在高校人工智能类课程的收官阶段最磨人的往往不是某个具体的知识点而是面对一门覆盖搜索、推理、机器学习、深度学习、概率图模型等多条主线的课程你根本不知道期末那张卷子会从哪个角落出题。“高级人工智能”这门课尤其如此——它顶着“高级”两个字但MOOC平台上的习题和期末考试往往考得又细又杂既有需要手算的经典算法题又有需要辨析概念的客观题稍不留神就会在阴沟里翻船。这篇内容是我刷完某平台“高级人工智能”课程全部章节、啃完历年期末试题之后沉淀下来的复习笔记和答题套路。我尽量不堆砌空话直接讲清楚这门课期末到底在考什么、哪些地方最容易丢分、手算题怎么一步步做不跳步、概念题怎么从出题人视角去排除干扰项。适合正在准备该课程考试、MOOC结课测验或者想系统梳理AI核心知识框架的同学参考。1. 备考思路先摸清这门课的出题逻辑再动手刷题1.1 这门课的知识版图与本学期的命题风向“高级人工智能”虽然各个学校、各个平台的教学大纲有差异但主干脉络基本一致大致可以划分为五条线搜索与博弈从盲目搜索到启发式搜索再到对抗搜索极小极大、Alpha-Beta剪枝。逻辑推理与知识表示一阶逻辑、归结原理、产生式系统、语义网络等。机器学习经典算法决策树、朴素贝叶斯、SVM支持向量机、聚类、集成学习。深度学习入门神经网络结构、反向传播、CNN/RNN的基本概念与计算。概率图模型与其他进阶主题贝叶斯网络、马尔可夫模型、强化学习基础等。从我刷过的几套MOOC期末题来看命题风格非常“均衡”大约三成是概念辨析题四成是计算推导题比如手写决策树分裂条件、手算贝叶斯后验概率、手动模拟Alpha-Beta剪枝过程剩下两成是结合场景的简答题比如给你一个搜索问题让你设计启发式函数还有一成可能涉及开放性论述。这意味着如果你只背概念不看计算分数是会很难看的。1.2 题库与往年试卷的使用策略不要做一题丢一题很多同学拿到MOOC习题集就开始按顺序刷做完对答案错了就看一眼解析然后翻下一篇。这种做法在“高级人工智能”这门课上效率极低因为大部分题目的考点是重叠的你第一遍刷错的知识点如果不主动归纳刷到第三套题还是会错。我的建议是准备一个“考点-错题”对照表每做完一套题就把错题对应的考点记下来比如“模糊了A*算法的可采纳性条件”“决策树信息增益算到一半对数底数搞混”等等。考前三天只看这张表比重新刷十套题管用得多。另外MOOC的题库往往有随机抽题机制同一道题换个数字、换个场景就会变样子所以千万不要背答案要背推导过程。1.3 按“高频考点权重”分配复习时间而不是按章节页数分配复习时间永远是稀缺的。按照考试出题密度我给各板块的时间分配建议是这样的搜索与博弈占20%复习时间机器学习基础占30%深度学习占20%逻辑推理占15%概率图模型与杂项占15%。为什么机器学习占比最重因为这一块既能出概念题比如“Bagging和Boosting的区别”又能出计算题比如“给定数据集计算基尼系数”还能出简答题比如“如何解决过拟合”出题人的操作空间最大。相比之下逻辑推理里的归结原理虽然难但题型相对固定基本就是给你一组子句让你推导空子句掌握了模板之后拿分反而容易。2. 核心考点拆解哪些知识点年年考、哪些是送分陷阱2.1 搜索与博弈A*、可采纳性与Alpha-Beta剪枝的解题套路搜索部分几乎是必考的计算题来源。A*算法最重要、也最容易被出题人拿来挖坑的考点有两个一是评估函数f(n) g(n) h(n)中g(n)必须是实际代价h(n)必须是可采纳的即永远不大于真实代价二是OPEN表的处理顺序会直接影响搜索扩展节点的顺序但不会影响最终路径的代价。考试里最常见的错误是把h(n)当成随意估计。