第二章習(xí)題1知識的含義是什么?有哪些分類?為確定性知識和非確定性(模糊性)知識。2什么是知識表示?有哪些知識表示方法?知識表示方法有，狀態(tài)空間表示法、謂詞邏輯表示法、語義網(wǎng)絡(luò)表示法、框架表示法等等。3描述一個(gè)好的知識表示需要有哪些特征?4為以下事實(shí)開發(fā)一個(gè)語義網(wǎng)絡(luò)：5框架法和面向?qū)ο缶幊逃惺裁垂餐c(diǎn)?6假如要使用一種知識表示方法表示籃球賽，應(yīng)該使用哪一種知識表示方法?(可以查閱最新發(fā)展的一些方法)第三章1.什么是推理，請從多種角度闡述推理?正向推理(事實(shí)驅(qū)動推理)是由已知事實(shí)出發(fā)向結(jié)論方向的推理。基本思想是：系統(tǒng)根據(jù)用戶提供的初始事實(shí)，在知識構(gòu)成可適用的規(guī)則集RS,然后按某種沖突解決策略從RS中選擇一條知識進(jìn)行推理，并將推出的結(jié)論作為中間結(jié)果加入到數(shù)據(jù)庫DB中作為下一步推理的事實(shí)，在此之后，再在知識庫中選擇可適用的知識進(jìn)行推理，如此重復(fù)進(jìn)行這一過程，直到得出最終結(jié)論或者知識庫中其中包括必要的回溯。由于不能反推，系統(tǒng)的解釋功能受到影反向推理是以某個(gè)假設(shè)目標(biāo)作為出發(fā)點(diǎn)的一種推理，又稱為目標(biāo)驅(qū)動推理或逆向推理。反向推理的基本思想是：首先提出一個(gè)假設(shè)目標(biāo)，然后由此出發(fā)，進(jìn)一步尋找支所需的證據(jù)都能找到，則該假設(shè)成立，推理成功；若無法找到支持該假設(shè)的所有證據(jù)，則說明此假設(shè)不成與正向推理相比，反向推理的主要優(yōu)點(diǎn)是不必使用與目標(biāo)無關(guān)的知識，目用戶提供解釋。反向推理的缺點(diǎn)是在選擇初始目標(biāo)時(shí)具有很大的盲目性，若假設(shè)不正確，就有可能要多次反向推理比較適合結(jié)論單一或直接提出結(jié)論要求證實(shí)的系統(tǒng)。演繹推理、歸納推理、默認(rèn)推理確定性推理、不精確推理啟發(fā)式推理、非啟發(fā)式推理2.什么是逆向推理?它的基本過程是什么?(1)將問題的初始證據(jù)和要求證的目標(biāo)(稱為假設(shè))分別放入綜合數(shù)據(jù)庫和假設(shè)集；(2)從假設(shè)集中選出一個(gè)假設(shè)，檢查該假設(shè)是否在綜合數(shù)據(jù)庫中，若在，則該假設(shè)成立。此時(shí)，若假設(shè)集為空，則成功退出。否則，扔執(zhí)行(2)。若該假設(shè)不在數(shù)據(jù)庫中，則執(zhí)行下一步；若不是，則轉(zhuǎn)(5),若能由某個(gè)知識導(dǎo)出，則執(zhí)行下一步；(4)將知識庫中可以導(dǎo)出該假設(shè)的所有知識構(gòu)成一個(gè)可用知識集；(5)檢查可用知識集是否為空，若空，失敗退出。否則執(zhí)行下一步；(6)按沖突消解策略從可用知識集中取出一個(gè)知識，繼續(xù)執(zhí)行下一步；(7)將該知識的前提中的每個(gè)子條件都作為新的假設(shè)放入假設(shè)集，轉(zhuǎn)(2)。3.什么是置換?什么是合一?(3)(Vx)(3y)(P(x.y)V(QKx,(Vx)(3y)(P(x.y)V(-Q(x.