1. 期中考核范围分析与备考总思路1.1 考前先摸清这张试卷的脾气先说结论人工智能导论这门课期中考试通常不会考得太偏但也不会纯靠背就能过。我那年拿到的卷子记忆题、理解题和计算题大概是四三三的比例选择题和判断题占了快一半分值剩下的大头在知识表示、搜索策略和归结推理这类需要上手算的题上。如果你所在学校用的教材是经典的《人工智能导论》或者类似体系知识点框架基本逃不出这几块AI概述、知识表示、搜索策略、推理技术再加上一点机器学习的入门概念。很多人复习这门课容易走两个极端要么把教材从头到尾抄一遍结果合上书啥也记不住要么直接闷头刷题碰到概念题全靠蒙。我的建议是先按章节搭一个知识树把“哪些要背、哪些要算、哪些要会分析”分清楚。像图灵测试的定义、三大学派的主张这种就是纯记忆点A*算法的估价函数、归结推理的步骤、贝叶斯公式的套用就是计算得分点而给你一个实际问题让你选合适的知识表示方法那就是理解应用层面的题。这一轮分类做完你基本就知道该在哪儿花时间了。另外想提醒一句多关注老师划的重点和布置过的作业。很多学校期中考试的题就是从课后习题和课堂例题演变来的甚至直接换个数就搬上卷子。我备考的时候把课件里所有例题都自己动手推了一遍后来发现光是这个动作就帮我捡回了至少十分。这张卷子不神秘但你得先搞清楚它考什么再把精力押对地方。1.2 我踩过的两个复习误区先说说误区一只背概念不练推导。人工智能导论里有不少内容乍一看像文科比如各种流派、各种定义但真正拉开分数差距的往往是那几个计算推导题。我记得第一次做归结推理练习时看着步骤讲解觉得“这不就是把式子变来变去嘛”结果自己上手一动笔合并、置换、归结哪一步都在出错。后来我才明白这类题必须在草稿纸上反复推直到能独立走完整个流程才算是真正会了。误区二死磕前沿技术忽略基础。大三下学期正是大家对深度学习、大模型最感兴趣的时候复习时很容易被“神经网络”“卷积”这些词带走。但期中考真的不会考这些至少大多数学校的期中不会。你花一晚上搞懂Transformer结构不如花一小时把A*算法的流程吃透后者是明确的得分点。我的建议是前沿内容放到考后再研究考前老老实实把经典部分学扎实性价比最高。2. AI概述与搜索策略期中考试最稳定的得分区2.1 概念题常客AI定义、图灵测试与三大学派这一节基本是选择题和判断题的题库来源不夸张地说每年都能考到。首先得把“人工智能”的定义用自己的话说清楚不能只背课本上的原句。人工智能是研究如何让计算机去完成传统上需要人类智能才能胜任的任务包括感知、推理、学习、理解自然语言等能力。你要是能用一句生活化的话解释给外行听那说明你是真懂了考试怎么变换说法你都不慌。图灵测试是概念题里的必考项核心思想其实很简单如果一台机器能在对话中让人类无法分辨对方是机器还是真人就说明这台机器具备了智能。注意几个容易被挖坑的点比如图灵测试强调的“行为”而非“意识”它只关注外部表现不关心机器内部是不是真的在“思考”。有些判断题会故意写“通过了图灵测试就等于机器真正拥有了意识”这就是典型的错误表述。另外三大学派——符号主义、连接主义和行为主义也是高频题源。符号主义认为智能活动的基础是物理符号系统代表方向是专家系统和知识工程连接主义从仿生学角度入手用神经网络模拟大脑结构行为主义则强调智能取决于感知和行动代表作是机器人控制。这三者主张的区别要能分清尤其是符号主义和连接主义的对比考试中经常用对号入座的方式出题。复习的时候可以列个小表格把每个学派的核心理念、代表成果、经典例子串起来几眼就能记住。2.2 搜索策略从盲目搜索到A*算法的完整套路搜索策略是人工智能导论的重点也是让我觉得“这门课终于有点技术含量”的第一章。从考试角度来看盲目搜索和启发式搜索都会涉及但A*算法是最具有区分度的考点几乎每张期中卷都有它的影子。先理清楚盲目搜索的两种基础方法。广度优先搜索逐层扩展优点是只要解存在就一定能找到最短路径的步数缺点是内存开销大搜索空间大时效率很低深度优先搜索则是一头扎到底内存占用小但不一定能找到最优解甚至可能陷入死循环。这两个概念经常考选择和简答让你比较两者优劣或选合适场景。朴素的理解方式BFS用队列DFS用栈这个实现层面的差异也常被拿来出题。启发式搜索就聪明在会用估价函数引导方向。A算法里有个核心公式f(n) g(n) h(n)。g(n)是从起点到当前节点n已经付出的实际代价h(n)是从n到目标节点的预估代价f(n)就是对“经过n这条路总共要花多少”的估计。A能保证找到最优解的前提是h(n)满足可采纳性——它永远不大于从n到目标的真实最小代价也就是说这个启发函数不能过于乐观地“高估”。具体做题时我习惯按这个步骤来第一步把起点放入Open表第二步从Open表中取出f值最小的节点如果它就是目标搜索结束第三步扩展该节点的所有邻居计算每个邻居的g、h、f值第四步如果邻居已在Open表中且新的f更小就用小的值更新第五步重复直到Open表为空或者找到目标。