大家复习人工智能导论之前先想明白一件事这门课不是靠背就能过的但更不是靠“感觉会了”就能拿分的。我是湖南科技大学大三下选的这门课期中考试前一周才真正进入状态后来发现只要把考点拆成几条主线配合手算、画图、默写这一步一步的功夫两小时的机考完全来得及。这篇笔记就是我当时整理的思路从考点分布到每类题型的固定解法再到我踩过的坑一次性讲清楚希望能帮你少走弯路。这篇内容适合谁正在准备人工智能导论期中考试的同学尤其是不清楚老师出题风格、不知道从何下手、或者前面几周听课稀里糊涂的。哪怕是零基础的文科背景转过来的只要按这篇笔记的节奏走把搜索、知识表示、推理、机器学习基础这几块吃透期中拿个不错的分数并不难。1. 先摸清这门课的考试脾气考点分布与复习策略1.1 从课程大纲倒推期中考点人工智能导论这门课内容跨度很大从搜索策略到知识表示从谓词逻辑到机器学习基础老师半个学期讲下来基本都是“广度优先”模式。但期中考试考什么其实是有规律的。我当时把老师的课件目录和课后习题标了一遍最终锁定了四个必考区域搜索策略、知识表示、确定性推理、机器学习基础。搜索策略这块盲目搜索和启发式搜索几乎年年考A*算法常年占据一个大题的位置而且通常会让你手算open表、closed表的变化过程。知识表示相对友好一些产生式、语义网络、框架这三种表示方法考的是“给你一个场景选合适的表示方法并画出来”。推理部分重点在谓词逻辑和归结原理很多时候是给几个谓词公式让你化简成子句集再做归结。机器学习基础考得比较浅但决策树、朴素贝叶斯、KNN这几个经典模型要能手工算特别容易出计算题。1.2 复习资料只抓这三样就够很多同学复习的时候喜欢把整本书从头啃到尾实际效率很低。我身边那些考得不错的同学资料都很精简课件PPT、课后习题答案、加上老师专门列的重点复习题就这三样。课件PPT是考试范围的最准依据题目的截图我都是直接复现原图自己动手再做一遍这比看“例题讲解”有效得多。这里要特别提醒一点如果老师用的是自己学校的平台发布课件重点内容一般在“章节小结”和“思考题”里这些地方往往会变成考试原题或变体。我是把课后题全做了一遍又把课件里标注“重要”“必考”的点单独抄在一张A4纸上考前反复默写。事实证明这个动作至少帮我拿到了30分的“稳分”。2. 搜索策略不只是画图还要会证明为什么2.1 盲目搜索的画图与判优盲目搜索是AI搜索引擎的开胃菜主要考深度优先和广度优先。很多同学会觉得“这就是树的遍历嘛”但实际上课和考试的侧重点完全不同。考试要求你画出完整的状态空间树并写出节点的扩展顺序。深度优先搜索的关键是“一条路走到黑不行再回头”。考试里给定一个图起点和终点标注好你按DFS规则扩展节点然后把访问序列写出来。这里容易出错的地方有两个一是遇到多个可选邻接点时按什么顺序选题目一般会说明“按节点编号从小到大”但如果你没注意这个约定顺序就全错了二是何时判断到达目标如果目标是某个深层节点DFS可能先探很多死胡同才找到它这时候扩展顺序写起来特别长容易漏写。广度优先搜索的核心则是“逐层扩展”。它一定会找到最短路径所以考试经常问你“用BFS找到的路径是什么”。我实测下来画状态空间树的时候每一层节点写齐了再标出目标节点的第一次出现位置后面再出现的同名节点就不用管了。这样既能拿全扩展顺序的分又能拿路径长度判断的分。2.2 A*算法从手算到证明完备性A算法可以说是期中考试最大的分水岭。会算的人觉得它就是个带启发值的Dijkstra不会算的人看半天不知道open表里的节点到底留谁删谁。我复习的时候总结了A手算的固定套路初始节点放入open表每次从open表里选f(n)g(n)h(n)最小的节点扩展生成后继节点时如果新路径的g值更小就更新否则忽略扩展完的节点放入closed表。为了把这个过程练熟我用了一个经典题目——八数码问题。