2021年國(guó)家開放大學(xué)《人工智能》專題形考任務(wù)二參考答案

1、 - 5 -2021年國(guó)家開放大學(xué)人工智能專題形考任務(wù)二參考答案判斷題 現(xiàn)實(shí)世界中的規(guī)劃問題需要先調(diào)度， 后規(guī)劃。 啟發(fā)式規(guī)劃的兩種方法是減少更多的邊或者狀態(tài)抽象。 語(yǔ)義網(wǎng)絡(luò)的表示方法只能表示有關(guān)某一事物的知識(shí)， 無(wú)法表示一系列動(dòng)作、 一個(gè)事件等的知識(shí)。 下圖表示的是前向狀態(tài)空間搜索。 人們需要把分類器學(xué)習(xí)的樣本的特點(diǎn)進(jìn)行量化， 這些量化后的數(shù)據(jù)， 如鳶尾花的高度、 花瓣的長(zhǎng)度、 花瓣的寬度等就是鳶尾花的特征。 這些特征都是有效的， 可以提供給分類器進(jìn)行訓(xùn)練。 狀態(tài)空間圖是對(duì)一個(gè)問題的表示， 通過(guò)問題表示， 人們可以探索和分析通往解的可能的可替代路徑。 特定問題的解將對(duì)應(yīng)狀態(tài)空間圖中的一條路徑

2、。 貝葉斯定理是為了解決頻率概率問題提出來(lái)的。 深度學(xué)習(xí)是計(jì)算機(jī)利用其計(jì)算能力處理大量數(shù)據(jù)， 獲得看似人類同等智能的工具。 分層規(guī)劃中包含基本動(dòng)作和高層動(dòng)作。 謂詞邏輯是應(yīng)用于計(jì)算機(jī)的邏輯形式， 其邏輯規(guī)則、 符號(hào)系統(tǒng)與命題邏輯是一樣的。 P （A B） 代表事件A 發(fā)生的條件下事件B 發(fā)生的概率。 人工智能利用遺傳算法在求解優(yōu)化問題時(shí)， 會(huì)把問題的解用“0” 和“1” 表示。 0, 1 就是就是“遺傳基因” ， 01 組成的字符串， 稱為一個(gè)染色體或個(gè)體。 填空題 人們想讓智能機(jī)器分辨哪個(gè)動(dòng)物是熊貓， 就會(huì)輸入一些數(shù)據(jù)告訴機(jī)器。 如圖上所示的“大大的腦袋， 黑白兩色， 黑眼眶， 圓耳朵” ，

3、 這些屬于（特征值） 。 貝葉斯網(wǎng)絡(luò)是（ 朱迪亞 珀?duì)?） 首先提出來(lái)的。 遺傳算法具有（ 生存檢測(cè) ） 的迭代過(guò)程的搜索算法。 也就是說(shuō)， 通過(guò)群體的一代代的不斷進(jìn)化， 最終收斂到“最適應(yīng)環(huán)境” 的個(gè)體， 從而求得問題的最優(yōu)解或滿意解。 （多選）在 A* 算法中， 當(dāng)我們找尋當(dāng)前節(jié)點(diǎn)的相鄰子節(jié)點(diǎn)時(shí)， 需要考慮（如果該子節(jié)點(diǎn)已經(jīng)在Open 列表中， 則我們需要檢查其通過(guò)當(dāng)前節(jié)點(diǎn)計(jì)算得到的F 值。 如果比它原有計(jì)算的F 值更小。 如果更小則更新其 F 值， 并將其父節(jié)點(diǎn)設(shè)置為當(dāng)前節(jié)點(diǎn)。 如果沒有更小， 則保持它原有的父節(jié)點(diǎn)和F 值。如果該子節(jié)點(diǎn)已經(jīng)在Close 列表中， 則我們可以直接丟棄它。如

4、果該子節(jié)點(diǎn)不在任何列表中， 則將其加入到Open 列表， 并計(jì)算F 值， 設(shè)置其父節(jié)點(diǎn)為當(dāng)前節(jié)點(diǎn)。） 下列哪一條是關(guān)鍵路徑？ 請(qǐng)選擇相應(yīng)的路徑按鈕。 . (路徑 2) 算法模型看起來(lái)像一棵倒立的樹， 數(shù)據(jù)沿著樹根輸入， 再?gòu)娜~子節(jié)點(diǎn)輸出， 中間的分支要根據(jù)不同特征的信息進(jìn)行判斷， 決定該向左走還是向右走， 這種算法稱為（決策樹） 。 （多選） 貝葉斯認(rèn)為概率是（對(duì)事物發(fā)生可能性的一種合理置信度； 基于不確定性因素的考慮； 建立在主觀判斷基礎(chǔ)上的 ） 。 （A*算法 ） 的原理是： 每一個(gè)節(jié)點(diǎn)綁定一個(gè)啟發(fā)值， 然后經(jīng)過(guò)一次又一次的篩選， 引導(dǎo)機(jī)器優(yōu)先篩選那些啟發(fā)值更優(yōu)的節(jié)點(diǎn)， 規(guī)避一些無(wú)用或效率

