人工智能学习-AI入试相关题目练习-第四次
- 1-前言
- 2-AI入试相关题目概念解释
- 3-概念解释-知道中文也需要知道日文什么意思
- （1）探索アルゴリズム（最短経路探索）
- （2）編集距離（動的計画法）
-
- （ア）DP中记录的是什么？
- [（イ）"abebc" → "babbe" 的编辑距离](#（イ）"abebc" → "babbe" 的编辑距离)
- （ウ）其中"置换（替换）"的次数
- （3）クラスタリング（聚类）
- [（4）Q 学習](#（4）Q 学習)
-
- （ア）Q值表示什么？
- [（イ）加到当前 Q 的是？](#（イ）加到当前 Q 的是？)
- （ウ）学习含义
- （5）命题逻辑证明（归结原理）
-
- [（ア）Z 要证明为什么式？](#（ア）Z 要证明为什么式？)
- [（イ）¬Z 等价于？](#（イ）¬Z 等价于？)
- （ウ）使用什么方法反复化简？
- （エ）最终结论
- [✅ 全部最终答案汇总（可直接填）](#✅ 全部最终答案汇总（可直接填）)
- 5-练习（日语版本）解析
- （1）探索アルゴリズム（最短経路探索）
- （2）編集距離（動的計画法）
-
- （ア）DP中记录的是什么？
- [（イ）"abebc" → "babbe" 的编辑距离](#（イ）"abebc" → "babbe" 的编辑距离)
- （ウ）其中"置换（替换）"的次数
- （3）クラスタリング（聚类）
- [（4）Q 学習](#（4）Q 学習)
-
- （ア）Q值表示什么？
- [（イ）加到当前 Q 的是？](#（イ）加到当前 Q 的是？)
- （ウ）学习含义
- （5）命题逻辑证明（归结原理）
-
- [（ア）Z 要证明为什么式？](#（ア）Z 要证明为什么式？)
- [（イ）¬Z 等价于？](#（イ）¬Z 等价于？)
- （ウ）使用什么方法反复化简？
- （エ）最终结论
- [✅ 全部最终答案汇总（可直接填）](#✅ 全部最终答案汇总（可直接填）)
- 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-概念解释-知道中文也需要知道日文什么意思
（1）探索アルゴリズム（最短経路探索）
已知定义：
- ( g(s))：初期ノード → s 的已知最短路径代价
- ( h(s))：s → 目的ノード 的启发式估计
- ( f(s)=g(s)+h(s) )
三种算法的排序标准：
| 算法 | 排序依据 |
|---|---|
| 最適探索（ダイクストラ） | 只看已走代价 |
| 最良優先探索 | 只看启发 |
| A* | 看总代价 |
因此：
- 最適探索：按 ( g(s) ) 小的
- 最良優先探索：按 ( h(s) ) 小的
- A*：按 ( f(s)=g(s)+h(s) ) 小的
答案：
- ア：a（g(s)）
- イ：b（h(s)）
- ウ：c（f(s)=g(s)+h(s)）
（2）編集距離（動的計画法）
（ア）DP中记录的是什么？
对"部分字符串"的编辑距离进行记录 → メモ化
→ エ = f（メモ化）
（イ）"abebc" → "babbe" 的编辑距离
一种最优变换示例（3步）：
- abebc → babebc（插入 b）
- babebc → babbe（删除 e,c）
- 或等价 3 次操作
编辑距离 = 3
→ オ = d（3）
（ウ）其中"置换（替换）"的次数
在最优解中 替换 1 次
→ カ = b（1）
（2）最终答案
- エ：f
- オ：d
- カ：b
（3）クラスタリング（聚类）
（ア）机器学习分类
聚类是 教师なし学習（无监督学习）
→ キ = d（教師なし学習）
（イ）确定性聚类算法
"反复更新聚类中心、按距离分类" → k-means 法
→ ク = g（k-means 法）
（ウ）目标函数性质
k-means 的平方距离和 单调减少
→ ケ = a（単調減少）
（3）最终答案
- キ：d
- ク：g
- ケ：a
（4）Q 学習
Q-learning 更新公式本质：
Q \\leftarrow Q + \\alpha \\cdot \\delta
其中：
- (\delta)：TD誤差
- (\alpha)：学习率
逐空分析：
（ア）Q值表示什么？
Q值是 最优行动价值函数
→ コ = d（最適行動価値関数）
（イ）加到当前 Q 的是？
当前 Q +（サ × シ）
- サ：TD誤差
- シ：学習率
→
- サ = b（TD誤差）
- シ = g（学習率）
（ウ）学习含义
- Q学习就是让 TD误差 → 0
