一般線形モデル
【第2問｜強化学習 × 行動選択】
強化学習における Boltzmann 選択に関する説明として，最も適切なものはどれか。
a. 常に行動価値が最大の行動を選択する
b. 行動価値に基づく確率分布から行動を選択する
c. 探索フェーズにおいてのみランダムに行動を選択する
d. ε の値に基づいて貪欲行動とランダム行動を切り替える
【第3問｜自然言語処理 × 形態素解析】
形態素解析において，単語の候補をノード，単語間の接続関係を辺として表現したグラフ構造を用い，
単語間の接続確率が低いほど高いコストを割り当てた場合，
形態素解析の結果はどのような経路を求めることで得られるか。
a. 総コストが最大となる経路
b. 総コストが最小となる経路
c. ノード数が最小となる経路
d. 辺の数が最大となる経路
【第4問｜確率モデル × 言語モデル】
n-gram 言語モデルにおいて，単語の生成確率を直前の (n-1) 個の単語にのみ条件づけるという仮定を導入する主な目的として，最も適切なものはどれか。
a. 単語の意味的関係を厳密に表現するため
b. 文全体の構文構造を正確に捉えるため
c. 計算量の削減およびデータ疎性の緩和のため
d. 単語の出現頻度を均一化するため
5-练习（日语版本）解析
第1问
你的答案：a（最小二乘法）
❌ 判定：不正确
正确判定逻辑
题干关键词是：
- 「(E(\theta)) を 偏微分」
- 「反復的に パラメータを更新」
- 「最小化する 最適化手法」
👉 这明确指的是优化算法本身，而不是"误差形式"。
- 最小二乘法：是"误差函数/目标函数的设定思想"
- 最急降下法：是"利用梯度反复更新参数的优化方法"
把「损失函数形式」和「优化方法」混在一起选
第2问
你的答案：b（行動価値に基づく確率分布から行動を選択）
✅ 判定：正确
原因
Boltzmann 选择（Softmax）核心就是：
- 行动价值越高 → 被选中的概率越大
- 但 不是必选最大值
📌 与 ε-greedy 的区别是概率连续变化而非"硬切换"。
第3问
你的答案：c（ノード数が最小となる経路）
❌ 判定：不正确
正确判定逻辑
题干明确给了三个关键信息：
- 单词连接概率低 → 高コスト
- 使用图结构（单词格 / lattice）
- 要"得到形态素解析结果"
👉 标准解法一定是：
寻找「总成本最小」的路径
- 节点数多少 不重要
- 边权（cost）累加 才是核心
故意给你"节点数最少 / 边数最多"这种图论假选项
第4问
你的答案：D（単語の出現頻度を均一化するため）
❌ 判定：不正确
正确判定逻辑
n-gram 的核心假设是：
-
只看前 (n-1) 个词
-
目的：
- 降低计算复杂度
- 缓解数据稀疏问题（data sparsity）
而 "词频均一化" 是完全不存在的概念（这是个诱骗选项）。
经常放一个"看起来像统计学，但实际没定义"的假选项
6总结
知识一点点记录吧，最后应对考试，打下基础