比如题目给出一个八数码问题有人为了图方便把启发函数设为“不在目标位置的数字个数”这其实是一个可采纳的启发函数因为每个不在位的数字至少需要移动一次但如果把启发函数设计成“每个数字到目标位置的曼哈顿距离之和再乘以2”那这个启发函数就不可采纳了A*就退化成了不一定能找到最优解的状态。这种地方出题人特别喜欢伪装成“让你选择一个合适的启发函数”的送分题实际在考你对可采纳性的理解。Alpha-Beta剪枝的手算模拟也是高频题。解题的关键动作是先画搜索树标出MAX层和MIN层然后从左到右进行深度优先遍历。剪枝规则只有一句话在MIN层如果某个子节点的值已经小于或等于当前已知的MAX层下界α值就可以剪掉后面的兄弟节点在MAX层如果某个子节点的值已经大于或等于当前已知的MIN层上界β值就可以剪掉。很多人背了这句话但做题还是错原因在于顺序很关键——必须是深度优先、从左到右而且每到一个节点都要先更新当前的α、β区间再判断是否剪枝。建议考前至少手算两道完整题目把α、β的传递路径捋顺。2.2 机器学习经典算法信息增益、基尼系数与朴素贝叶斯的计算细节决策树部分的信息增益计算是期末考试性价比极高的一道大题因为它套路固定给你一个小数据集让你算某个属性的信息增益然后选分裂属性。这里有几个特别容易翻车的细节熵的计算中log的底数很多教材用2如果题面没说明默认用2信息增益的单位是比特bit。如果题目明确说用自然对数那就用ln不要混用。约定0 * log(0) 0这是数学上的规定考试时必须写出来否则计算过程不完整。信息增益 分裂前的熵 - 分裂后各子集熵的加权平均这个“加权”用的是子集的样本数占比而不是某个固定权重。基尼系数的计算相对简单但容易被小样本数据坑到。比如一个只有三五个样本的二分类数据集基尼系数算出来常常是0.44、0.32这种很别扭的数如果验算发现两个属性的基尼系数差得极小也别慌就按计算结果选小的那个作为分裂属性。朴素贝叶斯在考试中通常以“给定训练数据预测新样本类别”的形式出现。做这类题一定要检查一个前提题目给的是先验概率和条件概率还是原始数据让你自己估计。如果是原始数据记得用拉普拉斯平滑Laplace smoothing处理零概率问题——除非题目明确说不平滑否则当某个特征值在训练集中没出现过时直接概率为零会让整个连乘结果归零这在真实场景中非常常见也是必考点。2.3 深度学习与反向传播从神经元计算到链式法则深度学习部分的题往往不算太难但范围很广。常见的题型包括给定一个简单神经网络一两层、三五个神经元让你手算一个前向传播的输出或者给定损失函数让你手推一次反向传播的梯度更新值。前向传播的关键是别漏掉激活函数。常见的做法是先算加权和 ( z w \cdot x b )再套激活函数 ( a \sigma(z) )如果题目给的激活函数是Sigmoid那么sigmoid函数的导数有一个很讨巧的形式( \sigma(z) \sigma(z)(1 - \sigma(z)) )这个在反向传播手算时能省掉大量时间。反向传播最容易出错的地方是“维度匹配”和“链式法则的中间变量”。我的答题习惯是每一步都画出计算图中的节点和边给每个中间变量起好名字比如z1、a1、z2、a2然后用链式法则从输出端往回逐层拆解。这样看起来慢但正确率很高。另一个容易被忽略的细节是偏置项b的梯度它等于该层误差的求和而不是逐元素对应很多同学在算梯度时把b当作权重w一样处理导致更新公式写错。2.4 概率图模型与逻辑推理贝叶斯网络和归结原理的模板化解法贝叶斯网络相关题目大多数是“给定网络结构和条件概率表求某个联合概率或后验概率”。解题思路其实非常机械先把联合概率按照网络结构展开成条件概率的乘积然后把已知数值带入最后如果不满足条件就问什么条件用贝叶斯公式做分母归一化。要注意网络中的“独立关系”往往被出题人用来制造干扰项比如明明两个变量在给定第三个变量时条件独立题目却故意给了一堆不相关的概率让你绕弯路。