(Vx)(P(x,f(x))V-Q(x.f(x)VF(x,y):x是y的父親F2:(Vy(P(x)→F(x.y》)F(x.y)V-F(y.z)VGF(x,z)F(x.y)V-F(y.z)VGF(x,z)F(y.z)V-P(y)P()VF(s,r)NIL第四步，用歸結(jié)演繹推理進(jìn)行證明NIL頻率派認(rèn)為在大量重復(fù)進(jìn)行同一實(shí)驗(yàn)事件A發(fā)生的頻率總是接近某一個(gè)常數(shù)，并在它附近進(jìn)行擺動，這時(shí)將這個(gè)常數(shù)叫事件A的概率，記作P(A).(1)、事件A發(fā)生的概率是常數(shù)。(2)、事件A發(fā)生的概率是重復(fù)多次進(jìn)行同一實(shí)驗(yàn)得到的。頻率學(xué)派評估可重復(fù)實(shí)驗(yàn)事件發(fā)生的概率具有一但是假如評估全球溫度在本世紀(jì)內(nèi)上升亮度的概率，按照頻率學(xué)派的思想，首先需要世界，然后計(jì)算全球溫度在本世紀(jì)內(nèi)上升亮度的平行世界的頻率，記該頻率為全球溫度在本世紀(jì)內(nèi)上升亮度的概率。而這種非可重復(fù)實(shí)驗(yàn)不可實(shí)現(xiàn)，因此頻率學(xué)派在評估不可重復(fù)實(shí)驗(yàn)事件發(fā)生的概率具有很大的限制性。貝葉斯學(xué)派認(rèn)為：評估事件A發(fā)生的概率帶有主觀性，且事件A發(fā)生的概率是當(dāng)前觀測數(shù)據(jù)集D下的概率，即條件概率P(AD),當(dāng)觀測數(shù)據(jù)集更新為D1時(shí)，則事件A發(fā)生的概率為P(AD1),不同的數(shù)據(jù)集預(yù)測A事件發(fā)生的概率不同。貝葉斯學(xué)派評估事件A發(fā)生的概率會引用先驗(yàn)概率和后驗(yàn)概率兩個(gè)概念，(1)、事件A發(fā)生的概率是變化的，并非常數(shù)。(2)、事件A發(fā)生的概率是特定數(shù)據(jù)集下的條件概率。(3)、事件A發(fā)生的概率是后驗(yàn)概率，且事件A發(fā)生的先驗(yàn)概率已給定。貝葉斯學(xué)派的難點(diǎn)在于如何設(shè)置合理反映事件A發(fā)生的先驗(yàn)概率2主觀貝葉斯推理相對于基本的概率推理有哪些優(yōu)點(diǎn)?基本概率推理的缺點(diǎn)是要求給出結(jié)論的先驗(yàn)概率及證據(jù)的條件概率,盡管比相對容易得到，但是要想得到這些數(shù)據(jù)仍然是一件相當(dāng)困難的工作。另外B的應(yīng)用條件是很嚴(yán)格的，它要求各事件互相獨(dú)立等。如果各個(gè)證據(jù)間存在依賴關(guān)系，就不能直接使用這個(gè)方法主觀貝葉斯方法的主要優(yōu)點(diǎn)是基于概率發(fā)展而來，理論模型精確，靈敏度高，可信度方法直觀，非確定性測度的計(jì)算也比較簡便，因而在許多專家系統(tǒng)中得到有效的應(yīng)用。4證據(jù)理論相對于貝葉斯推理有哪些優(yōu)點(diǎn)?主觀貝葉斯推理的主要缺點(diǎn)是需要的主觀概率太多，也需要經(jīng)驗(yàn)豐富的專家才家給出。而證據(jù)理論可以處理由“不知道“引起的非確定性，并且不必事先給出知識的先驗(yàn)概率，與主觀5模糊推理中兩種匹配度的計(jì)算方法，語義距離和貼近度有哪些不同和特點(diǎn)?語義距離刻畫的是兩個(gè)模糊概念之間的差異，有多種方法可以計(jì)算語義距離。貼接近程度，可直接用來作為匹配度。1.什么是被索?有哪兩大類不同的搜索方法?兩者的區(qū)別是什么?