ai必背

人工智能基础核心名词与简答题复习手册

一、必背名词解释（精准踩分版）

1. 图灵测试（Turing Test）

   • 定义：1950年图灵提出的智能判断标准，通过人类裁判与机器的自然语言对话，若超过30%的裁判误判为“人类”，则机器被认为具备智能。
   • 核心：以交互能力作为智能的衡量标准，忽略内部逻辑，侧重行为模拟。

2. 符号主义（Symbolicism）

   • 核心思想：认为智能源于符号表示与逻辑推理，通过“知识表示+规则引擎”实现智能（如专家系统）。
   • 代表：纽厄尔和西蒙的“逻辑理论家”程序，用符号逻辑证明数学定理。

3. 监督学习（Supervised Learning）

   • 定义：使用带标签数据（X,Y）训练模型，学习输入X到输出Y的映射（如“图像→类别”）。
   • 关键：目标是最小化预测值与真实标签的误差，典型算法：线性回归、决策树。

4. K-means算法

   • 无监督聚类方法：将数据划分为K个簇，使簇内样本相似度高、簇间差异大。
   • 步骤：随机初始化K个中心→分配样本→更新中心→迭代至收敛，常用于用户分群、图像分割。

5. 主成分分析（PCA）

   • 降维技术：通过线性变换将高维数据投影到低维空间，保留最大方差（即主要信息）。
   • 应用：图像压缩（如将1000维特征降为50维）、数据可视化（2D/3D展示高维分布）。

6. BP算法（反向传播算法）

   • 神经网络训练核心：通过链式法则计算损失函数对各层权重的梯度，反向更新参数，实现端到端优化。
   • 流程：前向传播计算误差→反向传播梯度→梯度下降更新权重，解决多层网络的参数优化问题。

7. LSTM（长短期记忆网络）

   • RNN变种：通过“门控机制”（遗忘门、输入门、输出门）解决传统RNN的梯度消失问题，擅长处理长序列依赖。
   • 应用：机器翻译（如“我吃饭”与“ I eat”的时序关联）、语音识别。

二、简答题模板（结构分必拿）

1. 监督学习 vs 无监督学习（对比三要素）

维度	监督学习	无监督学习
数据标签	必须有（X,Y），如“图像+类别标签”	无标签（仅X），如“用户行为数据”
学习目标	拟合X→Y的映射，用于预测新样本的Y	发现X的内在模式（聚类、降维）
典型算法	线性回归（房价预测）、SVM（垃圾邮件分类）	K-means（客户分群）、PCA（图像降维）
应用场景	精准预测（如股票价格）	探索性分析（如市场细分）

2. CNN适合图像处理的三大特性

• ① 局部感知（Local Perception）

  • 原理：卷积核仅连接输入图像的局部区域（如3×3窗口），模拟生物视觉皮层对边缘、角点的敏感特性。
  • 案例：第一层卷积核提取直线边缘，第二层组合边缘成轮廓，第三层识别物体部件。

• ② 权重共享（Weight Sharing）

  • 优势：同一卷积核在图像不同位置使用相同权重，大幅减少参数（如100×100图像+5×5核，参数仅25个）。
  • 效果：降低过拟合风险，提升模型泛化能力（如识别不同位置的“猫脸”）。

• ③ 层次特征提取（Hierarchical Feature Extraction）

  • 流程：低层卷积提取边缘→中层组合成纹理→高层抽象为物体（如“眼睛+鼻子→猫脸”）。
  • 对比传统方法：无需人工设计特征（如SIFT），自动从像素学习语义信息。

3. AI伦理的三大具体挑战（附案例）

• ① 算法偏见（Algorithmic Bias）

  • 案例：亚马逊招聘系统对女性简历评分偏低（训练数据中技术岗位简历多为男性），体现数据偏差的继承性。
  • 根源：训练数据失衡或隐含社会偏见，需通过数据清洗（如过采样少数类）缓解。

• ② 隐私泄露（Privacy Violation）

  • 案例：医疗AI模型通过患者基因数据推断家族病史，违反HIPAA隐私条例。
  • 技术应对：差分隐私（添加噪声）、联邦学习（数据不出本地，模型聚合）。

• ③ 就业影响（Employment Disruption）

  • 现象：自动驾驶普及可能导致卡车司机失业，美国卡车司机约350万人面临职业转型。
  • 社会对策：政府推行再培训计划（如德国“工业4.0”职业转型基金），企业承担AI伦理责任。

三、实战关联（快速复现流程）

1. Scikit-learn线性回归：房价预测全流程

# 1. 数据加载与预处理  
from sklearn.datasets import fetch_california_housing  
from sklearn.model_selection import train_test_split  
from sklearn.preprocessing import StandardScaler  
data = fetch_california_housing()  
X, y = data.data, data.target  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  
scaler = StandardScaler()  # 标准化特征（消除量纲影响）  
X_train_scaled = scaler.fit_transform(X_train)  
X_test_scaled = scaler.transform(X_test)  

# 2. 模型训练与评估  
from sklearn.linear_model import LinearRegression  
from sklearn.metrics import mean_squared_error, r2_score  
model = LinearRegression()  
model.fit(X_train_scaled, y_train)  
y_pred = model.predict(X_test_scaled)  
mse = mean_squared_error(y_test, y_pred)  
r2 = r2_score(y_test, y_pred)  
print(f"MSE: {mse:.2f}, R²: {r2:.2f}")  # R²越接近1，模型拟合越好  

