【人工智能学习-AI入试相关题目练习-第四次】

人工智能学习-AI入试相关题目练习-第四次

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):

  1. abebc → babebc(插入 b)
  2. babebc → babbe(删除 e,c)
  3. 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)

复制代码
(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=f

5-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):

  1. abebc → babebc(插入 b)
  2. babebc → babbe(删除 e,c)
  3. 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)

复制代码
(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=f

6总结

知识一点点记录吧,最后应对考试,打下基础

相关推荐
user4465117917914 分钟前
Agent 也能「过安检」:AgentScope 权限系统设计拆解
人工智能
烟小栀18 分钟前
Windows下的深度学习环境配置参考及配置教程
人工智能
tellmewhoisi42 分钟前
深度学习0:数学知识:最大似然推导过程
人工智能·深度学习·概率论
oil欧哟43 分钟前
从产品经理视角拆解 DeepSeek Super-agent:双层路由与异步调度架构
人工智能
张张123y1 小时前
个人助手型 Agent 的六个工程细节:Hermes 与 OpenClaw 的审批、委派、上下文与调度
网络·人工智能·开源·后端开发·ai agent
Rabitebla1 小时前
【Linux】文件篇(六):Shell 实战——从系统调用到命令行重定向
linux·服务器·c++·笔记·学习
Dawson Zhu1 小时前
【模型量化⑦】W4A8与GPTQ-Int4:极限压缩与MLC-LLM部署实战
人工智能·语言模型·架构·aigc·agi
千寻技术帮2 小时前
50055_基于AI的互帮互助小程序(源码+文档+数据库脚本+部署教程)
数据库·人工智能·小程序·毕业设计·springboot·课程设计
天树星智源2 小时前
KV 剪枝的同一个误差,模型确定时只改 1.4% 的 token,不确定时改 65%:接上不确定性,AIME25 端到端快 1.27 倍
人工智能·大模型
AI英德西牛仔2 小时前
PC 用户的效率革命:腾讯元宝导出 Word 指令与“AI 导出鸭”的底层逻辑
人工智能·word·excel·deepseek·ai导出鸭