从初始状态用A*搜索到目标状态每一步算g、h、f值写出open表、closed表的变化。这个题我重复做了三遍第一遍对照答案第二遍默写第三遍限时15分钟完成。考场上看到类似的题目10分钟之内就能写完整。另一个容易被问到的点是A的性质。老师可能不给一个具体的图而是问“为什么A算法在h(n)可采纳即h(n)不超过真实代价时能找到最优解”。当时我用的解释是两层递推因为h值低估了实际代价所以f值是真实代价的下界当下一个要扩展的节点是目标节点时它的f值就是真实代价而所有未扩展节点的f值都更大不可能是更优解。这个推理逻辑很顺写答案的时候只要把两步表达清楚基本就能拿到全分。2.3 对抗搜索极大极小与α-β剪枝的考场计算期中考试如果出了博弈树相关题目通常不会太复杂。我复习时主要练的是给定一棵博弈树用极大极小值算法给每个节点标注值再用α-β剪枝标出哪些分支可以被剪掉。做这类题有个关键点画博弈树时MAX层取子节点最大值MIN层取子节点最小值。α-β剪枝的规则很多人背不熟我提供一个笨但管用的记忆方式α值是当前MAX节点能找到的“保底下限”β值是当前MIN节点能压到的“封顶上限”一旦某个节点的值超出了父节点已经确定的区间就立即停止搜索这个分支。考场上只要把这个区间判断写明白剪枝题基本不丢分。我踩过的坑是剪枝判断时把“”和“”搞混。一些教材中当右边界值等于父节点的α值时也可以剪枝但有些版本要求严格大于。考试前一定要问清楚老师采用哪种定义否则一整道大题全错。3. 知识表示与推理送分题里也有坑3.1 五种知识表示方法怎么选知识表示这一章期中考试基本不会让你“默写定义”而是给你一个场景让你选择合适的方法并画出表示图。考试频率最高的三个产生式规则、语义网络、框架表示。产生式规则就是IF-THEN结构用在医疗诊断、故障排查这类场景特别合适。画的时候注意把所有条件和结论分开“IF条件1AND条件2THEN结论”考试时经常要求你把自然语言描述转写成这种规则这时候别漏条件因果关系用文字连起来得分点就到了。语义网络用节点表示概念、实体或属性用带标注的边表示关系。这种题的迷惑点在于关系类型别乱造。是”属于“就写is-a是”拥有“就写has是”是一种“就写kind-of。宁可全用英文标准关系词也别用中文“是一种”这种口语化表达因为阅卷时标准答案用的基本是英文或教材约定俗成的写法。框架表示其实是更结构化的知识组织方式用“槽位”和“侧面值”来描述一个对象。考试一般会给你一个具体场景让你列出框架名、槽名、侧面值、继承关系。我当时复习的时候特意把课本里的“学生框架”例子默写了一遍重点理解“默认值”和“继承值”的区别这两个概念在选择题里也是常客。3.2 谓词逻辑与归结推理的固定套路谓词逻辑部分考试重点有三个谓词公式的翻译、子句集的化简、归结原理证明。这三个技能是逐层递进的不会化简子句集归结证明就无从谈起。命题翻译相对简单就是自然语言“翻译”成谓词表达式注意全称量词和存在量词的先后顺序。比如“所有人都会死”要写成∀x(Man(x)→Mortal(x))这里蕴含符号不能写反写反了就变成“所有人不死”完全错误。尤其是带多个量词的句子比如“每个学生都选修至少一门课程”主范式是∀x(Student(x)→∃y(Course(y)∧Select(x,y)))量词顺序错了就是零分。化简子句集是重头戏。我的操作顺序是消蕴含、否定深入、变量标准化、消存在量词Skolem化、消全称量词、化前束合取范式、去掉合取词、换变量名。这八步每一步都有固定套路考试时能写多细就写多细每步一个箭头往下推阅卷老师只看关键转换对不对所以中间步骤尽量不要跳。归结证明的核心思想是反证法把结论的否定加入前提集合然后反复做归结直到推出空子句。我当时练了一道经典“动物分类”的题就是把“猫是哺乳动物”“哺乳动物有皮毛”“如果有皮毛则它哺乳后代”这些规则写成子句再证明“猫有皮毛且哺乳后代”。