归结原理题目也有固定套路先把待证明的结论取反化成子句集然后反复利用归结规则找互补文字对直到推出空子句。考试中常见的失分点是在化为子句集时量词消去步骤做错。特别是“存在量词”需要引入Skolem函数或常量很多人把顺序搞反导致后面整个推导过程无效。我的建议是考前专门用两道典型题把“前束范式→Skolem化→子句集”的流程抄写三遍形成肌肉记忆。3. 实操演练两道高失分率题目的完整手算与避坑记录3.1 手算模拟基于信息增益的决策树属性选择过程下面用一个微型数据集完整走一遍流程这是考试中最典型的一类大题。假设训练数据有14个样本目标变量是“是否适合外出运动”特征有两个天气晴、阴、雨和风力强、弱。已知四个统计值总样本中“适合”占9个“不适合”占5个。天气为“晴”的样本中有2个适合、3个不适合。天气为“阴”的样本中4个全部适合。天气为“雨”的样本中3个适合、2个不适合。风力为“强”的样本中3个适合、3个不适合。风力为“弱”的样本中6个适合、2个不适合。第一步计算分裂前的经验熵。总熵为[ H(D) -\frac{9}{14}\log_2\frac{9}{14} - \frac{5}{14}\log_2\frac{5}{14} \approx 0.940 \text{ bit} ]第二步按“天气”属性分裂。计算每个子集的熵晴5个样本2正3负熵为 ( -\frac{2}{5}\log_2\frac{2}{5} - \frac{3}{5}\log_2\frac{3}{5} \approx 0.971 )阴4个样本4正0负熵为 0雨5个样本3正2负熵为 ( -\frac{3}{5}\log_2\frac{3}{5} - \frac{2}{5}\log_2\frac{2}{5} \approx 0.971 )分裂后条件熵为[ H(D|天气) \frac{5}{14} \times 0.971 \frac{4}{14} \times 0 \frac{5}{14} \times 0.971 \approx 0.694 ]信息增益[ Gain(D, 天气) 0.940 - 0.694 0.246 ]第三步按“风力”属性分裂强6个样本3正3负熵为1.0弱8个样本6正2负熵为 ( -\frac{6}{8}\log_2\frac{6}{8} - \frac{2}{8}\log_2\frac{2}{8} \approx 0.811 )分裂后条件熵[ H(D|风力) \frac{6}{14} \times 1.0 \frac{8}{14} \times 0.811 \approx 0.892 ]信息增益[ Gain(D, 风力) 0.940 - 0.892 0.048 ]因为天气属性的信息增益更大所以第一个分裂属性选择“天气”。这道题在考场上平均耗时不会超过8分钟但几乎每年都有同学在“熵的对数底数”或“加权系数”上出错。我的习惯是在草稿纸上先写清楚“权重 子集样本数 / 总样本数”再代入计算避免心算出错。3.2 从零手推一轮反向传播变量命名与维度检查是成败关键第二个高频失分题型是反向传播。假设有一个最简单的小网络输入 ( x 1 )第一层权重 ( w_1 0.5 )偏置 ( b_1 0 )激活函数为Sigmoid第二层权重 ( w_2 -0.8 )偏置 ( b_2 0.2 )输出层不使用激活函数损失函数为平方误差真实标签 ( y 1 )学习率 ( \eta 0.1 )。要求更新一次 ( w_2 ) 和 ( b_2 )。