人工智能学习-AI入试相关题目练习-第十五次
- 1-前言
- 3-问题题目训练
- 【模擬問題①】（既出近似：探索アルゴリズム）
- 【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：強化学習・方策の性質）
- 【予測問題②】（新傾向：確率的推論・フィルタリング）
-
- 問題4
- [🔎 出题意图（你自己把握用）](#🔎 出题意图（你自己把握用）)
- 4-练习（日语版本）解析
- 【模擬問題①】問題1（探索アルゴリズム）
-
-
- [(a) **最良優先**](#(a) 最良優先)
- [(b) **オープンリスト**](#(b) オープンリスト)
- [(c) **クローズドリスト**](#(c) クローズドリスト)
- [(d) **空**](#(d) 空)
- [(e) **小さい**](#(e) 小さい)
- [(f) **g(s)**](#(f) g(s))
- [(g) **h(s)**](#(g) h(s))
- [(h) **f(s)**](#(h) f(s))
- [(i) **昇順**](#(i) 昇順)
-
- 【模擬問題②】問題2（教師あり学習）
-
-
- [(a) **正解ラベル**](#(a) 正解ラベル)
- [(b) **損失関数**](#(b) 損失関数)
- [(c) **勾配**](#(c) 勾配)
- [(d) **学習率**](#(d) 学習率)
- [(e) **局所最小値**](#(e) 局所最小値)
- [(f) **正則化**](#(f) 正則化)
- [(g) **早期終了**](#(g) 早期終了)
-
- 【予測問題①】問題3（強化学習・方策）
-
-
- [(a) **方策**](#(a) 方策)
- [(b) **グリーディ**](#(b) グリーディ)
- [(c) **ε**](#(c) ε)
- [(d) **1−ε**](#(d) 1−ε)
- [(e) **ε-グリーディ**](#(e) ε-グリーディ)
- [(f) **ボルツマン**](#(f) ボルツマン)
- [(g) **確率的**](#(g) 確率的)
-
- 【予測問題②】問題4（確率的推論）
-
-
- [(a) **ノイズ**](#(a) ノイズ)
- [(b) **確率分布**](#(b) 確率分布)
- [(c) **予測**](#(c) 予測)
- [(d) **観測更新**](#(d) 観測更新)
- [(e) **状態遷移モデル**](#(e) 状態遷移モデル)
- [(f) **尤度**](#(f) 尤度)
- [(g) **正規化**](#(g) 正規化)
-
- 5-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：探索アルゴリズム）
問題1
探索問題において，評価値に基づいて探索順序を決定する手法を (a) 探索という。
この探索では，探索候補を保持する (b) と，すでに展開済みのノードを保持する © を用いる。
初期状態は (b) に追加され，© は (d) に初期化される。
各反復では，(b) から評価値が最も (e) ノードを取り出し，© に追加する。
ノードの評価値は，一般に実コスト (f) と
ヒューリスティック関数 (g) に基づいて定義され，
探索候補は評価値 (h) の (i) 順に並べ替えられる。
(a)～(i) 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。
モデルの学習は，出力と正解との差を表す (b) を最小化する問題として定式化される。
この最適化においては，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更新する。
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) を導入する手法や，
学習途中で更新を停止する (g) が用いられる。
(a)～(g) に入る語句を記せ。
【予測問題①】（新傾向：強化学習・方策の性質）
問題3
強化学習において，エージェントは状態に応じて行動を選択するための
方策 (a) を用いて行動を決定する。
常に最も価値の高い行動を選択する方策を (b) 法といい，
探索を全く行わないという特徴を持つ。
一方，確率 © でランダムに行動を選択し，
確率 (d) で (b) 法に基づく行動選択を行う手法を (e) 法という。
さらに，行動価値に基づいて確率分布を構成し，
確率的に行動を選択する手法では，(f) 分布が用いられる。
この分布は，行動価値の差を (g) に反映する特徴を持つ。
(a)～(g) に入る最も適切な語句を記せ。
【予測問題②】（新傾向：確率的推論・フィルタリング）
問題4
実世界における状態推定問題では，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。
この更新は，© ステップと (d) ステップから構成され，