归结的顺序选得好两步就能出空子句顺序选得差要绕一大圈。这个只能靠多练几道题找手感。4. 机器学习基石决策树、贝叶斯与KNN的手算得分点4.1 决策树ID3信息增益计算的考场步骤机器学习基础部分是期中考试后半程的重点其中决策树ID3算法的计算题出场率极高。考场上的典型题目是给一个小型数据集包含几个样本和几个属性让你算每个属性的信息增益并选定根节点、画出一层决策树。计算信息增益的固定流程是先算总数据集的熵再按每个属性的取值把数据划分成子集分别算条件熵二者相减就是信息增益。公式长这样 Entropy(S)-∑p_i·log₂(p_i) Gain(S,A)Entropy(S)-∑(|S_v|/|S|)·Entropy(S_v)这里最容易丢分的是log₂的计算。考场上不可能用计算器所以你得熟练掌握简单数值的对数估算。比如数据分的类别比例是0.5和0.5信息熵就是1比例是0.25和0.75信息熵约等于0.811。这几个常见的熵值最好提前背下来我备考时整理过一张表两个类别时熵值从0到1之间变化0/1组合熵为00.5/0.5组合熵为10.25/0.75约0.8110.1/0.9约0.469。把这些值背熟计算速度至少快一倍。4.2 朴素贝叶斯与KNN边界情况和判题陷阱朴素贝叶斯考的是给一组训练数据预测新样本的类别。解题套路就是贝叶斯定理P(类别|特征)P(特征|类别)·P(类别)/P(特征)因为分母对所有类别都一样比较分子大小即可。做这类题时最怕的数据情况是“特征在某个类别下出现次数为0”此时概率直接变成0会让整个乘积归零导致结论不合理。应付“零概率”的常见方案是拉普拉斯平滑。公式是P(特征|类别)(count(特征,类别)1)/(count(类别)类别取值数)。这个方法的名字不一定在课上学过但考试如果直接给一个含零次出现的数据表你就得想到给频数加1再算。我当时就把“平滑”这个动作写在最显眼的位置提醒自己一旦看到任何分母或分子出现0就启用拉普拉斯修正。KNN的题目通常比较简单给你几个样本点每个点带标签再给你一个待预测点问k3或k5时分类结果是什么。考试的坑有两个一是距离公式欧氏距离需要开根号但如果你只比较大小不展示开根后的数值部分老师不给分所以我建议写成根号形式再化简二是平票情况如果k5时两类票数相等不同教材处理方式不同必须有明确的破平规则比如按距离最近者优先考前最好跟同学确认老师的判卷标准。4.3 手写感知机与聚类把公式翻译成步骤感知机如果出现在期中考卷里一般是以“迭代更新权重”的形式出现。给定初始权重和学习率要求你按训练样本迭代一轮或两轮写出每次更新的权重值。感知机的更新规则是如果预测错误在错误方向上调整权重wwη·(y-y_pred)·xbbη·(y-y_pred)。做这种题时我看过好多同学栽在符号上y_pred是“预测标签”取值是1或-1而不是0或1。如果按0/1逻辑代入错误符号后面全乱。另外学习率很小比如0.1时两轮迭代权重变化很小这很正常千万别以为自己算错了。K-means聚类在期中出题也不少见通常是给一些二维坐标点要求按k2进行一轮或两轮迭代。套路是先随机选两个点作为初始聚类中心计算每个点到两个中心的欧氏距离把它归入距离更近的那一类然后重新计算质心。做这种题第一轮质心一定是坐标的算术平均值写成分数形式就能保留精度不要提前四舍五入否则第二轮距离计算就有误差越差越多。5. 常见考场翻车现场与避坑实录5.1 画图题的隐性扣分点画图题在外面看来是送分题但实际扣分率不低。我复盘过自己和身边同学的失分情况发现几个共性原因画了图但没标箭头方向产生式规则的圈和框用了不同形状但没有图例说明语义网络里关系名写得过于口语化框架表示里漏写了继承关系。