这种题拼的就是细心算错一个数后续全错所以每填一格都要反复核对。举个简单例子假设一个4x4的网格起点是(0,0)终点是(3,3)每个格子走一步耗散为1障碍物忽略不计。h(n)用曼哈顿距离来算公式是|当前行-目标行|加|当前列-目标列|。开始时起点(0,0)的g0h6f6把它移入Closed表扩展它的右邻(0,1)和下邻(1,0)。右侧格子的g1h|0-3||1-3|5f6下方格子g1h5f6。两者f一样任选一个继续。这个过程每走一步都要重新比较Open表中所有节点的f值而不是只盯着当前路径往下走这是新手最常犯的错误。复习搜索这块时我的建议是把BFS、DFS、贪婪最佳优先搜索和A*放到一起对比学习看它们在同一个网格例子上的扩展顺序有什么不同。这样你就不是孤立地背算法而是真正理解启发式信息是如何提高搜索效率的。考试中如果出现“试分析为什么启发式搜索比盲目搜索效率高”这类简答题你也可以回答启发式搜索利用与问题相关的信息量来估计哪些节点更有希望接近目标从而优先扩展这些节点而不是盲目地按固定顺序遍历整个状态空间。3. 知识表示与确定性推理大题的主战场3.1 谓词逻辑表示法最基础也最好用知识表示这一章是我复习时花时间最多的地方因为它的题型太丰富了有让你用谓词逻辑表示一句话的题有让你画出语义网络的题还有让你写出产生式规则集合的题。其中谓词逻辑是地基后面很多内容都建立在这个基础上。谓词逻辑的核心是“谓词 个体”的结构。个体是对象谓词描述对象的性质或者对象之间的关系。比如“小明是学生”用谓词逻辑写就是Student(XiaoMing)这里的Student是谓词XiaoMing是个体常量。再比如“长沙位于湖南和湖北之间”它涉及多个个体就得写成一个多元谓词比如LocatedBetween(ChangSha, HuNan, HuBei)。做这类题最容易出错的地方是量词的使用。“所有人都会死”要写成对所有的x如果x是人则x会死∀x(Human(x) → Mortal(x))。但“存在一个人会编程”就要写成存在x使得x是一个人并且x会编程∃x(Human(x) ∧ Programmer(x))。注意前一句的蕴含和后一句的合取不能搞混这个错误几乎是每年都会有不少人踩的坑。考试时如果遇到“用谓词逻辑表示下列知识”这种大题我建议按三步走第一步确定个体和谓词先想清楚这个命题里有哪些对象、哪些关系第二步判断量词是全称还是存在第三步把句子的语义拆解成逻辑公式。做完之后把公式再翻译回自然语言看看跟原句是不是一回事这步检查往往能救回不少分。复习期间我把课本上所有“请用谓词逻辑表示”的习题都过了一遍熟能生巧到后面基本一眼就能看出结构。3.2 产生式系统与语义网络图文结合的送分题产生式系统说白了就是“如果满足条件就执行动作”的规则集合形式是P → Q比如“如果动物有毛发并且产奶则它是哺乳动物”。考试中常见的要求是给你一个分类或诊断问题让你写出完整的产生式规则。这种题的关键在于规则要覆盖所有情况不能有漏洞同时规则之间不能互相冲突。语义网络则是用图来表达知识的结构化方法节点表示概念或个体带标签的弧线表示概念之间的关系。最经典的就是继承关系is-a和成员关系is-instance-of。举个常见的例子企鹅是鸟鸟会飞但企鹅不会飞。如果直接在语义网络里让“企鹅”继承“鸟”的“会飞”属性就会产生矛盾。这时候需要用到属性继承中的例外处理也就是在“企鹅”节点上单独定义“不会飞”来覆盖从“鸟”继承来的“会飞”。这个例子在很多教材里都出现考试时如果考到语义网络的局限性它就是一个很好的素材。画语义网络题的时候我总结了一个实用的画法先找出句子中的所有实体它们就是节点再找出实体之间的关系它们就是弧线最后看看有没有“是一种”“是一个”这样的层级关系把它单独整理成一层继承链。画完以后回头对照原文不要漏掉任何约束条件。这类题不是死记硬背的题理解透了其实很好拿分但如果不练几道画出来的图经常缺少关键的继承关系。3.3 归结推理原理听起来高大上其实就是反证法如果说搜索是第一章的灵魂那归结推理就是逻辑推理这一章最硬核的考点也经常出现在大题里。我第一次看到归结原理时觉得这玩意儿特别抽象后来想明白了一个类比你的目标是证明命题A为真整个解题过程就是先把A取反然后把已知条件和取反后的结论都化成子句集接着做归结如果最后推出空子句也就是矛盾那说明取反后的假设不成立所以A是真的。这跟数学里的反证法套路一模一样。归结推理落实到做题步骤是固定的。第一步把每条知识都化成子句形式也就是“析取式”比如把P→Q变成(¬P∨Q)第二步把要证明的结论取反也化为子句加入集合第三步不断找两个包含互补文字的子句进行归结消去这对互补项第四步如果归结出空子句证明完成。这里面最考验实操的是把自然语言知识转换成谓词公式再转成子句集中间任何一步错了后面全部白算。