1.智能
学习和求解问题的能力，解决新问题、理性行动与像人一样的行动的能力。智能是世界上实现目标的能力的计算部分。人们、许多动物和一些机器都会出现各种各样和层级的智能
2.智能包含的能力
(1)感知能力
(2)记忆和思维能力
(3)学习和自适应能力
(4)行为能力
3.什么是人工智能？
(1)人工智能是研究、开发用于模拟、延申和扩展人的智能的理论、方法、技术及应用系统的一门新的技术学科
(2)它企图了解智能的实质、并产生一种新的能以人类智能相识的方式做出反应的智能机器。
(3)人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
4.什么是机器感知？
使机器（计算机）具有类似于人的感知能力。 以机机器视觉(machine vision)与机机器听觉为主。
5.人工智能陷入低潮
20世纪60年代末，人工智能研究遇到困难，如机器翻译，机器证明。
6.知识表示
将人类知识形式化或者模型化
7.人工智能学科
一门研究如何构造智能机器（智能计算机） 或智能系统 或智能系统，使它能模拟 使它能模拟、延伸延伸、扩展人类智能的学科。
8.强人工智能和弱人工智能
(1)强人工智能：有可能制造出真正能推理和解决问题的智能机器，并且它将被认为是有知觉的，有自我意识的，分为类人的人工智能、非类人的人工智能
(2)弱人工智能：不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识.
9.人工智能三大学派及其思想与成果
(1)符号主义学派：符号主义学派认为，认识的基元是符号，认识过程就是符号运算和推理，智能行为的充要条件是物理符号系统。知识可以用符号进行表示，也可用符号进行推理，可以建立基于知识的人类智能和机器智能统一的理论体系。
代表人物：纽厄尔，西蒙
代表成果：人工定理证明，人工智能语言LISP,鲁滨逊归结原理，专家系统。
(2)连接主义学派：连接主义学派认为，思维的基元是神经元，而不是符号，思维的过程是神经元的连接活动，而不是符号运算的过程。反对符号主义对于物理符号的假设，人脑不同于计算机，提出连接主义的人脑工作模式取代符号主义的计算机工作模式。
代表人物：麦克洛克，或普菲德尔
代表成果：单层感知机，Hopfield网络，BP网络
(3)行为主义学派，行为主义学派认为人工智能起源于控制论，智能取决于感知与行为，取决于对外部复杂环境的适应。
代表任务及成果：布鲁克斯研制的六角机器虫
10.知识表示的基本方法
非结构化方法：一阶谓词逻辑，产生式规则
结构化方法：语义网络，框架
其他方法：状态空间法，问题规约法
11.数据、信息与知识的关系是什么？
(1)数据是记录信息的符号,是信息的载体和表示;信息是对数据的解释,在特定场合下的具体含义
(2)把有关信息关联在一起所形成的信息称为知识
(3)有格式的数据经过处理、解释过程会形成信息，有关的信息关联到一起，经过处理过程形成知识
12.什么是P规则，什么是T规则？
P规则：在推理的任何步骤上都可引入前提。
T规则：推理时，如果前面步骤中有一个或多个公式永真蕴含公式S，则可把S引入推理过程中。
13. 演绎推理与归纳推理的区别是什么？
(1)演绎推理所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理只不过是将已有事实揭露出来，因此它不能增殖新知识。
(2)归纳推理由个别事物或现象推出一般性知识的过程，是增殖新知识的过程。
14.什么是推理策略中的冲突消解？
冲突消解策略是指当推理过程有多条知识可用时，如何从这多条知识中选取一条最佳知识用于推理的策略，常用的冲突消解策略有领域性知识优先和新鲜知识优先等。
15.产生式系统
把一组产生式放在一起。一个产生式的结论可以供另一个产生式作为已知事实使用，以求得问题的解，这种系统成为产生式系统。
16.产生式系统的组成
(1)一个综合数据库，又称事实库，用于存放输入的事实，从外部数据库输入的事实、中间结果、最后结果
(2)一组产生式规则，描述某领域内知识的产生式集合
(3)一个控制系统，包含推理方式和控制策略，又称推理机或推理引擎
17.语义网
语义网络是通过概念及其语义关系来表达知识的一种网络图，它是一个代标注的有向图。节点用来表示各种概念、事务、属性、动作、状态等。弧是有方向，用来体现节点间的主次关系。弧上的标注用来表示节点间的语义联系或语义关系。