这些细节看似小但每题扣个2到3分加在一起就影响总评了。我的对策是考前专门花半小时练画三类图每一类都按“规范版”画。规范版的定义是节点要有名称边要有标签层次结构要体现继承关系。考试时宁可画慢一点也要保证一套逻辑闭环因为老师阅卷看的不是“好看”而是“完整”。另外有些机考系统是直接在网页上做图不支持手写这时候更要提前练一下在线画图工具的快捷键。我考试用的系统支持拖拽节点和连线但如果你不熟悉操作光画一个语义网络就花15分钟后面大题的时间就极度压缩。有条件的话考前找同学搭个模拟环境哪怕用白板软件练一遍也好。5.2 概念题与计算题的常见失误速查我在复习后期整理了一份“错题画像”把小伙伴们最容易错的题目类型和对应解决办法列成了速查表。下面就是我当时贴在电脑前的备忘今天直接分享出来题型常见失误解决办法搜索题邻接点扩展顺序自上而下随意选按字典序或编号从小到大扩展并写明约定A*计算忘记更新已存在open表中的节点每次扩展后重算f值若更小则替换α-β剪枝剪枝条件写成大于而不是大于等于考前确认教材定义保持一致子句化简Skolem化时忽略了存在量词位置先写全称、存在的次序再逐层Skolem贝叶斯特征出现0次直接判为不可能使用拉普拉斯平滑频率加1KNN距离只比较大小而未写计算过程保留根号并化简写完整公式感知机预测标签写成0/1而非1/-1明确当前y∈{1,-1}按符号判断K-means质心取整导致后续距离偏差用分数表示质心最后再约简当时我还给自己定了一条规矩计算题不管多简单一律写出公式再代入数值。这个习惯救了我好几次因为机考系统按步骤给分公式写对至少拿一半分数值算错只扣那一步的分总比一整道题零分强。6. 考前3天冲刺计划与考场时间分配6.1 最后一轮复习做什么如果现在离考试只剩三天别再从头刷视频课了性价比最高的方案是做题加默写。我当时的安排是第一天专攻搜索与对抗搜索把BFS、DFS、A*、α-β四类题各做两道第二天专攻知识表示和推理画两遍语义网络化三个子句集做两道归结证明第三天主刷机器学习计算题决策树算一棵、贝叶斯算两遍、KNN和K-means各做一题同时把前面整理的速查表从头到尾背一遍。这三天还有一个每日必做的动作早上用15分钟默写五大知识表示方法的框架、A*算法流程、α-β剪枝步骤、子句化简八步、信息增益公式、贝叶斯公式。这些东西不是“看会了”就完了一定要写到纸上因为考场上时间紧张如果你的手比脑子快你就赢了一半。6.2 两小时机考的时间分配方案我考的那场是两小时机考总共十来个题含单选、判断、填空和大题。我的实际时间分配是单选判断填空控制在25分钟以内大题按分值分配时间每道大题至少留10~15分钟。搜索类和机器学习算要动手画图、计算的题优先做概念类、叙述类的题放最后答因为可以边打边想不容易卡住。这里分享一个考场小技巧打开试卷后先用3分钟快速浏览全部题目把每道题的分值和难易程度标在草稿纸上然后按“先熟后生、先算后述”的顺序作答。我那次考试A*大题就在最后一道分值很高很多同学从头做到尾时间不够最后草草写几行就交卷了。我因为提前浏览直接跳到最后先做这道15分的大题保住了最重要的分数。这个小习惯建议所有同学都试试。还有一点要记得机考系统一般有自动保存但不同学校的系统偶尔抽风我在前一次其他课的机考中就遇到过提交后没保存成功的情况。所以每做完一题我就习惯性点一次保存考完前再检查一遍“已提交题目数”是否与试卷总题数一致。多花两分钟买一份安心这个买卖很划算。最后再说一个实操层面的体会人工智能导论的门槛不在智商而在“能不能把抽象算法落到笔头”。我见过很多同学上课一听就懂但一画状态空间树就手忙脚乱一算信息增益就数字乱飞。这门课的期中考试检验的恰恰是这些“手头功夫”。只要你把本文梳理的几条主线练熟考场上心态稳住时间分配合理考出理想成绩是水到渠成的事。