举个例子已知所有学生都会考试(∀x(Student(x) → ExamSkill(x)))小明是学生(Student(XiaoMing))。要证明小明会考试。先把第一条化成子句¬Student(x) ∨ ExamSkill(x)第二条就是Student(XiaoMing)结论取反是¬ExamSkill(XiaoMing)。然后用规则和结论的否定做归结把¬Student(x) ∨ ExamSkill(x)与Student(XiaoMing)归结x代换为XiaoMing得到ExamSkill(XiaoMing)再与¬ExamSkill(XiaoMing)归结得到空子句。证明完毕。整个过程逻辑链条很清晰但考试时容易在谓词代换和去掉存在量词时出错一定要把Skolem标准化的步骤练熟。我用了一个晚上的时间把课件上所有归结推理的例子重推了一遍从一开始要翻书看到最后闭着眼都能写出过程效果非常明显。你平时做作业时可能只需要交个结果但考试时过程分占大头所以每一步都要写得工工整整让阅卷老师能一眼看懂你的代换序列这样即使最后结果错了前面的步骤还是能拿到分。4. 不确定性推理与机器学习基础4.1 贝叶斯公式年年考年年有人栽不确定性推理在期中考试里的存在感主要靠贝叶斯公式撑起来。这个公式本身不难但考试时很多同学总在“先验概率、后验概率、似然度”这三个概念之间绕晕。我们需要做的就是用最直白的方式把它拆开。贝叶斯公式长这样P(H|E) P(E|H)P(H) / P(E)。用大白话说P(H|E)是在看到证据E之后你假设H成立的概率P(H)是还没看到证据时你原本对H的信心这就是先验概率P(E|H)是假设H成立时出现证据E的可能性叫似然度。贝壳里P(E)通常用全概率公式去算这也是考试中真正要动手的点。我复习时找了一道经典例题某种病的患病率为0.1%某项检测在患病者中准确测出阳性的概率是99%在健康者中误报阳性的概率是2%。现在有个人检测出阳性问他真的得病的概率是多少。很多人的直觉是“检测准确率挺高那得病概率应该也不小”但用贝叶斯公式一算结果往往出乎意料。具体算一下。设H为“患病”E为“检测阳性”P(H)0.001P(E|H)0.99P(E|¬H)0.02。用全概率展开P(E)P(E|H)P(H)P(E|¬H)P(¬H)0.99x0.0010.02x0.9990.000990.019980.02097。所以P(H|E)0.99x0.001/0.02097约等于0.0472也就是不到5%。看到这个结果时我一下子记住了“基础费率直接影响后验概率”这个知识点也理解了为什么医生会要求做进一步检查。这种例子既服务考试又帮你建立概率直觉学起来一点也不亏。考试时如果遇到贝叶斯计算题我建议先写公式再一步一步代条件不要跳步。即使算错了阅卷老师也能根据你的公式和中间步骤给分。另外注意把题目里那些文字描述准确翻译成数学符号比如“检测准确率99%”到底是P(E|H)还是P(H|E)看仔细再动手。4.2 机器学习基础期中考试的“开胃小菜”机器学习这一章在期中考试里通常不会出特别深的题但概念性的分值还是有的。你要分清三大类学习范式监督学习是用带标签的数据训练模型目标是学会从输入到输出的映射典型例子是分类和回归无监督学习处理的是没有标签的数据目标是发现数据内部的结构和规律典型例子是聚类强化学习则是在与环境交互中通过奖惩信号来学习策略典型例子是下棋和游戏AI。一个简单的记忆方式监督学习有老师无监督学习没老师强化学习靠试错反馈。另外一个常考点是“训练集和测试集”的区分。训练集用来调整模型参数测试集用来评估模型的泛化能力。判断题里常说“测试集参加了模型训练所以模型表现很好”这肯定是错的泄露测试集信息属于典型的作弊行为。我备考时把课本上关于过拟合的定义也重点看了通常的解释是模型在训练数据上表现得非常好但在未见数据上表现差原因是模型把训练数据中的噪声也学进去了。这个定义在选择题里经常换着方式出现但万变不离其宗。有些老师还会让你比较KNN、决策树和K-means这类常见算法。记住KNN是监督学习里的惰性学习方法决策树用信息增益或基尼指数选特征K-means是无监督聚类算法。它们三个有什么关系KNN和决策树都做分类但前者不需要训练过程后者要建树而K-means压根没有标签它做的是把样本聚成几堆。把这个对比搞清楚选择题里的“算法归类”就基本不会丢分。5. 常见题型与答题规范5.1 选择题与判断题的速记口诀选择题和判断题拼的就是知识面广度和精准度有些坑年年都在挖。我整理了几个高频陷阱一是偷换概念比如把“机器学习是人工智能的一个分支”说成“人工智能是机器学习的一个分支”二是以偏概全比如把某个学派的观点当成AI的全部定义三是否定细节比如“合理一致的规划器就一定是最优的”这种话听着没毛病但实际上漏了限制条件。看到这些表述第一反应就是怀疑。