5、較低的節(jié)點(diǎn)， 從而快速找到問題的解。 當(dāng)我們?cè)谖锲贩N類很多的情況下， 需要快速選擇出一種最優(yōu)搭配方案時(shí)， 其實(shí)可以借助一些特別的處理方法來(lái)解決， 這些方法中的一種被稱為“遺傳算法” ， 它是通過(guò)模擬達(dá)爾文的進(jìn)化論來(lái)解決問題的， 因此也被歸類為“進(jìn)化算法” 。 （約翰霍蘭德 ） 教授首先提出“遺傳算法” 。 （多選） 假設(shè)有一個(gè)能自己打掃衛(wèi)生的真空吸塵器， 它的世界只有兩塊地毯那么大。 它可以 感知自己處于哪塊地毯， 這塊地毯是干凈的還是臟的。 它可以選擇向左移動(dòng)（R） 、 向右移 動(dòng)（L） 、 吸塵（S） ， 或者什么也不做。 下面是吸塵器清掃地毯這個(gè)問題的狀態(tài)空間圖， 圖中的“R” “L”

6、“S” 等稱為這個(gè)問題的（ 算符， 算子） . 貝葉斯網(wǎng)絡(luò)是一個(gè)（有向無(wú)環(huán)圖） 。 以下哪一項(xiàng)不是機(jī)器智能的來(lái)源（ 數(shù)據(jù)結(jié)構(gòu) ）下面的動(dòng)物識(shí)別系統(tǒng)中， 我們可以在方框中點(diǎn)擊所知?jiǎng)游锏哪承┨卣鳎?計(jì)算機(jī)可以據(jù)此來(lái)識(shí)別該動(dòng)物。 這一系統(tǒng)所使用的知識(shí)表示方法是（ 產(chǎn)生式系統(tǒng) ） （多選） 機(jī)器通過(guò)“學(xué)習(xí)” 也能掌握這種分門別類的技能， 如識(shí)別人臉， 或者區(qū)分兩種花。 像這樣能夠完成分類任務(wù)的人工智能系統(tǒng)， 被稱為分類器。 機(jī)器分類的流程可以被抽象為（） 和（ 分類器訓(xùn)練 、 提取特征 ）（ 亞瑟 塞繆爾） 設(shè)計(jì)出了一個(gè)會(huì)自主學(xué)習(xí)的跳棋程序， 駁倒了“機(jī)器無(wú)法超越人類， 像人類一樣寫代碼和學(xué)習(xí)” 的理

7、論， 創(chuàng)造出了“機(jī)器學(xué)習(xí)” 這一術(shù)語(yǔ)。 （多選） 人工智能中問題求解的目的包括： （讓機(jī)器自動(dòng)找出某問題的正確解決策略。 讓機(jī)器舉一反三， 具有解決同類問題的能力。 ） （多選） 手機(jī)上的智能語(yǔ)音助手， 之所以能解答我們的問題是由于（ 基于其龐大的符號(hào)知識(shí)庫(kù) ； 它可以先識(shí)別動(dòng)詞和名詞， 將名詞變成符號(hào)， 將動(dòng)詞變成關(guān)系， 然后在知識(shí)庫(kù)中找到它們。 它可以憑借其邏輯能力推理并解答問題 ） ？ 當(dāng)神經(jīng)網(wǎng)絡(luò)接收到工作任務(wù)時(shí)， 就是用（輸入層） 來(lái)接收這些任務(wù)所對(duì)應(yīng)的數(shù)據(jù)集， 如圖像 每個(gè)像素點(diǎn)的特征數(shù)值色彩、 亮度等。 （） 的每個(gè)神經(jīng)元都是任務(wù)的特征， 即特征數(shù)值。 以下哪種知識(shí)表示的方法適宜描述特定場(chǎng)景中固定不變的事件序列（ 腳本表示法） 。 深度學(xué)習(xí)模型區(qū)別于早期的人