人工智能导论期中考试复习：搜索算法与机器学习核心考点全梳理
大家复习人工智能导论之前先想明白一件事这门课不是靠背就能过的但更不是靠“感觉会了”就能拿分的。我是湖南科技大学大三下选的这门课期中考试前一周才真正进入状态后来发现只要把考点拆成几条主线配合手算、画图、默写这一步一步的功夫两小时的机考完全来得及。这篇笔记就是我当时整理的思路从考点分布到每类题型的固定解法再到我踩过的坑一次性讲清楚希望能帮你少走弯路。这篇内容适合谁正在准备人工智能导论期中考试的同学尤其是不清楚老师出题风格、不知道从何下手、或者前面几周听课稀里糊涂的。哪怕是零基础的文科背景转过来的只要按这篇笔记的节奏走把搜索、知识表示、推理、机器学习基础这几块吃透期中拿个不错的分数并不难。1. 先摸清这门课的考试脾气考点分布与复习策略1.1 从课程大纲倒推期中考点人工智能导论这门课内容跨度很大从搜索策略到知识表示从谓词逻辑到机器学习基础老师半个学期讲下来基本都是“广度优先”模式。但期中考试考什么其实是有规律的。我当时把老师的课件目录和课后习题标了一遍最终锁定了四个必考区域搜索策略、知识表示、确定性推理、机器学习基础。搜索策略这块盲目搜索和启发式搜索几乎年年考A*算法常年占据一个大题的位置而且通常会让你手算open表、closed表的变化过程。知识表示相对友好一些产生式、语义网络、框架这三种表示方法考的是“给你一个场景选合适的表示方法并画出来”。推理部分重点在谓词逻辑和归结原理很多时候是给几个谓词公式让你化简成子句集再做归结。机器学习基础考得比较浅但决策树、朴素贝叶斯、KNN这几个经典模型要能手工算特别容易出计算题。1.2 复习资料只抓这三样就够很多同学复习的时候喜欢把整本书从头啃到尾实际效率很低。我身边那些考得不错的同学资料都很精简课件PPT、课后习题答案、加上老师专门列的重点复习题就这三样。课件PPT是考试范围的最准依据题目的截图我都是直接复现原图自己动手再做一遍这比看“例题讲解”有效得多。这里要特别提醒一点如果老师用的是自己学校的平台发布课件重点内容一般在“章节小结”和“思考题”里这些地方往往会变成考试原题或变体。我是把课后题全做了一遍又把课件里标注“重要”“必考”的点单独抄在一张A4纸上考前反复默写。事实证明这个动作至少帮我拿到了30分的“稳分”。2. 搜索策略不只是画图还要会证明为什么2.1 盲目搜索的画图与判优盲目搜索是AI搜索引擎的开胃菜主要考深度优先和广度优先。很多同学会觉得“这就是树的遍历嘛”但实际上课和考试的侧重点完全不同。考试要求你画出完整的状态空间树并写出节点的扩展顺序。深度优先搜索的关键是“一条路走到黑不行再回头”。考试里给定一个图起点和终点标注好你按DFS规则扩展节点然后把访问序列写出来。这里容易出错的地方有两个一是遇到多个可选邻接点时按什么顺序选题目一般会说明“按节点编号从小到大”但如果你没注意这个约定顺序就全错了二是何时判断到达目标如果目标是某个深层节点DFS可能先探很多死胡同才找到它这时候扩展顺序写起来特别长容易漏写。广度优先搜索的核心则是“逐层扩展”。它一定会找到最短路径所以考试经常问你“用BFS找到的路径是什么”。我实测下来画状态空间树的时候每一层节点写齐了再标出目标节点的第一次出现位置后面再出现的同名节点就不用管了。这样既能拿全扩展顺序的分又能拿路径长度判断的分。2.2 A*算法从手算到证明完备性A算法可以说是期中考试最大的分水岭。会算的人觉得它就是个带启发值的Dijkstra不会算的人看半天不知道open表里的节点到底留谁删谁。我复习的时候总结了A手算的固定套路初始节点放入open表每次从open表里选f(n)g(n)h(n)最小的节点扩展生成后继节点时如果新路径的g值更小就更新否则忽略扩展完的节点放入closed表。为了把这个过程练熟我用了一个经典题目——八数码问题。