# 3. 结果分析  
# MSE衡量预测误差，R²衡量模型解释力（如R²=0.6表示60%的房价波动可被模型解释）

2. MNIST手写数字：CNN各层作用解析

• 数据特点：28×28灰度图像，10个数字类别（0-9）。
• 典型CNN结构（Keras实现）：

  from tensorflow.keras.models import Sequential  
  from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense  
  model = Sequential([  
      Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),  # 第一层卷积：32个3×3核，提取边缘  
      MaxPooling2D((2,2)),  # 池化层：降维（28→14），保留关键特征  
      Conv2D(64, (3,3), activation='relu'),  # 第二层卷积：提取数字轮廓（如“0”的环形）  
      MaxPooling2D((2,2)),  # 池化层：14→7  
      Flatten(),  # 展平为一维向量（7×7×64=3136维）  
      Dense(128, activation='relu'),  # 全连接层：抽象数字语义  
      Dense(10, activation='softmax')  # 输出层：10个类别的概率  
  ])  
  

• 各层作用：
  • 卷积层：从像素中提取边缘→轮廓→数字形状；
  • 池化层：降低维度，增强平移不变性（如数字“3”旋转后仍可识别）；
  • 全连接层：将视觉特征映射到类别空间（如“环形+竖线→数字0”）。

四、考场答题技巧

1. 名词解释：先给定义，再举1个简短案例（如“LSTM用于机器翻译，解决长句依赖问题”）。
2. 简答题：分点标号（如①②③），每个点配技术原理+案例（如CNN的“局部感知”配“边缘检测”例子）。
3. 实战题：记住Scikit-learn的4步流程（加载→预处理→训练→评估），CNN层按“卷积-池化-全连接”顺序描述。

通过以上梳理，可快速覆盖核心考点，建议结合教材案例（如鸢尾花分类、MNIST识别）强化记忆，考前重点默写名词定义与简答题框架！

​
一、核心概念知识点​
生成式对抗网络（GAN）：由生成器与判别器组成​
注意力机制：能动态分配不同信息的权重，应用不限于自然语言处理​
强化学习算法：包含 Q - learning、DQN、PPO ，AdaBoost 属于集成学习算法​
决策树：可处理分类和回归任务，易过拟合，按信息增益等准则分裂节点，能处理连续型特征​
词嵌入技术：Word2Vec、GloVe、BERT 是常见方法，TF - IDF 不属于词嵌入​
迁移学习：可跨领域，需目标领域数据，能加快模型训练，对源模型有要求​
时间序列处理模型：LSTM 适合处理时间序列数据​
二分类评估指标：准确率衡量整体分类准确程度​
对抗样本：通过微小扰动生成，不限于图像识别领域，对模型有负面影响​
优化算法：SGD、Adam、Adagrad 是一阶优化算法，Newton 法属于二阶​
二、填空高频考点​
激活函数：ReLU、Sigmoid（答案不唯一）​
决策树剪枝：预剪枝、后剪枝​
图神经网络模型：GCN（图卷积网络）、GAT（图注意力网络）​
序列标注任务：命名实体识别、词性标注​
强化学习模型：MDP（马尔可夫决策过程）​
特征选择方法：过滤式、包裹式、嵌入式（任写两个）​
三、易错判断知识点​
深度学习模型参数多不一定性能好，易过拟合​
集成学习结合多个弱学习器提升性能​
条件随机场（CRF）是判别式模型​
数据增强可用于多种类型数据​
生成式模型可用于数据生成和概率密度估计​
模型泛化能力指在测试集上的表现​
批量归一化（Batch Normalization）能加速模型收敛​
对抗学习中，生成器和判别器目标相反​
多模态学习处理多种类型数据​
梯度下降法中，学习率过大可能导致不收敛​
四、名词解释要点​
生成式模型：建模数据概率分布，学习联合概率分布
​
P(X,Y)
，用于生成样本​
Transformer 架构：基于注意力机制，并行处理序列信息，广泛应用于多领域​
模型压缩：减少模型参数、计算量和存储，方法有剪枝、量化、知识蒸馏​
零样本学习：利用辅助信息对未见过类别进行分类预测​
知识蒸馏：将教师模型知识迁移到学生模型，降低模型复杂度​
五、简答核心逻辑​
Bagging 和 Boosting：Bagging 基学习器并行，通过投票 / 平均集成；Boosting 基学习器串行，调整样本权重降低偏差​
BERT 过程：预训练通过 MLM 和 NSP 任务学习语义；微调在下游任务调整参数​
数据不平衡：影响是模型偏向多数类；解决方法有过采样、欠采样、调整损失函数权重等​
图神经网络应用：将社交网络建模为图，聚合邻居信息更新节点特征，用于节点分类等任务

一、关键概念与分类

学习任务分类
无监督：K-means 聚类找数据结构，无标签
监督：房价预测（回归）、垃圾邮件分类（分类），需标签
模型核心技术
RLHF：强化学习 + 人类反馈优化模型
RAG：检索外部知识辅助生成，防 “幻觉”
Transformer：多头注意力并行计算，打破序列依赖

池化作用：降维、减计算量、增强抗干扰（非提取局部特征）
三、常见问题与解决

拟合问题
欠拟合：模型简单，训练 / 测试误差都高 → 增特征、加深网络
过拟合：模型复杂，训练低测试高 → 正则化、数据增强
伦理安全：数据隐私泄露是 AI 伦理核心风险

五、模型结构

RNN 类型：单向、双向、多层
池化类型：最大、平均、随机
模型学习目标
生成模型：联合概率
P(x,y)
判别模型：条件概率
P(x∣y)