概念之间的关系我建议用口诀来记“符号主义靠逻辑连接主义仿大脑行为主义看行动三者各有千秋。”搜索策略的口诀是“盲目搜索无向导启发搜索有目标BFS广度备选多DFS深度一条道。A星估价合成本可采纳性不能少。”这类口诀不一定要多么押韵关键是能帮你快速定位到对应知识点。我在考场上遇到判断题时就是先在脑中过一遍相关概念的关键词再逐字对照题干不容易被迷惑项带偏。5.2 简答题的三段式答题结构简答题最忌讳“想到哪儿写到哪儿”。我的习惯是把答案拆成三段第一段给定义用一句话说清楚“是什么”第二段讲特点或者原理列出关键点第三段结合实际或例子说明“怎么用”或“为什么有效”。举个可能的题目“简述A算法与贪婪最佳优先搜索的区别。”第一段A算法同时考虑已耗费代价g(n)和预估代价h(n)而贪婪最佳优先搜索只考虑预估代价。第二段A的估价函数f(n)g(n)h(n)当h(n)满足可采纳性时可以保证找到最优解贪婪算法虽然扩展节点少、速度快但不保证最优。第三段所以在需要最优解的路径规划问题中更适合用A而对实时性要求高但能接受次优解的场景贪婪搜索可能更合适。这样答下来采分点基本全覆盖了。平时复习时可以把课件上所有简答题整理成一个题库先自己写答案再跟标准答案对比看看遗漏了哪些关键词。这个方法虽然费时间但对考前建立信心特别有帮助。5.3 计算题与大题的标准解题模板计算题要想拿高分卷面一定要清晰可读。以A*算法题为例我每次都用表格记录Open表的变化过程每行代表扩展一个节点后Open表的内容列依次是节点名、g值、h值、f值。这样做的好处是即使中途某个f值算错了阅卷老师也能看到你的思路是完整的过程分就能保住。归结推理题则要把每一条子句编号每一步归结用了哪两个子句、置换是什么、得到什么新子句都写清楚最后再写“得到空子句故结论成立”。不要小看这些格式上的习惯。我有个同学做题思路全对但因为跳步太多最后只拿了一半的过程分。从那以后我就明白这种推导型题目的得分策略是“宁滥勿缺”凡是关键步骤不写过分但要写全。平时做课后习题时也按这个标准来练习形成肌肉记忆考场上就不会慌。6. 复习时间规划与考前避坑指南6.1 一周期中复习的时间分配方案如果你问我建议提前多久开始复习我的回答是最好在考试前一周开始每天花两到三个小时而不是考前突击一整天。突击的问题在于知识没有沉淀的时间当时看着记住了睡一觉就忘了一大半。我的时间分配表是这样的前三天主攻知识表示和搜索策略因为这两块内容多、计算题密集需要充足的时间消化第四天和第五天专攻归结推理和不确定性推理把经典例题反复做到能独立完成第六天集中背概念把AI概述、机器学习基础这些记忆型知识点过一遍最后一天做模拟套卷或者重新做错题对不熟的地方查漏补缺。中间还可以穿插“睡前看课件”这种低成本记忆方式不需要特意花费整块时间。当然了每个人的课表和基础不一样你可以根据自己的薄弱环节调整时间比例。关键原则是一个计算型内容优先练记忆型内容靠后放。因为计算内容需要反复刷越早开始越好记忆内容放到临近考前几天背完趁热上考场效果更好。6.2 平时作业和课件比任何资料都管用一个很多同学容易忽视的点老师布置的作业题就是考纲。我复习时把作业题和课件例题全部整理到一个本子上每道题都重新做一遍然后标记出高频考点发现考试中很多题就是换了数字、换了说法的作业题。与其花时间在网上找一堆不相关的“重点资料”不如把课件翻透把作业题做熟。另外有些老师会在课件里设置“思考题”看上去不像会考的样子但往往就是从这些题里变形出题。我那次考试里有一道关于语义网络属性继承的题就是课件某页的“思考与讨论”内容。所以复习时不要只看带“重点”标记的内容每页课件多看一眼不会有坏处。6.3 考前24小时还能做点什么考前一晚不要再学新东西了。这个时间最适合做的事只有三件第一把写过的计算题错题重新审一遍看自己是哪个环节容易出错第二把概念速记列表过一遍不用深究能说出关键词就行第三早点睡觉。熬夜刷题对状态的影响远大于收益尤其是AI导论这种需要清晰逻辑判断的科目睡眠不足会让你的推理题正确率直线下降。考场的两小时建议先快速扫一遍整张卷子确认题型分布和心理预期。先做自己有把握的题把分拿到手再做需要思考的计算题最后处理不确定的概念题。拿不准的判断题先标记一下等全部做完再回头看不要在一道题上浪费超过五分钟。时间充足的情况下给每道计算题留出检查余量防止粗心算错。写在最后这门课说难不难但说容易也绝对不轻松。期中考试的范围其实很集中把知识表示、搜索、归结推理和贝叶斯公式这几个核心模块拿稳分数就不会差。我复习一周最大的体会是看懂和会写是两码事每一道例题都要亲自动手算一遍才能发现自己的盲区。平时作业里那些偷懒跳过的推导步骤最终都会在考场上以扣分的形式找回来。另外一个建议是组队复习找同学互相出题互相对答案能帮你在反复讲解中把知识点记得更牢。希望这份复习笔记能让你少走一些弯路把这门课的期中稳稳拿下。