从初始状态用A*搜索到目标状态每一步算g、h、f值写出open表、closed表的变化。这个题我重复做了三遍第一遍对照答案第二遍默写第三遍限时15分钟完成。考场上看到类似的题目10分钟之内就能写完整。另一个容易被问到的点是A的性质。老师可能不给一个具体的图而是问“为什么A算法在h(n)可采纳即h(n)不超过真实代价时能找到最优解”。当时我用的解释是两层递推因为h值低估了实际代价所以f值是真实代价的下界当下一个要扩展的节点是目标节点时它的f值就是真实代价而所有未扩展节点的f值都更大不可能是更优解。这个推理逻辑很顺写答案的时候只要把两步表达清楚基本就能拿到全分。2.3 对抗搜索极大极小与α-β剪枝的考场计算期中考试如果出了博弈树相关题目通常不会太复杂。我复习时主要练的是给定一棵博弈树用极大极小值算法给每个节点标注值再用α-β剪枝标出哪些分支可以被剪掉。做这类题有个关键点画博弈树时MAX层取子节点最大值MIN层取子节点最小值。α-β剪枝的规则很多人背不熟我提供一个笨但管用的记忆方式α值是当前MAX节点能找到的“保底下限”β值是当前MIN节点能压到的“封顶上限”一旦某个节点的值超出了父节点已经确定的区间就立即停止搜索这个分支。考场上只要把这个区间判断写明白剪枝题基本不丢分。我踩过的坑是剪枝判断时把“”和“”搞混。一些教材中当右边界值等于父节点的α值时也可以剪枝但有些版本要求严格大于。考试前一定要问清楚老师采用哪种定义否则一整道大题全错。3. 知识表示与推理送分题里也有坑3.1 五种知识表示方法怎么选知识表示这一章期中考试基本不会让你“默写定义”而是给你一个场景让你选择合适的方法并画出表示图。考试频率最高的三个产生式规则、语义网络、框架表示。产生式规则就是IF-THEN结构用在医疗诊断、故障排查这类场景特别合适。画的时候注意把所有条件和结论分开“IF条件1AND条件2THEN结论”考试时经常要求你把自然语言描述转写成这种规则这时候别漏条件因果关系用文字连起来得分点就到了。语义网络用节点表示概念、实体或属性用带标注的边表示关系。这种题的迷惑点在于关系类型别乱造。是”属于“就写is-a是”拥有“就写has是”是一种“就写kind-of。宁可全用英文标准关系词也别用中文“是一种”这种口语化表达因为阅卷时标准答案用的基本是英文或教材约定俗成的写法。框架表示其实是更结构化的知识组织方式用“槽位”和“侧面值”来描述一个对象。考试一般会给你一个具体场景让你列出框架名、槽名、侧面值、继承关系。我当时复习的时候特意把课本里的“学生框架”例子默写了一遍重点理解“默认值”和“继承值”的区别这两个概念在选择题里也是常客。3.2 谓词逻辑与归结推理的固定套路谓词逻辑部分考试重点有三个谓词公式的翻译、子句集的化简、归结原理证明。这三个技能是逐层递进的不会化简子句集归结证明就无从谈起。命题翻译相对简单就是自然语言“翻译”成谓词表达式注意全称量词和存在量词的先后顺序。比如“所有人都会死”要写成∀x(Man(x)→Mortal(x))这里蕴含符号不能写反写反了就变成“所有人不死”完全错误。尤其是带多个量词的句子比如“每个学生都选修至少一门课程”主范式是∀x(Student(x)→∃y(Course(y)∧Select(x,y)))量词顺序错了就是零分。化简子句集是重头戏。我的操作顺序是消蕴含、否定深入、变量标准化、消存在量词Skolem化、消全称量词、化前束合取范式、去掉合取词、换变量名。这八步每一步都有固定套路考试时能写多细就写多细每步一个箭头往下推阅卷老师只看关键转换对不对所以中间步骤尽量不要跳。归结证明的核心思想是反证法把结论的否定加入前提集合然后反复做归结直到推出空子句。