前向传播第一层加权和 ( z_1 w_1 \times x b_1 0.5 \times 1 0 0.5 )激活输出 ( a_1 \sigma(z_1) \frac{1}{1 e^{-0.5}} \approx 0.6225 )第二层输出 ( \hat{y} w_2 \times a_1 b_2 -0.8 \times 0.6225 0.2 -0.298 )损失[ L \frac{1}{2}(y - \hat{y})^2 \frac{1}{2}(1 - (-0.298))^2 \approx 0.842 ]反向传播先算输出层误差[ \delta_2 \frac{\partial L}{\partial \hat{y}} \hat{y} - y -0.298 - 1 -1.298 ]这里注意因为损失函数是 ( \frac{1}{2} ) 的平方误差导数正好是 ( \hat{y} - y )不用再乘2。所以[ \frac{\partial L}{\partial w_2} \delta_2 \times a_1 -1.298 \times 0.6225 \approx -0.808 ][ \frac{\partial L}{\partial b_2} \delta_2 -1.298 ]更新[ w_2^{\text{new}} w_2 - \eta \times \frac{\partial L}{\partial w_2} -0.8 - 0.1 \times (-0.808) -0.719 ][ b_2^{\text{new}} b_2 - \eta \times \frac{\partial L}{\partial b_2} 0.2 - 0.1 \times (-1.298) 0.3298 ]如果题目要求继续更新 ( w_1 )则需要用到链式法则[ \frac{\partial L}{\partial w_1} \frac{\partial L}{\partial \hat{y}} \times \frac{\partial \hat{y}}{\partial a_1} \times \frac{\partial a_1}{\partial z_1} \times \frac{\partial z_1}{\partial w_1} ]其中 ( \frac{\partial \hat{y}}{\partial a_1} w_2 -0.8 )( \frac{\partial a_1}{\partial z_1} a_1(1 - a_1) \approx 0.6225 \times 0.3775 \approx 0.2350 )( \frac{\partial z_1}{\partial w_1} x 1 )。所以[ \frac{\partial L}{\partial w_1} \approx (-1.298) \times (-0.8) \times 0.2350 \times 1 \approx 0.244 ]我在这里特别强调写清楚每个中间变量及其维度既能防止自己算到后面忘记前面的结果也方便考试时检查。很多同学把 ( \delta_2 ) 算出来后直接把它当作 ( \delta_1 )一路往前乘最后梯度符号完全反掉。反向传播的误差是逐层“传播”的每一层都要用自己的激活函数导数和本层输入来过渡千万不要跳步。4. 概念辨析与简答题出题人视角下的高频陷阱4.1 过拟合、欠拟合与模型容量的边界怎么答才不丢分简答题里“过拟合与欠拟合的区别及解决方案”几乎是必考题但很多同学拿不到满分原因是答案太笼统。答题时建议分点列出过拟合的表现是训练误差低、验证误差高欠拟合则是训练误差和验证误差都高。过拟合的解决方案包括增加训练数据、正则化L1/L2、Dropout、早停法、降低模型复杂度。