人工智能导论期中复习：知识表示、搜索策略与归结推理核心考点全解析
1. 期中考核范围分析与备考总思路1.1 考前先摸清这张试卷的脾气先说结论人工智能导论这门课期中考试通常不会考得太偏但也不会纯靠背就能过。我那年拿到的卷子记忆题、理解题和计算题大概是四三三的比例选择题和判断题占了快一半分值剩下的大头在知识表示、搜索策略和归结推理这类需要上手算的题上。如果你所在学校用的教材是经典的《人工智能导论》或者类似体系知识点框架基本逃不出这几块AI概述、知识表示、搜索策略、推理技术再加上一点机器学习的入门概念。很多人复习这门课容易走两个极端要么把教材从头到尾抄一遍结果合上书啥也记不住要么直接闷头刷题碰到概念题全靠蒙。我的建议是先按章节搭一个知识树把“哪些要背、哪些要算、哪些要会分析”分清楚。像图灵测试的定义、三大学派的主张这种就是纯记忆点A*算法的估价函数、归结推理的步骤、贝叶斯公式的套用就是计算得分点而给你一个实际问题让你选合适的知识表示方法那就是理解应用层面的题。这一轮分类做完你基本就知道该在哪儿花时间了。另外想提醒一句多关注老师划的重点和布置过的作业。很多学校期中考试的题就是从课后习题和课堂例题演变来的甚至直接换个数就搬上卷子。我备考的时候把课件里所有例题都自己动手推了一遍后来发现光是这个动作就帮我捡回了至少十分。这张卷子不神秘但你得先搞清楚它考什么再把精力押对地方。1.2 我踩过的两个复习误区先说说误区一只背概念不练推导。人工智能导论里有不少内容乍一看像文科比如各种流派、各种定义但真正拉开分数差距的往往是那几个计算推导题。我记得第一次做归结推理练习时看着步骤讲解觉得“这不就是把式子变来变去嘛”结果自己上手一动笔合并、置换、归结哪一步都在出错。后来我才明白这类题必须在草稿纸上反复推直到能独立走完整个流程才算是真正会了。误区二死磕前沿技术忽略基础。大三下学期正是大家对深度学习、大模型最感兴趣的时候复习时很容易被“神经网络”“卷积”这些词带走。但期中考真的不会考这些至少大多数学校的期中不会。你花一晚上搞懂Transformer结构不如花一小时把A*算法的流程吃透后者是明确的得分点。我的建议是前沿内容放到考后再研究考前老老实实把经典部分学扎实性价比最高。2. AI概述与搜索策略期中考试最稳定的得分区2.1 概念题常客AI定义、图灵测试与三大学派这一节基本是选择题和判断题的题库来源不夸张地说每年都能考到。首先得把“人工智能”的定义用自己的话说清楚不能只背课本上的原句。人工智能是研究如何让计算机去完成传统上需要人类智能才能胜任的任务包括感知、推理、学习、理解自然语言等能力。你要是能用一句生活化的话解释给外行听那说明你是真懂了考试怎么变换说法你都不慌。图灵测试是概念题里的必考项核心思想其实很简单如果一台机器能在对话中让人类无法分辨对方是机器还是真人就说明这台机器具备了智能。注意几个容易被挖坑的点比如图灵测试强调的“行为”而非“意识”它只关注外部表现不关心机器内部是不是真的在“思考”。有些判断题会故意写“通过了图灵测试就等于机器真正拥有了意识”这就是典型的错误表述。另外三大学派——符号主义、连接主义和行为主义也是高频题源。符号主义认为智能活动的基础是物理符号系统代表方向是专家系统和知识工程连接主义从仿生学角度入手用神经网络模拟大脑结构行为主义则强调智能取决于感知和行动代表作是机器人控制。这三者主张的区别要能分清尤其是符号主义和连接主义的对比考试中经常用对号入座的方式出题。复习的时候可以列个小表格把每个学派的核心理念、代表成果、经典例子串起来几眼就能记住。2.2 搜索策略从盲目搜索到A*算法的完整套路搜索策略是人工智能导论的重点也是让我觉得“这门课终于有点技术含量”的第一章。从考试角度来看盲目搜索和启发式搜索都会涉及但A*算法是最具有区分度的考点几乎每张期中卷都有它的影子。先理清楚盲目搜索的两种基础方法。广度优先搜索逐层扩展优点是只要解存在就一定能找到最短路径的步数缺点是内存开销大搜索空间大时效率很低深度优先搜索则是一头扎到底内存占用小但不一定能找到最优解甚至可能陷入死循环。这两个概念经常考选择和简答让你比较两者优劣或选合适场景。朴素的理解方式BFS用队列DFS用栈这个实现层面的差异也常被拿来出题。启发式搜索就聪明在会用估价函数引导方向。A算法里有个核心公式f(n) g(n) h(n)。g(n)是从起点到当前节点n已经付出的实际代价h(n)是从n到目标节点的预估代价f(n)就是对“经过n这条路总共要花多少”的估计。A能保证找到最优解的前提是h(n)满足可采纳性——它永远不大于从n到目标的真实最小代价也就是说这个启发函数不能过于乐观地“高估”。具体做题时我习惯按这个步骤来第一步把起点放入Open表第二步从Open表中取出f值最小的节点如果它就是目标搜索结束第三步扩展该节点的所有邻居计算每个邻居的g、h、f值第四步如果邻居已在Open表中且新的f更小就用小的值更新第五步重复直到Open表为空或者找到目标。