我当时练了一道经典“动物分类”的题就是把“猫是哺乳动物”“哺乳动物有皮毛”“如果有皮毛则它哺乳后代”这些规则写成子句再证明“猫有皮毛且哺乳后代”。归结的顺序选得好两步就能出空子句顺序选得差要绕一大圈。这个只能靠多练几道题找手感。4. 机器学习基石决策树、贝叶斯与KNN的手算得分点4.1 决策树ID3信息增益计算的考场步骤机器学习基础部分是期中考试后半程的重点其中决策树ID3算法的计算题出场率极高。考场上的典型题目是给一个小型数据集包含几个样本和几个属性让你算每个属性的信息增益并选定根节点、画出一层决策树。计算信息增益的固定流程是先算总数据集的熵再按每个属性的取值把数据划分成子集分别算条件熵二者相减就是信息增益。公式长这样 Entropy(S)-∑p_i·log₂(p_i) Gain(S,A)Entropy(S)-∑(|S_v|/|S|)·Entropy(S_v)这里最容易丢分的是log₂的计算。考场上不可能用计算器所以你得熟练掌握简单数值的对数估算。比如数据分的类别比例是0.5和0.5信息熵就是1比例是0.25和0.75信息熵约等于0.811。这几个常见的熵值最好提前背下来我备考时整理过一张表两个类别时熵值从0到1之间变化0/1组合熵为00.5/0.5组合熵为10.25/0.75约0.8110.1/0.9约0.469。把这些值背熟计算速度至少快一倍。4.2 朴素贝叶斯与KNN边界情况和判题陷阱朴素贝叶斯考的是给一组训练数据预测新样本的类别。解题套路就是贝叶斯定理P(类别|特征)P(特征|类别)·P(类别)/P(特征)因为分母对所有类别都一样比较分子大小即可。做这类题时最怕的数据情况是“特征在某个类别下出现次数为0”此时概率直接变成0会让整个乘积归零导致结论不合理。应付“零概率”的常见方案是拉普拉斯平滑。公式是P(特征|类别)(count(特征,类别)1)/(count(类别)类别取值数)。这个方法的名字不一定在课上学过但考试如果直接给一个含零次出现的数据表你就得想到给频数加1再算。我当时就把“平滑”这个动作写在最显眼的位置提醒自己一旦看到任何分母或分子出现0就启用拉普拉斯修正。KNN的题目通常比较简单给你几个样本点每个点带标签再给你一个待预测点问k3或k5时分类结果是什么。考试的坑有两个一是距离公式欧氏距离需要开根号但如果你只比较大小不展示开根后的数值部分老师不给分所以我建议写成根号形式再化简二是平票情况如果k5时两类票数相等不同教材处理方式不同必须有明确的破平规则比如按距离最近者优先考前最好跟同学确认老师的判卷标准。4.3 手写感知机与聚类把公式翻译成步骤感知机如果出现在期中考卷里一般是以“迭代更新权重”的形式出现。给定初始权重和学习率要求你按训练样本迭代一轮或两轮写出每次更新的权重值。感知机的更新规则是如果预测错误在错误方向上调整权重wwη·(y-y_pred)·xbbη·(y-y_pred)。做这种题时我看过好多同学栽在符号上y_pred是“预测标签”取值是1或-1而不是0或1。如果按0/1逻辑代入错误符号后面全乱。另外学习率很小比如0.1时两轮迭代权重变化很小这很正常千万别以为自己算错了。K-means聚类在期中出题也不少见通常是给一些二维坐标点要求按k2进行一轮或两轮迭代。套路是先随机选两个点作为初始聚类中心计算每个点到两个中心的欧氏距离把它归入距离更近的那一类然后重新计算质心。做这种题第一轮质心一定是坐标的算术平均值写成分数形式就能保留精度不要提前四舍五入否则第二轮距离计算就有误差越差越多。5. 常见考场翻车现场与避坑实录5.1 画图题的隐性扣分点画图题在外面看来是送分题但实际扣分率不低。我复盘过自己和身边同学的失分情况发现几个共性原因画了图但没标箭头方向产生式规则的圈和框用了不同形状但没有图例说明语义网络里关系名写得过于口语化框架表示里漏写了继承关系。