可根據(jù)搜索過程是否使用啟發(fā)式信息分為盲目搜索和啟發(fā)式搜索，也可根據(jù)問空間搜索和與或搜索盲目搜索是按預(yù)定的控制策略進(jìn)行搜索，在搜索過程中獲得的中間信啟發(fā)式搜索是在搜索中加入了與問題有關(guān)的啟發(fā)性信息，用于指導(dǎo)搜索朝速問題的求解過程，并找到最優(yōu)解。狀態(tài)空間搜索是指用狀態(tài)空間法來表示問題所進(jìn)行的搜索。2.深度優(yōu)先搜索與廣度優(yōu)先被索的區(qū)別是什么?解：深度優(yōu)先搜索與廣度優(yōu)先搜索的區(qū)別在于：在對節(jié)點(diǎn)n進(jìn)行存放位置不同。廣度優(yōu)先搜索是將后繼節(jié)點(diǎn)放入OPEN表的末端，而深度優(yōu)先搜索則是將后繼節(jié)點(diǎn)放入OPEN表的前端。廣度優(yōu)先搜索是一種完備搜索，即只要問題有解就一定能夠求出，而深度優(yōu)先搜索是不完備搜索。在不要求求解速度且目標(biāo)節(jié)點(diǎn)的層次較深的情況下，廣度優(yōu)先搜索優(yōu)于深度優(yōu)先搜度且目標(biāo)節(jié)點(diǎn)的層次較淺的情況下，深度優(yōu)先搜索優(yōu)于廣度優(yōu)先搜索。3.為什么說深度優(yōu)先搜索和代價(jià)樹的深度優(yōu)先被索可以看成局部擇優(yōu)搜索的兩個(gè)特例?解：深度優(yōu)先搜索、代價(jià)樹的深度優(yōu)先搜索以及局部優(yōu)先搜則它將退化為深度優(yōu)先搜索。因此，深度優(yōu)先搜索和代價(jià)樹的深度優(yōu)先搜索是局部擇優(yōu)搜索的兩個(gè)特例。4.局部擇優(yōu)搜索與全局擇優(yōu)搜索的相同之處與區(qū)別是什么?解：根據(jù)搜索過程中選擇擴(kuò)展節(jié)點(diǎn)的范圍，啟發(fā)式搜索算法可分為全局擇優(yōu)搜索算算法。其中，全局擇優(yōu)搜索算法每當(dāng)需要擴(kuò)展節(jié)點(diǎn)時(shí)，總是從Open表的所有節(jié)點(diǎn)中選擇一個(gè)估價(jià)函數(shù)值最小的節(jié)點(diǎn)進(jìn)行擴(kuò)展，局部擇優(yōu)搜索算法每當(dāng)需要擴(kuò)展節(jié)點(diǎn)時(shí)，總是從剛生成的子節(jié)點(diǎn)中選擇一個(gè)估價(jià)函數(shù)值最小的節(jié)點(diǎn)進(jìn)行擴(kuò)展。A.“與/或”圖就是用“AND”和“OR”連續(xù)各個(gè)部分的圖形，用來描述各部分的因果關(guān)系B.“與/或”圖就是用“AND”和“OR”連續(xù)各個(gè)部分的圖形，用來描述各部分之間的不確定關(guān)系C.“與/或”圖就是用“與”節(jié)點(diǎn)和“或”節(jié)點(diǎn)組合起來的樹形圖，用來描述某類問題的層次關(guān)系D.“與/或”圖就是用“與”節(jié)點(diǎn)和“或”節(jié)點(diǎn)組合起來的樹形圖，用來描述某類問題的求解過程h(A)=max{b(B)+5,b(C)+6)=max{(h(E)+2)+5,h=max{(max(2,3)+2)+5,max(2(1)船太小，農(nóng)夫每次只能帶一樣?xùn)|西過河(2)如果沒有農(nóng)夫看管，則狼要吃羊，羊要吃菜請?jiān)O(shè)計(jì)一個(gè)過河方案，使得農(nóng)夫、狼羊都能不受損失的過河。有一衣夫帶一條狼，一只羊和一框青菜與從河的左岸乘船倒右岸，(1)船太小，農(nóng)夫每次只能帶一樣?xùn)|西過河；(2)如果沒有農(nóng)夫看管，則狼要吃羊，羊要吃菜。