欠拟合的解决方案包括增加模型复杂度、增加特征、减少正则化强度、训练更长时间。如果题目给出具体场景比如“训练集只有200张图片模型是深层CNN”一定要结合场景作答直接指出“数据量过少而模型参数过多容易导致过拟合应采用数据增强、迁移学习或选用更简单的模型”。这种结合场景的回答会被判卷人视为有分析能力而不仅仅是背知识点。4.2 容易混淆的术语对比这五组考频最高“高级人工智能”期末概念题最喜欢把长得很像、容易混淆的术语放在一起考我整理了五组高频对比考前务必做到能用自己的话解释清楚Bagging与BoostingBagging是并行训练多个弱学习器然后投票/平均降低方差Boosting是串行训练每个新学习器重点关注之前被分错的样本降低偏差。生成模型与判别模型生成模型学习联合概率分布 ( P(X,Y) )像朴素贝叶斯、隐马尔可夫模型判别模型直接学习条件概率 ( P(Y|X) ) 或决策边界像逻辑回归、SVM、神经网络。强人工智能与弱人工智能弱人工智能只擅长特定任务下棋、识别图片强人工智能具备通用认知能力能够像人一样解决任意智力问题目前尚未实现。有监督学习与无监督学习前者需要标注好的 ( (X,Y) ) 对后者只有 ( X )目标是发现结构如聚类、降维。梯度下降与随机梯度下降梯度下降每次用全量数据计算梯度稳定但慢随机梯度下降每次用一个样本估算梯度快但有噪声常配合学习率衰减使用。4.3 复杂问题怎么用“分点-术语-例子”三段式拿稳分数开放性简答题比如“谈谈你对可解释人工智能的理解”往往是很多人最头疼的因为不知道该写多少、写多深。我总结了一个通用的三段式答题模板保证拿到平均分以上第一段给出定义或背景用一两句话说明这个问题为什么重要。第二段分点展开每点都要有一个专业术语或核心概念支撑。比如谈可解释性可以提“事后解释”和“事前解释”的区别提LIME、SHAP这类常见工具提“解释的忠实性”与“解释的可理解性”之间的权衡。第三段给出一个具体例子或场景比如“在医疗影像辅助诊断中医生不仅需要知道模型判断为阳性还需要知道模型关注了图像中哪个区域”让答案落地。5. 考前72小时冲刺从刷题模式切换到拿分模式5.1 最后三天只看三样东西公式卡片、错题清单、推导过程考前三天不建议再大量刷新题而是转入“止损模式”。我自己的做法是准备三份材料公式卡片把熵、信息增益、基尼系数、贝叶斯公式、Sigmoid导数、A*评估函数、Alpha-Beta剪枝条件、反向传播链式法则等公式写在小卡片上每天早饭、睡前各过一遍。错题清单按章节归纳之前做错的题目重点看那些“思路对但细节错”的题目比如把“信息增益选最大”记成“选最小”这类错误最可惜。推导过程把决策树属性选择、反向传播更新、贝叶斯网络推断这三类计算题的完整推导过程默写一遍做到不看笔记也能从头写到尾。5.2 考场上最容易犯的五个低级错误结合我在多轮模拟和实际考试中的观察低级失分往往集中在以下五个地方没有看题目对数的底数要求想当然用log2结果和标准答案差一个常数倍。决策树计算信息增益时忘记乘子集的样本占比权重。Alpha-Beta剪枝手算时没有按深度优先从左到右的顺序推进导致剪枝位置判断错误。反向传播更新参数时把减号写成了加号注意参数更新是朝负梯度方向。朴素贝叶斯遇到零概率时没有做平滑导致整个连乘结果归零。这些错误没有一个是真的“不会做”全是审题不细或计算习惯不好导致的。我的建议是每道计算题做完后用“量纲/数量级”快速检验一遍比如信息增益是一个不大于分裂前熵的非负数如果算出来是负数或大于1大概率算错了反向传播更新的参数变化幅度通常不大如果一次更新后参数跳了好几倍也说明梯度计算可能有问题。5.3 记忆技巧把抽象公式翻译成生活场景很多同学觉得公式记不住是因为在死记符号。