- 学习率控制反映程度
逻辑完全一致 ✔
（4）最终答案
- コ：d
- サ：b
- シ：g
（5）命题逻辑证明（归结原理）
目标：证明
Z := (X \\rightarrow Y)
等价证明流程：
（ア）Z 要证明为什么式？
要证明 Z 为 恒真式
→ ス = c（恒真式）
（イ）¬Z 等价于？
\\neg(X \\rightarrow Y) \\equiv X \\land \\neg Y
→ セ = b（X ∧ ¬Y）
（ウ）使用什么方法反复化简？
描述的是：
若存在 (P∨Q) 与 (R∨¬Q)，推出 (P∨R)
→ 導出原理（Resolution）
→ ソ = f（導出原理）
（エ）最终结论
通过归结导出空节 → 原命题为恒真 ✔
（5）最终答案
- ス：c
- セ：b
- ソ：f
✅ 全部最终答案汇总（可直接填）
(1) ア=a イ=b ウ=c
(2) エ=f オ=d カ=b
(3) キ=d ク=g ケ=a
(4) コ=d サ=b シ=g
(5) ス=c セ=b ソ=f5-练习（日语版本）解析
（1）探索アルゴリズム（最短経路探索）
已知定义：
- ( g(s))：初期ノード → s 的已知最短路径代价
- ( h(s))：s → 目的ノード 的启发式估计
- ( f(s)=g(s)+h(s) )
三种算法的排序标准：
| 算法 | 排序依据 |
|---|---|
| 最適探索（ダイクストラ） | 只看已走代价 |
| 最良優先探索 | 只看启发 |
| A* | 看总代价 |
因此：
- 最適探索：按 ( g(s) ) 小的
- 最良優先探索：按 ( h(s) ) 小的
- A*：按 ( f(s)=g(s)+h(s) ) 小的
答案：
- ア：a（g(s)）
- イ：b（h(s)）
- ウ：c（f(s)=g(s)+h(s)）
（2）編集距離（動的計画法）
（ア）DP中记录的是什么？
对"部分字符串"的编辑距离进行记录 → メモ化
→ エ = f（メモ化）
（イ）"abebc" → "babbe" 的编辑距离
一种最优变换示例（3步）：
- abebc → babebc（插入 b）
- babebc → babbe（删除 e,c）
- 或等价 3 次操作
编辑距离 = 3
→ オ = d（3）
（ウ）其中"置换（替换）"的次数
在最优解中 替换 1 次
→ カ = b（1）
（2）最终答案
- エ：f
- オ：d
- カ：b
（3）クラスタリング（聚类）
（ア）机器学习分类
聚类是 教师なし学習（无监督学习）
→ キ = d（教師なし学習）
（イ）确定性聚类算法
"反复更新聚类中心、按距离分类" → k-means 法
→ ク = g（k-means 法）
（ウ）目标函数性质
k-means 的平方距离和 单调减少
→ ケ = a（単調減少）
（3）最终答案
- キ：d
- ク：g
- ケ：a
（4）Q 学習
Q-learning 更新公式本质：
Q \\leftarrow Q + \\alpha \\cdot \\delta
其中：
- (\delta)：TD誤差
- (\alpha)：学习率
逐空分析：
（ア）Q值表示什么？
Q值是 最优行动价值函数
→ コ = d（最適行動価値関数）
（イ）加到当前 Q 的是？
当前 Q +（サ × シ）
- サ：TD誤差
- シ：学習率
→
- サ = b（TD誤差）
- シ = g（学習率）
（ウ）学习含义
- Q学习就是让 TD误差 → 0
- 学习率控制反映程度
逻辑完全一致 ✔
（4）最终答案
- コ：d
- サ：b
- シ：g
（5）命题逻辑证明（归结原理）
目标：证明
Z := (X \\rightarrow Y)
等价证明流程：
（ア）Z 要证明为什么式？
要证明 Z 为 恒真式
→ ス = c（恒真式）
（イ）¬Z 等价于？
\\neg(X \\rightarrow Y) \\equiv X \\land \\neg Y
→ セ = b（X ∧ ¬Y）
（ウ）使用什么方法反复化简？
描述的是：
若存在 (P∨Q) 与 (R∨¬Q)，推出 (P∨R)
→ 導出原理（Resolution）
→ ソ = f（導出原理）
（エ）最终结论
通过归结导出空节 → 原命题为恒真 ✔
（5）最终答案
- ス：c
- セ：b
- ソ：f
✅ 全部最终答案汇总（可直接填）
(1) ア=a イ=b ウ=c
(2) エ=f オ=d カ=b
(3) キ=d ク=g ケ=a
(4) コ=d サ=b シ=g
(5) ス=c セ=b ソ=f6总结
知识一点点记录吧，最后应对考试，打下基础