示在右岸。(2)把每次過河的一種安排作為一種操作，每次過河都必須有農(nóng)夫，因?yàn)橹挥兴梢詣澊?。解：第一步，定義問題的描述形式用四元組S=(f,w,s,v)表示問題狀態(tài)，其中，f,w,s和γ分別表示農(nóng)夫，狼，羊和青菜是否在左岸，它們都可以取1或0,取1表示在左岸，取0表示在右岸。第二步，用所定義的問題狀態(tài)表示方式，把所有可能的問題狀態(tài)表示出來，包括問題的初始狀態(tài)和目標(biāo)狀態(tài)。由于狀態(tài)變量有4個(gè)，每個(gè)狀態(tài)變量都有2種取值，因此有以下16種可能的狀態(tài)：So=(0,0,0,0),S=(0,0,0,1),Sz=(0,0,1,0SL?=(1,1,0,0),Sn=(1,1,0.1),S=(1,1,1,0)其中，狀態(tài)S;,S?.S,Ss,Sg,S?是不合法狀態(tài)，So和Ss分別是初始狀態(tài)和目標(biāo)狀態(tài)。第三步，定義操作，即用于狀態(tài)變換的算符組F由于每次過河船上都必須有衣夫，且除衣夫外船上只能載L(i)表示衣夫從左岸將第i樣?xùn)|西送到右岸(j=1表示狼，i=2表示羊，i=3表示菜，i=0表示船上除農(nóng)夫外不載任何東西)。由于農(nóng)夫必須在船上，故對農(nóng)夫的表示省略。R(i)表示農(nóng)夫從右岸將第i樣?xùn)|西帶到左岸(i=1表示狼，i=2表示羊，i=3表示菜，i=0表示船上除農(nóng)夫外不載任何東西)。同樣，對農(nóng)夫的表示省略。這樣，所定義的算符組F可以有以下8種算符：第6章參考答案1、熵是表示隨機(jī)變量不確定的度量，是對所有可能發(fā)生的事件產(chǎn)生的信息量的期望。對于二分類來說，即一個(gè)隨機(jī)事件有兩種可能性：發(fā)生和不發(fā)生，設(shè)發(fā)生的概率為p,則不發(fā)生的概率為1-p,于是其熵的計(jì)算公式為：假如一個(gè)隨機(jī)事件有三種可能的狀態(tài)：狀態(tài)1、狀態(tài)2、狀態(tài)3,其概率分別為P?、P?、P?,則有P?+P?+P?=1,于是它的熵的計(jì)算公式為：H=-p*log?P-P?*log?P?-熵越大，不確定性就越大，熵越小，不確定性就越小(即確定性越大)。極端的情況下，假如一個(gè)隨機(jī)事件必然要發(fā)生，即其概率為1,那么它就沒有不確定性了，此時(shí)熵最小為0.條件熵是給定某種條件的情況下重新計(jì)算的熵假設(shè)給定的條件X有狀態(tài)1、狀態(tài)2兩種可能性，則其概率分別為Px?、Px2,則條件熵的計(jì)算公式為其中Hx、Hx2分別為X在狀態(tài)1和狀態(tài)2下計(jì)算的熵。2、采用ID3算法，先計(jì)算總的熵，再計(jì)算各個(gè)條件熵，然后計(jì)算出有房子有房子是信貸情況好年齡中、青年貸款不貸款有工作不貸款不貸款否第6章第2題決策樹4、首先計(jì)算如下：P(有房子|不貸款)=0,P(無房子|不貸款)=15、支持向量機(jī)的目的是尋找一個(gè)最優(yōu)分類面(分割超平面),這個(gè)超平面不但能將兩類正確分開(訓(xùn)練錯(cuò)誤率為0),而且使分類間隔最大。即最優(yōu)分類面能使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn)，也就是最優(yōu)分類面兩側(cè)的空白區(qū)域6、有一對多法、一對一法、層次分類法。