这种题拼的就是细心算错一个数后续全错所以每填一格都要反复核对。举个简单例子假设一个4x4的网格起点是(0,0)终点是(3,3)每个格子走一步耗散为1障碍物忽略不计。h(n)用曼哈顿距离来算公式是|当前行-目标行|加|当前列-目标列|。开始时起点(0,0)的g0h6f6把它移入Closed表扩展它的右邻(0,1)和下邻(1,0)。右侧格子的g1h|0-3||1-3|5f6下方格子g1h5f6。两者f一样任选一个继续。这个过程每走一步都要重新比较Open表中所有节点的f值而不是只盯着当前路径往下走这是新手最常犯的错误。复习搜索这块时我的建议是把BFS、DFS、贪婪最佳优先搜索和A*放到一起对比学习看它们在同一个网格例子上的扩展顺序有什么不同。这样你就不是孤立地背算法而是真正理解启发式信息是如何提高搜索效率的。考试中如果出现“试分析为什么启发式搜索比盲目搜索效率高”这类简答题你也可以回答启发式搜索利用与问题相关的信息量来估计哪些节点更有希望接近目标从而优先扩展这些节点而不是盲目地按固定顺序遍历整个状态空间。3. 知识表示与确定性推理大题的主战场3.1 谓词逻辑表示法最基础也最好用知识表示这一章是我复习时花时间最多的地方因为它的题型太丰富了有让你用谓词逻辑表示一句话的题有让你画出语义网络的题还有让你写出产生式规则集合的题。其中谓词逻辑是地基后面很多内容都建立在这个基础上。谓词逻辑的核心是“谓词 个体”的结构。个体是对象谓词描述对象的性质或者对象之间的关系。比如“小明是学生”用谓词逻辑写就是Student(XiaoMing)这里的Student是谓词XiaoMing是个体常量。再比如“长沙位于湖南和湖北之间”它涉及多个个体就得写成一个多元谓词比如LocatedBetween(ChangSha, HuNan, HuBei)。做这类题最容易出错的地方是量词的使用。“所有人都会死”要写成对所有的x如果x是人则x会死∀x(Human(x) → Mortal(x))。但“存在一个人会编程”就要写成存在x使得x是一个人并且x会编程∃x(Human(x) ∧ Programmer(x))。注意前一句的蕴含和后一句的合取不能搞混这个错误几乎是每年都会有不少人踩的坑。考试时如果遇到“用谓词逻辑表示下列知识”这种大题我建议按三步走第一步确定个体和谓词先想清楚这个命题里有哪些对象、哪些关系第二步判断量词是全称还是存在第三步把句子的语义拆解成逻辑公式。做完之后把公式再翻译回自然语言看看跟原句是不是一回事这步检查往往能救回不少分。复习期间我把课本上所有“请用谓词逻辑表示”的习题都过了一遍熟能生巧到后面基本一眼就能看出结构。3.2 产生式系统与语义网络图文结合的送分题产生式系统说白了就是“如果满足条件就执行动作”的规则集合形式是P → Q比如“如果动物有毛发并且产奶则它是哺乳动物”。考试中常见的要求是给你一个分类或诊断问题让你写出完整的产生式规则。这种题的关键在于规则要覆盖所有情况不能有漏洞同时规则之间不能互相冲突。语义网络则是用图来表达知识的结构化方法节点表示概念或个体带标签的弧线表示概念之间的关系。最经典的就是继承关系is-a和成员关系is-instance-of。举个常见的例子企鹅是鸟鸟会飞但企鹅不会飞。如果直接在语义网络里让“企鹅”继承“鸟”的“会飞”属性就会产生矛盾。这时候需要用到属性继承中的例外处理也就是在“企鹅”节点上单独定义“不会飞”来覆盖从“鸟”继承来的“会飞”。这个例子在很多教材里都出现考试时如果考到语义网络的局限性它就是一个很好的素材。画语义网络题的时候我总结了一个实用的画法先找出句子中的所有实体它们就是节点再找出实体之间的关系它们就是弧线最后看看有没有“是一种”“是一个”这样的层级关系把它单独整理成一层继承链。画完以后回头对照原文不要漏掉任何约束条件。这类题不是死记硬背的题理解透了其实很好拿分但如果不练几道画出来的图经常缺少关键的继承关系。3.3 归结推理原理听起来高大上其实就是反证法如果说搜索是第一章的灵魂那归结推理就是逻辑推理这一章最硬核的考点也经常出现在大题里。我第一次看到归结原理时觉得这玩意儿特别抽象后来想明白了一个类比你的目标是证明命题A为真整个解题过程就是先把A取反然后把已知条件和取反后的结论都化成子句集接着做归结如果最后推出空子句也就是矛盾那说明取反后的假设不成立所以A是真的。这跟数学里的反证法套路一模一样。归结推理落实到做题步骤是固定的。第一步把每条知识都化成子句形式也就是“析取式”比如把P→Q变成(¬P∨Q)第二步把要证明的结论取反也化为子句加入集合第三步不断找两个包含互补文字的子句进行归结消去这对互补项第四步如果归结出空子句证明完成。这里面最考验实操的是把自然语言知识转换成谓词公式再转成子句集中间任何一步错了后面全部白算。