18.框架系统
框架是人们认识事物的一种通用的数据结构形式。在框架理论中，框架是知识的基本单位，把一组有关的框架连结起来便可以形成一个框架系统，框架由若干个槽组成，槽可以由若干个侧面组成。一个侧面用来描述相应属性的一个方面。槽和侧面所具有的属性值称为槽值和侧面值。
19.框架之间的横向联系
框架A的某个槽值是另一个框架B时，则称框架A与框架B之间具有横向联系。
20.框架之间的纵向联系
是指那种具有继承关系的上下层框架之间的联系，纵向联系通过预定以槽名AKO和ISA等来实现。
21.搜索
依靠经验，利用已有知识，根据问题的实际情况，不断寻找可利用知识，从而构造一条代价最小的推理路线，使问题得以解决的过程称为搜索。
22.盲目搜索和智能搜索
(1)盲目搜素是指在搜索之前就预定好控制策略，整个搜索过程中的策略不变，即使搜索出来的中间信息有利用价值，其搜索过程中的策略不再改变，效率低，灵活性差，不利于复杂问题求解。
(2)智能搜索是指可以利用搜索过程中得到的中间信息（与问题相关的信息）来引导搜索过程向最优方向发展的算法。
23.问题规约法
把一个复杂问题分解或变换为一组本源问题的过程叫做问题规约。实质：
从目标问题出发，逆向推理，建立子问题以及子问题的子问题，直至最后把初始问题规约为一个平凡的本源问题集合。
24.状态空间图与与或图有什么区别及联系？
(1)状态空间图是描述寻找目标或路径问题的有向图，即描述一个实体基于事件反应的动态行为，显示了该实体如何根据当前所处的状态对不同的时间做出反应的。状态空间图可以看成只有或节点的与或图。
(2)与或图是一种系统地将问题分解为互相独立的小问题,然后分而解决的方法。
(3)与或图中有两种代表性的节点:“与节点"和“或节点",“与节点指所有的后续节点都有解时它才有解;“或节 点’指各个后续节点均完全独立,只要其中有一个有解它就有解。
状态空间图可以看成与或树的一个特例，即只有或树，没有与树
25.启发式信息
用于指导搜索过程且与具体问题求解有关的控制信息称为启发信息
启发信息作用分类：
1.用于决定先扩展哪一个节点
2.在扩展节点时，用于决定要生成哪一个或哪几个后继节点
3.用于确定某些应该从搜索树中抛弃或修建的节点
26.估价函数
在扩展节点时，用来描述节点重要程度的函数称为估价函数， 一般形式为f(x)=g(x)+h(x)。其中，g(x)为初始节点S0到节点x已实际付出的代价，h(x)是从节点x到目标节点Sg的最优路径的估计代价，启发信息主要由h(x)来体现，故把它称为启发函数。
27.A算法
在状态空间搜索中，如果每一步都利用估价函数f(n)=g(n)+h(n)对Open表中的节点进行排序，则称为A算法。它是一种为启发式搜索算法
类型：
全局择优：从Open表中的所有节点中选择一个估价函数值最小的进行扩展
局部择优：仅从刚生成的子节点中选择一个估价函数值最小的进行扩展。
28.A*算法
对在A算法的基础上，选用了一个比较特殊的估价函数，对节点n定义f*(x)=
g*(x)+h*(x)，表示从S0开始通过节点x到Sg的一条最佳路径的代价，g是g的估计，h是h的估计。g(x)是对最小代价g*(x)的估计，且g(x)>0,g(x)>=g*(x),
h(x)为h*(x)的下界，即对所有的x存在h(x)<=h*(x)
29.A*算法的最优性
A算法的搜索效率很大程度上取决启发函数h(x)，一般来说，在满足h(x)<=h(x)
的基础上，h(x)的值越
大越好。h（x）的值越大，说明它携带的启发信息越多，A算法搜索时扩展的节点就越少，搜索效率就越高。A算法的这一特性被称为最优性。
30.解树
由可解节点构成，并且这些可解节点可以推出初始节点，为可解节点的子树且一定包含初始节点。
31.与或树的有序搜索
盲目搜索：没有考虑代价，所求得的解树不一定是代价最小的解树，即不是最优解树。
启发式搜索：要多看几步，计算一下扩展一个节点可能要付出的代价，以选择代价最小的节点进行扩展。
32.希望树
在有序搜索中，应选择那些最有希望成为最优解树一部分的节点进行扩展。我们称这些节点构成的树为希望树。
33.博弈树
在博弈过程中，已方的各种攻击方案为“或”关系，而对方的应着方案为“与”关系。描述博弈过程的“与/或”树称为博弈树。
34.极大极小分析法