7、(1)監(jiān)督學(xué)習(xí)方法必須要有訓(xùn)練集與測試樣本，在訓(xùn)練集中找規(guī)律，而對測試樣本使用這種規(guī)律檢測效果；而非監(jiān)督學(xué)習(xí)沒有訓(xùn)練集，只有一組數(shù)據(jù)，8、K-means算法，是基于距離的聚類算法。采用距離作為相似性的評價(jià)指近的對象組成的，因此把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。但難點(diǎn)是K的確層次聚類的思想：從各類只有一個(gè)樣本點(diǎn)開始，逐級合并，每級只合并兩類別數(shù)。在聚類過程中把N個(gè)沒有標(biāo)簽的樣本分成一些合理的類時(shí)，極端情況下，最多可以分成N類，即每個(gè)樣本為一類；最少可以分成一類，即所有樣本9、人工神經(jīng)網(wǎng)絡(luò)(簡稱神經(jīng)網(wǎng)絡(luò))是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對函數(shù)進(jìn)行又叫激活處理(非線性變換函數(shù)叫激活函數(shù))。10、BP反射傳播算法建立在損失函數(shù)梯度下降的基礎(chǔ)上，是由損失函數(shù)反12、區(qū)別于傳統(tǒng)的淺層學(xué)習(xí)，深度學(xué)習(xí)的不同在于：(1)強(qiáng)調(diào)了模型結(jié)構(gòu)的深度，可以有幾十層、上百層隱層節(jié)點(diǎn)。(2)明確突出了特征學(xué)習(xí)的重要性。13、卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)直接利用圖像像素信息作為輸入，通過卷積操作，模型輸出直接結(jié)果。卷積神經(jīng)網(wǎng)絡(luò)組件有卷積層、池化層、全連接層。卷積層的作用：執(zhí)行卷積操作提取底層到高層的特征，發(fā)掘出輸入數(shù)據(jù)(圖片)的局部關(guān)聯(lián)性質(zhì)和空間不變性質(zhì)。卷積層由一系列參數(shù)可學(xué)習(xí)的濾波器集合構(gòu)成，濾波器(Filter)又稱之為卷積核(Kernel)。不同卷積核可以提取不同的特征，例如邊緣，線性，角等特卷積神經(jīng)網(wǎng)絡(luò)的兩個(gè)特點(diǎn)：(1)參數(shù)共享(ParameterSharing):卷積核在同一張圖上的多個(gè)區(qū)域都適用。(2)局部連接(SparsityofConnection):每個(gè)神經(jīng)元的輸出僅僅依賴小部分輸入神經(jīng)元的值。14、循環(huán)神經(jīng)網(wǎng)絡(luò)是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(diǎn)(循環(huán)單元)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶性、參數(shù)共享等特性。循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也是由輸入層、隱藏層、輸出層組成。循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出不只是與輸入有關(guān)，還與時(shí)間有關(guān)，也就是說，循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出值0?,是受前面歷次輸