前者では (e) に基づいて状態分布を推定する。
後者では観測モデルを用いて (f) を計算し，
分布の総和が 1 となるように (g) を行う。
(a)～(g) に入る語句を記せ。
🔎 出题意图（你自己把握用）
-
模擬①②
→ 探索アルゴリズム / 勾配最適化
→ 立命馆"反复出现的安全区"
-
予測③④
→ 方策の性質（exploration vs exploitation）
→ 確率的状態推定（フィルタ構造理解）
4-练习（日语版本）解析
【最良優先探索】
- (a) オープンリスト
- (b) オープンリスト
- © クローズドリスト
- (d) 目標状態
- (e) 小さい
【Q学習：方策】
- (f) ε
- (g) 1−ε
- (h) ボルツマン
【粒子フィルタ】
- (i) 近似
- (j) 確率
【ベイズフィルタ】
- (i) a_{t-1}
- (j) 正規化
✅ 一覧（答案だけまとめ）
(a) オープンリスト
(b) オープンリスト
(c) クローズドリスト
(d) 目標状態
(e) 小さい
(f) ε
(g) 1−ε
(h) ボルツマン
(i) 近似
(j) 確率
(i) a_{t-1}
(j) 正規化【模擬問題①】問題1（探索アルゴリズム）
(a) 最良優先
なぜ？
题干写的是「評価値に基づいて探索順序を決定 」，
这是 最良優先探索（Best-first search） 的定义用语。
如果是幅優先或深さ優先，就不会提评价值。
(b) オープンリスト
なぜ？
「探索候補を保持する」列表在搜索算法中固定称呼 就是
オープンリスト（未展开节点集合）。
© クローズドリスト
なぜ？
「すでに展開済みのノード」
→ 已处理过、不再展开
→ 标准术语只能是 クローズドリスト。
(d) 空
なぜ？
初始时尚未展开任何节点，
所以「クローズドリストは空に初期化」是固定句型。
(e) 小さい
なぜ？
最良優先探索的基本规则是
評価値が最も小さいノードを優先
写「大きい」会直接变成错误算法。
(f) g(s)
なぜ？
题干中明确写「実コスト 」
在搜索算法中，实际累计代价的标准记号是 g(s)。
(g) h(s)
なぜ？
「ヒューリスティック関数」在 AI 课程中
统一用 h(s) 表示，不可换成别的符号。
(h) f(s)
なぜ？
后文说「評価値」，
在最良优先 / A* 系算法中，
评价值统一写作 f(s)。
(i) 昇順
なぜ？
评价值越小越优先，
所以列表排序方式只能是
「小さい順 = 昇順」。
【模擬問題②】問題2（教師あり学習）
(a) 正解ラベル
なぜ？
教师学习的定义就是
入力データ＋正解
"正解"在日文标准术语中就是 正解ラベル。
(b) 損失関数
なぜ？
题干说「出力と正解との差」
这是损失函数的教科书定义。
© 勾配
なぜ？
参数更新方向由
(\partial L / \partial \theta) 决定，
这在日文中只能叫 勾配。
(d) 学習率
なぜ？
「更新量を制御する」
→ 控制一步走多远
→ 学習率 的定义。
(e) 局所最小値
なぜ？
非凸函数 → 可能停在"不是全局最优"的点，
标准表述只能是 局所最小値。
(f) 正則化
なぜ？
抑制模型复杂度、避免过拟合
→ 教科书中唯一标准术语是 正則化。
(g) 早期終了
なぜ？
"学習途中で停止"
→ 这在日文中固定叫 早期終了（Early Stopping）。
【予測問題①】問題3（強化学習・方策）
(a) 方策
なぜ？
状态 → 行动的规则
→ 在强化学习中唯一术语是 方策（policy）。
(b) グリーディ
なぜ？
"常に最も価値の高い行動"
这是 greedy policy 的定义句。
© ε
なぜ？
ε-greedy 中
"随机的概率"固定用 ε 表示。
(d) 1−ε
なぜ？
随机 ε + 贪婪 1−ε
这是必成对出现的概率。
(e) ε-グリーディ
なぜ？
题干完整描述了 ε-greedy 的行为规则，
名称只能填 ε-グリーディ。
(f) ボルツマン
なぜ？
"根据价值构成概率分布"
→ 指的是 Boltzmann exploration。
(g) 確率的
なぜ？
Boltzmann 的核心特征是
"价值差 平滑地反映到概率 "，
不是确定性选择。
【予測問題②】問題4（確率的推論）
(a) ノイズ
なぜ？
观测不可靠 → 原因是噪声
→ 标准术语 ノイズ。
(b) 確率分布
なぜ？
"不是单一值，而是整体可能性"
→ 只能用 確率分布。
© 予測
なぜ？
利用前一状态 + 行动
→ Bayes filter 中第一步固定叫 予測。
(d) 観測更新
なぜ？
用观测修正预测
→ 第二步固定叫 観測更新。
(e) 状態遷移モデル
なぜ？
预测阶段"基づく模型"
→ 状态怎么变 → 状態遷移モデル。
(f) 尤度
なぜ？
观测模型计算的是
"在该状态下看到该观测的可能性"
→ 尤度。
(g) 正規化
なぜ？
概率之和必须为 1
→ 必须进行 正規化。
5-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