人工智能学习-AI入试相关题目练习-第九次
- 1-前言
- 3-问题题目训练
- 4-练习（日语版本）解析
-
- （3-1）纳什均衡与支配策略均衡的区别
- [（3-2）什么是混合正态分布模型（Gaussian Mixture Model）](#（3-2）什么是混合正态分布模型（Gaussian Mixture Model）)
- [（3-3）自然语言处理中的 n-gram 模型是什么？请举例说明](#（3-3）自然语言处理中的 n-gram 模型是什么？请举例说明)
- （3-4）教师有学习、强化学习与教师无学习的区别
- ５-単語练习（日语版本）
- 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。
3-问题题目训练
4-练习（日语版本）解析
（3-1）纳什均衡与支配策略均衡的区别
纳什均衡（Nash Equilibrium）是指：在其他参与者策略固定的情况下，任何一个参与者都无法仅通过单方面改变自己的策略来获得更高收益的策略组合。
支配策略均衡（Dominant Strategy Equilibrium）是指：每个参与者都存在一个无论其他参与者采取何种策略，自己都最优的策略（支配策略），并且所有参与者都选择该支配策略所形成的均衡。
区别在于：
- 支配策略均衡是一种更强的均衡概念；
- 如果支配策略均衡存在，则它一定是纳什均衡；
- 但纳什均衡不一定是支配策略均衡，因为有些纳什均衡并不基于支配策略。
（3-2）什么是混合正态分布模型（Gaussian Mixture Model）
混合正态分布模型（GMM）是一种概率模型，用来表示数据是由多个高斯分布按一定比例混合生成的。
其概率密度函数为：
p(x)=\\sum_{k=1}\^{K}\\pi_k \\mathcal{N}(x\\mid \\mu_k,\\Sigma_k)
其中：
- (\pi_k) 表示第 (k) 个高斯分布的混合权重；
- (\mu_k,\Sigma_k) 分别为均值和协方差矩阵；
- 各成分对应不同的数据簇。
GMM 通常使用 EM 算法进行参数估计，常用于聚类与密度估计。
（3-3）自然语言处理中的 n-gram 模型是什么？请举例说明
n-gram 模型 是一种语言模型，它假设一个词的出现只与前 n−1 个词有关，从而近似计算词序列的概率。
其基本假设为：
P(w_t \\mid w_1,\\dots,w_{t-1}) \\approx P(w_t \\mid w_{t-n+1},\\dots,w_{t-1})
例子：
- 当 (n=2)（bigram）时，估计
(P(\text{"学校"} \mid \text{"我在"})) - 当 (n=3)（trigram）时，估计
(P(\text{"学习"} \mid \text{"在 学校"}))
n-gram 模型通常通过语料中的词频统计来计算概率。
（3-4）教师有学习、强化学习与教师无学习的区别
-
教师有学习（Supervised Learning）
使用带有正确标签的数据进行学习，目标是建立输入到输出的映射，如分类和回归问题。
-
教师无学习（Unsupervised Learning）
训练数据不包含标签，目标是发现数据的内部结构，如聚类和降维。
-
强化学习（Reinforcement Learning）
学习过程通过与环境交互进行，不提供明确的正确答案，而是通过奖励信号来优化长期累积回报。
核心区别在于：
- 教师有学习：有明确"正确答案"；
- 教师无学习：无标签，仅分析结构；
- 强化学习：通过试错和奖励进行决策学习。
５-単語练习（日语版本）
5-总结
知识一点点记录吧，最后应对考试，打下基础