这些细节看似小但每题扣个2到3分加在一起就影响总评了。我的对策是考前专门花半小时练画三类图每一类都按“规范版”画。规范版的定义是节点要有名称边要有标签层次结构要体现继承关系。考试时宁可画慢一点也要保证一套逻辑闭环因为老师阅卷看的不是“好看”而是“完整”。另外有些机考系统是直接在网页上做图不支持手写这时候更要提前练一下在线画图工具的快捷键。我考试用的系统支持拖拽节点和连线但如果你不熟悉操作光画一个语义网络就花15分钟后面大题的时间就极度压缩。有条件的话考前找同学搭个模拟环境哪怕用白板软件练一遍也好。5.2 概念题与计算题的常见失误速查我在复习后期整理了一份“错题画像”把小伙伴们最容易错的题目类型和对应解决办法列成了速查表。下面就是我当时贴在电脑前的备忘今天直接分享出来题型常见失误解决办法搜索题邻接点扩展顺序自上而下随意选按字典序或编号从小到大扩展并写明约定A*计算忘记更新已存在open表中的节点每次扩展后重算f值若更小则替换α-β剪枝剪枝条件写成大于而不是大于等于考前确认教材定义保持一致子句化简Skolem化时忽略了存在量词位置先写全称、存在的次序再逐层Skolem贝叶斯特征出现0次直接判为不可能使用拉普拉斯平滑频率加1KNN距离只比较大小而未写计算过程保留根号并化简写完整公式感知机预测标签写成0/1而非1/-1明确当前y∈{1,-1}按符号判断K-means质心取整导致后续距离偏差用分数表示质心最后再约简当时我还给自己定了一条规矩计算题不管多简单一律写出公式再代入数值。这个习惯救了我好几次因为机考系统按步骤给分公式写对至少拿一半分数值算错只扣那一步的分总比一整道题零分强。6. 考前3天冲刺计划与考场时间分配6.1 最后一轮复习做什么如果现在离考试只剩三天别再从头刷视频课了性价比最高的方案是做题加默写。我当时的安排是第一天专攻搜索与对抗搜索把BFS、DFS、A*、α-β四类题各做两道第二天专攻知识表示和推理画两遍语义网络化三个子句集做两道归结证明第三天主刷机器学习计算题决策树算一棵、贝叶斯算两遍、KNN和K-means各做一题同时把前面整理的速查表从头到尾背一遍。这三天还有一个每日必做的动作早上用15分钟默写五大知识表示方法的框架、A*算法流程、α-β剪枝步骤、子句化简八步、信息增益公式、贝叶斯公式。这些东西不是“看会了”就完了一定要写到纸上因为考场上时间紧张如果你的手比脑子快你就赢了一半。6.2 两小时机考的时间分配方案我考的那场是两小时机考总共十来个题含单选、判断、填空和大题。我的实际时间分配是单选判断填空控制在25分钟以内大题按分值分配时间每道大题至少留10~15分钟。搜索类和机器学习算要动手画图、计算的题优先做概念类、叙述类的题放最后答因为可以边打边想不容易卡住。这里分享一个考场小技巧打开试卷后先用3分钟快速浏览全部题目把每道题的分值和难易程度标在草稿纸上然后按“先熟后生、先算后述”的顺序作答。我那次考试A*大题就在最后一道分值很高很多同学从头做到尾时间不够最后草草写几行就交卷了。我因为提前浏览直接跳到最后先做这道15分的大题保住了最重要的分数。这个小习惯建议所有同学都试试。还有一点要记得机考系统一般有自动保存但不同学校的系统偶尔抽风我在前一次其他课的机考中就遇到过提交后没保存成功的情况。所以每做完一题我就习惯性点一次保存考完前再检查一遍“已提交题目数”是否与试卷总题数一致。多花两分钟买一份安心这个买卖很划算。最后再说一个实操层面的体会人工智能导论的门槛不在智商而在“能不能把抽象算法落到笔头”。我见过很多同学上课一听就懂但一画状态空间树就手忙脚乱一算信息增益就数字乱飞。这门课的期中考试检验的恰恰是这些“手头功夫”。只要你把本文梳理的几条主线练熟考场上心态稳住时间分配合理考出理想成绩是水到渠成的事。