根据所求解问题的特殊性设计合适的估价函数，计算当前博弈树中所有端节点的得分，该分数称为静态估计值。根据端节点的估值推算出其父节点的分数：
若父节点为“或节点”，则其分数等于其所有子节点分数的最大值。
若父节点为“与节点”，则其分数等于其所有子节点分数的最小值。
计算出的父节点的分数值称为倒退值
如果一个方案能获得较大的倒退值，则它就是当前最好的行动方案。
35.什么是不确定性推理
不确定性推理泛指除精确推理以外的其他各种推理问题。包括不完备、不精确知识的推理、模糊知识推理，非单调性推理等。
36. 请简要解释BP学习算法的正向传播与反向传播的含义？
正向传播：输入信息由输入层传至隐层，最终在输出层输出。
反向传播：修改各层神经元的权值，使误差信号最小。
37. 请简要说明池化层的基本作用，以及池化操作的基本过程与常用方法？
池化层（Pooling Layer）也叫子采样层（Subsample Layer）或降采样（downsampling），其主要作用是利用子采样（或降采样）对输入图像的像素进行合并，得到池化层的特征图谱。
池化操作的一个重要概念是池化窗口或子采样窗口。所谓池化窗口是指池化操作所使用的一个矩形区域，池化操作利用该矩形区域实现对卷积层特征图像素的合并。
例如，一个88的输入图像，若采用大小为22的池化窗口对其进行池化操作，就意味着原图像上的4个像素将被合并为1个像素，原卷积层中的特征图经池化操作后将缩小为原图的1/4。
池化操作的基本过程是：从特征图的左上角开始，按照池化窗口，先从左到右，然后再从上向下，不重叠地依次扫过整个图像，并同时利用子采样方法进行池化计算。
常用的池化方法有最大池化（max pooling）法、平均池化（mean pooling）法和概率矩阵池化（stochastic pooling）法等。这里主要讨论最大池化法和平均池化法。
38. BP学习算法的基本思想是什么？
BP学习算法的基本思想是输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近。
39.在BP学习算法实现时，应注意哪些问题？
（1）隐层数及隐层中神经元数的确定，无确定的指导方法，需要通过经验调整；
（2）初始权值的设置，一般设为一个均值为0的随机分所布初始权值；
（3）训练数据的预处理，常使用线性特征比例变换,把所有特征变换到[0,1],或者 [-1,1]区间之间，使得在每个训练集上，每个特征的均值为0，并且具有相同的方差。
（4）后处理过程，当应用神经网络进行分类操作时，通常把输出值编码成所谓的名义变量，具体的值对应类别符号
40.简述BP算法的实现过程
（1）初始化：对所有连接权和阈值赋以随机任意小值；
（2） 从 N 组输入输出样本中取一组样本：x=[x1, x2,…, xp1]T, d=[d1, d2,…,dpm]T, 把输入信息x=[x1, x2,…, xp1]T输入到BP网络中 ;
（3）正向传播：计算各层节点的输出；
（4）计算网络的实际输出与期望输出的误差；
（5）反向传播：从输出层方向计算到第一个隐层，按连接权 值修正公式向减小误差方向调整网络的各个连接权值；
（6）让t+1→t，取出另一组样本重复（2）－（5），直到 N 组 输入输出样本的误差达到要求时为止。
41.请简要说明卷积操作的基本过程，以及什么是卷积核？
卷积（convolution）在卷积神经网络中的主要作用是实现卷积操作，形成网络的卷积层。
卷积操作的基本过程是：针对图像的某一类特征，先构造其特征过滤器（FF），然后利用该滤器对图像进行特征提取，得到相应特征的特征图（ FM）。依此针对图像的每一类特征，重复如上操作，最后得到由所有特征图构成的卷积层。
特征过滤器也称为卷集核（Coiling Kernel，CK），它实际上是由相关神经元连接权值所形成的一个权值矩阵，该矩阵的大小由卷集核的大小确定。卷集核与特征图之间具有一一对应关系，一个卷集核唯一地确定了一个特征图，而一个特征图也唯一地对应着一个卷积核。
42. 简述神经元模型工作过程是怎样的？
1、从各输入端接收输入信号，包括外界刺激与接收其它神经元的输出
2、根据连接权值求出所有输入的加权和
3、用非线性激励函数进行转换，得到输出
43.P规则T规则
P规则：在推理的任何步骤上都可引入前提。
T规则：推理时，如果前面步骤中有一个或多个公式永真蕴含公式S，则可把S引入推理过程中。