人工智能学习-AI入试相关题目练习-第十三次
- 1-前言
- 3-问题题目训练
- 【模擬問題①】（既出近似：強化学習・価値関数）
- 【模擬問題②】（既出近似：教師あり学習・最適化）
- 【予測問題①】（新傾向：確率的推論・状態推定）
- 【予測問題②】（新傾向：学習の限界・評価）
- 4-练习（日语版本）解析
- 5-単語练习（日语版本）
- 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。
3-问题题目训练
【模擬問題①】（既出近似：強化学習・価値関数）
問題1
強化学習では，エージェントが環境との相互作用を通じて学習を行う。
このとき，環境は状態 (a)，行動 (b)，および報酬 © によって記述される。
状態遷移が現在の状態と行動のみに依存する性質を (d) といい，
この仮定に基づいて強化学習の問題は (e) として定式化される。
価値反復法では，状態価値関数は (f) によって再帰的に定義され，
この関係式を (g) 方程式と呼ぶ。
(a)～(g) に入る最も適切な語句を記せ。
【模擬問題②】（既出近似：教師あり学習・最適化）
問題2
教師あり学習では，入力データとそれに対応する (a) の組を用いて学習を行う。
学習の目的は，モデルの出力と正解との差を表す (b) を最小化することである。
この最適化では，誤差関数の © を計算し，
更新量を制御する (d) を用いてパラメータを修正する。
しかし，誤差関数が非凸である場合，学習は (e) に収束する可能性がある。
この問題を抑制するため，(f) を導入する手法が広く用いられている。
(a)～(f) に入る語句を記せ。
【予測問題①】（新傾向：確率的推論・状態推定）
問題3
実世界の知能システムでは，観測情報に (a) が含まれるため，
現在の状態を一意に決定できない場合が多い。
このような場合，状態を単一の値ではなく (b) として表現し，
観測が得られるたびにその分布を更新する手法が用いられる。
この手法では，まず © に基づいて状態分布を予測し，
次に観測モデルを用いて (d) を計算する。
最後に，分布の総和が 1 となるように (e) を行い，
更新後の分布を (f) と呼ぶ。
(a)～(f) に入る最も適切な語句を記せ。
【予測問題②】（新傾向：学習の限界・評価）
問題4
機械学習モデルは，学習データに対して高い性能を示しても，
未知データに対して同様の性能を示すとは限らない。
このような現象は，モデルが学習データに過度に適合することによって生じ，
一般に (a) と呼ばれる。
(a) が発生すると，モデルの (b) が低下する。
これを防ぐため，学習時にモデルの複雑さを抑制する © が導入される。
また，データを複数に分割して性能を評価する方法として (d) があり，
学習途中で性能悪化を検知して学習を停止する手法を (e) という。
(a)～(e) に入る語句を記せ。
4-练习（日语版本）解析
【模擬問題①】問題1（強化学習・価値関数）
- (a) 状態（状态）
- (b) 行動（动作）
- © 報酬（奖励）
- (d) マルコフ性（马尔可夫性）
- (e) マルコフ決定過程（MDP）（马尔可夫决策过程）
- (f) ベルマン方程式（贝尔曼方程式）
- (g) ベルマン（贝尔曼）
【模擬問題②】問題2（教師あり学習・最適化）
- (a) 正解ラベル（正确标签）
- (b) 損失関数（誤差関数）（损失/误差函数）
- © 勾配（梯度）
- (d) 学習率（学习率）
- (e) 局所最小値（局部最小值）
- (f) 正則化（正则化）
【予測問題①】問題3（確率的推論・状態推定）
- (a) ノイズ（噪声）
- (b) 確率分布（概率分布）
- © 状態遷移モデル（状态转移模型）
- (d) 尤度（似然）
- (e) 正規化（归一化）
- (f) 事後分布（事後確率分布）（后验分布）
【予測問題②】問題4（学習の限界・評価）
- (a) 過学習（オーバーフィッティング）（过拟合）
- (b) 汎化性能（泛化性能）
- © 正則化（正则化）
- (d) 交差検証（交叉验证）
- (e) 早期終了（Early Stopping）（提前停止）
5-単語练习（日语版本）
6-总结
知识一点点记录吧，最后应对考试，打下基础