举个例子已知所有学生都会考试(∀x(Student(x) → ExamSkill(x)))小明是学生(Student(XiaoMing))。要证明小明会考试。先把第一条化成子句¬Student(x) ∨ ExamSkill(x)第二条就是Student(XiaoMing)结论取反是¬ExamSkill(XiaoMing)。然后用规则和结论的否定做归结把¬Student(x) ∨ ExamSkill(x)与Student(XiaoMing)归结x代换为XiaoMing得到ExamSkill(XiaoMing)再与¬ExamSkill(XiaoMing)归结得到空子句。证明完毕。整个过程逻辑链条很清晰但考试时容易在谓词代换和去掉存在量词时出错一定要把Skolem标准化的步骤练熟。我用了一个晚上的时间把课件上所有归结推理的例子重推了一遍从一开始要翻书看到最后闭着眼都能写出过程效果非常明显。你平时做作业时可能只需要交个结果但考试时过程分占大头所以每一步都要写得工工整整让阅卷老师能一眼看懂你的代换序列这样即使最后结果错了前面的步骤还是能拿到分。4. 不确定性推理与机器学习基础4.1 贝叶斯公式年年考年年有人栽不确定性推理在期中考试里的存在感主要靠贝叶斯公式撑起来。这个公式本身不难但考试时很多同学总在“先验概率、后验概率、似然度”这三个概念之间绕晕。我们需要做的就是用最直白的方式把它拆开。贝叶斯公式长这样P(H|E) P(E|H)P(H) / P(E)。用大白话说P(H|E)是在看到证据E之后你假设H成立的概率P(H)是还没看到证据时你原本对H的信心这就是先验概率P(E|H)是假设H成立时出现证据E的可能性叫似然度。贝壳里P(E)通常用全概率公式去算这也是考试中真正要动手的点。我复习时找了一道经典例题某种病的患病率为0.1%某项检测在患病者中准确测出阳性的概率是99%在健康者中误报阳性的概率是2%。现在有个人检测出阳性问他真的得病的概率是多少。很多人的直觉是“检测准确率挺高那得病概率应该也不小”但用贝叶斯公式一算结果往往出乎意料。具体算一下。设H为“患病”E为“检测阳性”P(H)0.001P(E|H)0.99P(E|¬H)0.02。用全概率展开P(E)P(E|H)P(H)P(E|¬H)P(¬H)0.99x0.0010.02x0.9990.000990.019980.02097。所以P(H|E)0.99x0.001/0.02097约等于0.0472也就是不到5%。看到这个结果时我一下子记住了“基础费率直接影响后验概率”这个知识点也理解了为什么医生会要求做进一步检查。这种例子既服务考试又帮你建立概率直觉学起来一点也不亏。考试时如果遇到贝叶斯计算题我建议先写公式再一步一步代条件不要跳步。即使算错了阅卷老师也能根据你的公式和中间步骤给分。另外注意把题目里那些文字描述准确翻译成数学符号比如“检测准确率99%”到底是P(E|H)还是P(H|E)看仔细再动手。4.2 机器学习基础期中考试的“开胃小菜”机器学习这一章在期中考试里通常不会出特别深的题但概念性的分值还是有的。你要分清三大类学习范式监督学习是用带标签的数据训练模型目标是学会从输入到输出的映射典型例子是分类和回归无监督学习处理的是没有标签的数据目标是发现数据内部的结构和规律典型例子是聚类强化学习则是在与环境交互中通过奖惩信号来学习策略典型例子是下棋和游戏AI。一个简单的记忆方式监督学习有老师无监督学习没老师强化学习靠试错反馈。另外一个常考点是“训练集和测试集”的区分。训练集用来调整模型参数测试集用来评估模型的泛化能力。判断题里常说“测试集参加了模型训练所以模型表现很好”这肯定是错的泄露测试集信息属于典型的作弊行为。我备考时把课本上关于过拟合的定义也重点看了通常的解释是模型在训练数据上表现得非常好但在未见数据上表现差原因是模型把训练数据中的噪声也学进去了。这个定义在选择题里经常换着方式出现但万变不离其宗。有些老师还会让你比较KNN、决策树和K-means这类常见算法。记住KNN是监督学习里的惰性学习方法决策树用信息增益或基尼指数选特征K-means是无监督聚类算法。它们三个有什么关系KNN和决策树都做分类但前者不需要训练过程后者要建树而K-means压根没有标签它做的是把样本聚成几堆。把这个对比搞清楚选择题里的“算法归类”就基本不会丢分。5. 常见题型与答题规范5.1 选择题与判断题的速记口诀选择题和判断题拼的就是知识面广度和精准度有些坑年年都在挖。我整理了几个高频陷阱一是偷换概念比如把“机器学习是人工智能的一个分支”说成“人工智能是机器学习的一个分支”二是以偏概全比如把某个学派的观点当成AI的全部定义三是否定细节比如“合理一致的规划器就一定是最优的”这种话听着没毛病但实际上漏了限制条件。看到这些表述第一反应就是怀疑。