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入试相关题目概念解释

3-概念解释-知道中文也需要知道日文什么意思

（1）探索アルゴリズム（最短経路探索）

已知定义：

• ( g(s))：初期ノード → s 的已知最短路径代价
• ( h(s))：s → 目的ノード 的启发式估计
• ( f(s)=g(s)+h(s) )

三种算法的排序标准：

算法	排序依据
最適探索（ダイクストラ）	只看已走代价
最良優先探索	只看启发
A*	看总代价

因此：

• 最適探索：按 ( g(s) ) 小的
• 最良優先探索：按 ( h(s) ) 小的
• A*：按 ( f(s)=g(s)+h(s) ) 小的

答案：

• ア：a（g(s)）
• イ：b（h(s)）
• ウ：c（f(s)=g(s)+h(s)）

---

（2）編集距離（動的計画法）

（ア）DP中记录的是什么？

对“部分字符串”的编辑距离进行记录 → メモ化

→ エ = f（メモ化）

---

（イ）“abebc” → “babbe” 的编辑距离

一种最优变换示例（3步）：

1. abebc → babebc（插入 b）
2. babebc → babbe（删除 e,c）
3. 或等价 3 次操作

编辑距离 = 3

→ オ = d（3）

---

（ウ）其中“置换（替换）”的次数

在最优解中 替换 1 次

→ カ = b（1）

---

（2）最终答案

• エ：f
• オ：d
• カ：b

---

（3）クラスタリング（聚类）

（ア）机器学习分类

聚类是 教师なし学習（无监督学习）

→ キ = d（教師なし学習）

---

（イ）确定性聚类算法

“反复更新聚类中心、按距离分类” → k-means 法

→ ク = g（k-means 法）

---

（ウ）目标函数性质

k-means 的平方距离和 单调减少

→ ケ = a（単調減少）

---

（3）最终答案

• キ：d
• ク：g
• ケ：a

---

（4）Q 学習

Q-learning 更新公式本质：

[
Q \leftarrow Q + \alpha \cdot \delta
]

其中：

• (\delta)：TD誤差
• (\alpha)：学习率

逐空分析：

（ア）Q值表示什么？

Q值是 最优行动价值函数

→ コ = d（最適行動価値関数）

---

（イ）加到当前 Q 的是？

当前 Q +（サ × シ）

• サ：TD誤差
• シ：学習率

→

• サ = b（TD誤差）
• シ = g（学習率）

---

（ウ）学习含义

• Q学习就是让 TD误差 → 0
• 学习率控制反映程度

逻辑完全一致 ✔

---

（4）最终答案

• コ：d
• サ：b
• シ：g

---

（5）命题逻辑证明（归结原理）

目标：证明
[
Z := (X \rightarrow Y)
]

等价证明流程：

---

（ア）Z 要证明为什么式？

要证明 Z 为 恒真式

→ ス = c（恒真式）

---

（イ）¬Z 等价于？

[
\neg(X \rightarrow Y) \equiv X \land \neg Y
]

→ セ = b（X ∧ ¬Y）

---

（ウ）使用什么方法反复化简？

描述的是：

若存在 (P∨Q) 与 (R∨¬Q)，推出 (P∨R)

→ 導出原理（Resolution）

→ ソ = f（導出原理）

---

（エ）最终结论

通过归结导出空节 → 原命题为恒真 ✔

---

（5）最终答案

• ス：c
• セ：b
• ソ：f

---

✅ 全部最终答案汇总（可直接填）

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

---

5-练习（日语版本）解析

---

（1）探索アルゴリズム（最短経路探索）

已知定义：

• ( g(s))：初期ノード → s 的已知最短路径代价
• ( h(s))：s → 目的ノード 的启发式估计
• ( f(s)=g(s)+h(s) )

三种算法的排序标准：

算法	排序依据
最適探索（ダイクストラ）	只看已走代价
最良優先探索	只看启发
A*	看总代价

因此：

• 最適探索：按 ( g(s) ) 小的
• 最良優先探索：按 ( h(s) ) 小的
• A*：按 ( f(s)=g(s)+h(s) ) 小的

答案：

• ア：a（g(s)）
• イ：b（h(s)）
• ウ：c（f(s)=g(s)+h(s)）

---

（2）編集距離（動的計画法）

（ア）DP中记录的是什么？

对“部分字符串”的编辑距离进行记录 → メモ化

→ エ = f（メモ化）

---

（イ）“abebc” → “babbe” 的编辑距离

一种最优变换示例（3步）：

1. abebc → babebc（插入 b）
2. babebc → babbe（删除 e,c）
3. 或等价 3 次操作

编辑距离 = 3

→ オ = d（3）

---

（ウ）其中“置换（替换）”的次数

在最优解中 替换 1 次

→ カ = b（1）

---

（2）最终答案

• エ：f
• オ：d
• カ：b

---

（3）クラスタリング（聚类）

（ア）机器学习分类

聚类是 教师なし学習（无监督学习）

→ キ = d（教師なし学習）

---

（イ）确定性聚类算法

“反复更新聚类中心、按距离分类” → k-means 法

→ ク = g（k-means 法）

---

（ウ）目标函数性质

k-means 的平方距离和 单调减少

→ ケ = a（単調減少）

---

（3）最终答案

• キ：d
• ク：g
• ケ：a

---

（4）Q 学習

Q-learning 更新公式本质：

[
Q \leftarrow Q + \alpha \cdot \delta
]

其中：

• (\delta)：TD誤差
• (\alpha)：学习率

逐空分析：

（ア）Q值表示什么？

Q值是 最优行动价值函数

→ コ = d（最適行動価値関数）

---

（イ）加到当前 Q 的是？

当前 Q +（サ × シ）

• サ：TD誤差
• シ：学習率

→

• サ = b（TD誤差）
• シ = g（学習率）

---

（ウ）学习含义

• Q学习就是让 TD误差 → 0
• 学习率控制反映程度

逻辑完全一致 ✔

---

（4）最终答案

• コ：d
• サ：b
• シ：g

---

（5）命题逻辑证明（归结原理）

目标：证明
[
Z := (X \rightarrow Y)
]

等价证明流程：

---

（ア）Z 要证明为什么式？

要证明 Z 为 恒真式

→ ス = c（恒真式）

---

（イ）¬Z 等价于？

[
\neg(X \rightarrow Y) \equiv X \land \neg Y
]

→ セ = b（X ∧ ¬Y）

---

（ウ）使用什么方法反复化简？

描述的是：

若存在 (P∨Q) 与 (R∨¬Q)，推出 (P∨R)

→ 導出原理（Resolution）

→ ソ = f（導出原理）

---

（エ）最终结论

通过归结导出空节 → 原命题为恒真 ✔

---

（5）最终答案

• ス：c
• セ：b
• ソ：f

---

✅ 全部最终答案汇总（可直接填）

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

6总结

知识一点点记录吧，最后应对考试，打下基础