【人工智能学习-AI入试相关题目练习-第一次】

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。

2-AI入试相关题目练习

3-具体自己做题

4-练习（日语版本）解析

确认基准

(1) ア:a イ:e ウ:h (2) エ:d オ:b カ:h (3) キ:b ク:e ケ:d (4) コ:g サ:c シ:a (5) ス:h セ:b ソ:d

下面开始按题号重构出题逻辑。

（1）A*アルゴリズム（経路探索）

题目本质

考你是否真正理解 A的“搜索顺序 + 最优性 + 与他算法的关系”*

【ア：a（E）】

在问什么？

第 3 个被确定为「訪問済み（探索終了）」的节点是谁？

关键点：

• 「訪問済み（探索終了）」≠ 看一眼
• 指的是：
  👉从 Open list 中取出、并确定其 f 值最优的节点

为什么是 E？

• A* 按f = g + h排序
• 在 S 之后，第 2、3 个被“确定”的节点中
  👉E 的 f 值先于 B、C 成为最优

👉考的是 A的展开顺序理解*

【イ：e（7）】

在问什么？

S → G 的最终最小总代价是多少？

注意：

• 不是看直线
• 不是贪心
• 是A完成搜索后得到的最短路径总代价*

👉 所以答案是7

【ウ：h（異なる）】

在问什么？

A* 找到的路径，是否与
「最良優先探索（Best-first search）」相同？

关键陷阱：

• 很多人以为：

  A* = Dijkstra = 最良優先

• 但本题中的「最良優先探索」
  👉是按“評価値 h 或局部最优”来选

因此：

• A* 使用g+h
• 最良優先使用单一评价
• 路径不保证一致

👉 所以是「異なる」

（2）利得行列（ゲーム理論）

表在干嘛？

• 左数字：Player A
• 右数字：Player B

【エ：d（a1, b2）】（α=3）

在问什么？

当 α=3 时，
不管对方怎么选，各自都会选哪一个行动？

👉 这句话 =支配戦略

为什么是 (a1, b2)？

• α=3 时：

  • A：a1 在所有情况下不劣
  • B：b2 在所有情况下不劣

👉双方都有支配戦略

【オ：b（4 < α）】

在问什么？

在什么条件下：

• 不存在支配戦略均衡
• 但存在纳ッシュ均衡

逻辑：

• 当 α > 4：

  • A、B 都不再有“无脑最优”
  • 但仍存在互为最优反应的组合

👉 这是教科书级结论

【カ：h（a2, b2）】

在问什么？

在该条件下的纳ッシュ均衡是什么？

原因：

• 在 α > 4 时：

  • A 对 b2 的 best response 是 a2
  • B 对 a2 的 best response 是 b2

👉 所以均衡点是(a2, b2)

（3）粒子フィルタ（自己位置推定）

这是一道“定义三连”。

【キ：b（ベイズフィルタ）】

在问什么？

粒子滤波属于哪一类方法？

👉 粒子滤波 =
非线性・非高斯条件下的贝叶斯状态推定

【ク：e（モンテカルロ近似）】

在问什么？

用有限个粒子近似概率分布，这叫什么？

👉 = Monte Carlo approximation

【ケ：d（SIR）】

在问什么？

抽样 → 加权 → 重采样
这套机制叫什么？

👉 标准名称：SIR

（4）教師あり学習（分類・回帰・最適化）

【コ：g（ランダムフォレスト）】

在问什么？

分类问题的代表性方法是？

👉 Random Forest 是典型分类器

【サ：c（一般線形モデル）】

在问什么？

回归问题的代表性方法是？

👉 线性回归 = 一般線形モデル

【シ：a（最急降下法）】

在问什么？

通过误差函数
对参数求偏导
用梯度更新参数
—— 这叫什么？

👉Gradient Descent

（5）形態素解析（NLP）

【ス：h（単語ラティス）】

在问什么？

单词候选作为节点
连接关系作为边
这个图叫什么？

👉 不是构文树
👉 是单语ラティス

【セ：b（最小化）】

在问什么？

概率越低 → 成本越高
应该找什么路径？

👉 总成本最小化

【ソ：d（n-gramモデル）】

在问什么？

用前 n−1 个词预测下一个词的模型？

👉 n-gram 定义题

一句话总总结（考试视角）

这不是计算题，而是：
“你是否系统理解 AI 各核心分支的基本思想”

？

5-总结

知识一点点记录吧，最后应对考试，打下基础