概念之间的关系我建议用口诀来记“符号主义靠逻辑连接主义仿大脑行为主义看行动三者各有千秋。”搜索策略的口诀是“盲目搜索无向导启发搜索有目标BFS广度备选多DFS深度一条道。A星估价合成本可采纳性不能少。”这类口诀不一定要多么押韵关键是能帮你快速定位到对应知识点。我在考场上遇到判断题时就是先在脑中过一遍相关概念的关键词再逐字对照题干不容易被迷惑项带偏。5.2 简答题的三段式答题结构简答题最忌讳“想到哪儿写到哪儿”。我的习惯是把答案拆成三段第一段给定义用一句话说清楚“是什么”第二段讲特点或者原理列出关键点第三段结合实际或例子说明“怎么用”或“为什么有效”。举个可能的题目“简述A算法与贪婪最佳优先搜索的区别。”第一段A算法同时考虑已耗费代价g(n)和预估代价h(n)而贪婪最佳优先搜索只考虑预估代价。第二段A的估价函数f(n)g(n)h(n)当h(n)满足可采纳性时可以保证找到最优解贪婪算法虽然扩展节点少、速度快但不保证最优。第三段所以在需要最优解的路径规划问题中更适合用A而对实时性要求高但能接受次优解的场景贪婪搜索可能更合适。这样答下来采分点基本全覆盖了。平时复习时可以把课件上所有简答题整理成一个题库先自己写答案再跟标准答案对比看看遗漏了哪些关键词。这个方法虽然费时间但对考前建立信心特别有帮助。5.3 计算题与大题的标准解题模板计算题要想拿高分卷面一定要清晰可读。以A*算法题为例我每次都用表格记录Open表的变化过程每行代表扩展一个节点后Open表的内容列依次是节点名、g值、h值、f值。这样做的好处是即使中途某个f值算错了阅卷老师也能看到你的思路是完整的过程分就能保住。归结推理题则要把每一条子句编号每一步归结用了哪两个子句、置换是什么、得到什么新子句都写清楚最后再写“得到空子句故结论成立”。不要小看这些格式上的习惯。我有个同学做题思路全对但因为跳步太多最后只拿了一半的过程分。从那以后我就明白这种推导型题目的得分策略是“宁滥勿缺”凡是关键步骤不写过分但要写全。平时做课后习题时也按这个标准来练习形成肌肉记忆考场上就不会慌。6. 复习时间规划与考前避坑指南6.1 一周期中复习的时间分配方案如果你问我建议提前多久开始复习我的回答是最好在考试前一周开始每天花两到三个小时而不是考前突击一整天。突击的问题在于知识没有沉淀的时间当时看着记住了睡一觉就忘了一大半。我的时间分配表是这样的前三天主攻知识表示和搜索策略因为这两块内容多、计算题密集需要充足的时间消化第四天和第五天专攻归结推理和不确定性推理把经典例题反复做到能独立完成第六天集中背概念把AI概述、机器学习基础这些记忆型知识点过一遍最后一天做模拟套卷或者重新做错题对不熟的地方查漏补缺。中间还可以穿插“睡前看课件”这种低成本记忆方式不需要特意花费整块时间。当然了每个人的课表和基础不一样你可以根据自己的薄弱环节调整时间比例。关键原则是一个计算型内容优先练记忆型内容靠后放。因为计算内容需要反复刷越早开始越好记忆内容放到临近考前几天背完趁热上考场效果更好。6.2 平时作业和课件比任何资料都管用一个很多同学容易忽视的点老师布置的作业题就是考纲。我复习时把作业题和课件例题全部整理到一个本子上每道题都重新做一遍然后标记出高频考点发现考试中很多题就是换了数字、换了说法的作业题。与其花时间在网上找一堆不相关的“重点资料”不如把课件翻透把作业题做熟。另外有些老师会在课件里设置“思考题”看上去不像会考的样子但往往就是从这些题里变形出题。我那次考试里有一道关于语义网络属性继承的题就是课件某页的“思考与讨论”内容。所以复习时不要只看带“重点”标记的内容每页课件多看一眼不会有坏处。6.3 考前24小时还能做点什么考前一晚不要再学新东西了。这个时间最适合做的事只有三件第一把写过的计算题错题重新审一遍看自己是哪个环节容易出错第二把概念速记列表过一遍不用深究能说出关键词就行第三早点睡觉。熬夜刷题对状态的影响远大于收益尤其是AI导论这种需要清晰逻辑判断的科目睡眠不足会让你的推理题正确率直线下降。考场的两小时建议先快速扫一遍整张卷子确认题型分布和心理预期。先做自己有把握的题把分拿到手再做需要思考的计算题最后处理不确定的概念题。拿不准的判断题先标记一下等全部做完再回头看不要在一道题上浪费超过五分钟。时间充足的情况下给每道计算题留出检查余量防止粗心算错。写在最后这门课说难不难但说容易也绝对不轻松。期中考试的范围其实很集中把知识表示、搜索、归结推理和贝叶斯公式这几个核心模块拿稳分数就不会差。我复习一周最大的体会是看懂和会写是两码事每一道例题都要亲自动手算一遍才能发现自己的盲区。平时作业里那些偷懒跳过的推导步骤最终都会在考场上以扣分的形式找回来。另外一个建议是组队复习找同学互相出题互相对答案能帮你在反复讲解中把知识点记得更牢。希望这份复习笔记能让你少走一些弯路把这门课的期中稳稳拿下。