我习惯把核心算法翻译成场景故事信息增益就是在问“按这个属性切一刀能把数据分得有多纯”。贝叶斯公式就是在问“看到某个证据后我对某个假设的信念更新了多少”。反向传播就是“从输出端的错误出发一层层把责任分摊回每个参数”。Alpha-Beta剪枝就是“当我已经知道当前选择不可能是最优时没必要再看剩下的选项”。一旦公式和直觉挂上钩考场上一时半会想不起符号时可以从场景反推往往能救回一道大题。6. 常见问题速查考前答疑环节的独家笔记6.1 计算量太大做不完怎么分配做题顺序不少同学反映“高级人工智能”期末卷子计算量大时间不够用。我的建议是开考后先把所有题目快速扫一遍标记出哪些是“看一眼就能答”的概念题哪些是“需要10分钟起步”的计算大题。先花20分钟解决掉所有概念题和简单计算题把基础分拿到手再集中火力攻克大题。如果某道计算题做到一半发现卡壳果断跳过不要恋战。大题往往有前置分的设置比如决策树那题即使最后信息增益算错前面的熵和条件熵计算步骤也是能拿分的所以一定要把步骤写完整哪怕最终答案不确定。6.2 遇到没见过的开放题怎么避免交白卷“高级人工智能”考试偶尔会有一道结合前沿热点的论述题比如“谈谈大语言模型对传统AI研究范式的影响”。这类题没有标准答案但也不是乱写就能得分。我的做法是套用“是什么-为什么-怎么样”的框架先给一个定义或背景说明再分析它能解决什么问题、带来什么挑战最后结合一个具体应用场景收尾。即使你对这个话题了解不深只要能用上学过的术语比如“预训练”“微调”“涌现能力”“对齐问题”“算力成本”等把逻辑捋顺就能拿到大部分基础分。最忌讳的是只写两三句话或者直接写“不了解”这样一分都拿不到。6.3 平时做题正确率高一上考场就手忙脚乱怎么办如果你平时刷题正确率不错但模拟考或正式考试时总感觉时间紧、脑壳懵多半是缺乏“限时训练”。考前至少安排两套完整试卷严格按考试时间来做中间不翻书、不暂停模拟真实考场节奏。我第一次模拟考时同样被计算量打乱节奏后面连续做了三套限时题才逐步找到了适合自己的“概念题速答计算题分步写”的节奏正式考场上的发挥明显稳定很多。写在最后“高级人工智能”这门课的期末考试与其说是在考智商不如说是在考熟练度和细致程度。搜索、决策树、朴素贝叶斯、反向传播这些计算题只要平时动手推过三五遍考场上几乎就是肌肉记忆概念辨析题靠的是平时学习时多问一句“这两个东西到底差在哪”。我自己复习过程中踩过最大的坑就是早期只刷题不总结导致同一个坑反复掉后来改成“错题归因-考点归类-针对性练模板”三步走效率才真正提上来。距离考试还有时间的话别只顾着看新知识把做过的题吃透、把推导过程写顺比什么都重要。 
长河君 · 2026/10/16 12:44:35 · 阅读 1.2k 高级人工智能期末复习：决策树、反向传播与贝叶斯网络手算套路
在高校人工智能类课程的收官阶段最磨人的往往不是某个具体的知识点而是面对一门覆盖搜索、推理、机器学习、深度学习、概率图模型等多条主线的课程你根本不知道期末那张卷子会从哪个角落出题。“高级人工智能”这门课尤其如此——它顶着“高级”两个字但MOOC平台上的习题和期末考试往往考得又细又杂既有需要手算的经典算法题又有需要辨析概念的客观题稍不留神就会在阴沟里翻船。这篇内容是我刷完某平台“高级人工智能”课程全部章节、啃完历年期末试题之后沉淀下来的复习笔记和答题套路。我尽量不堆砌空话直接讲清楚这门课期末到底在考什么、哪些地方最容易丢分、手算题怎么一步步做不跳步、概念题怎么从出题人视角去排除干扰项。适合正在准备该课程考试、MOOC结课测验或者想系统梳理AI核心知识框架的同学参考。1. 备考思路先摸清这门课的出题逻辑再动手刷题1.1 这门课的知识版图与本学期的命题风向“高级人工智能”虽然各个学校、各个平台的教学大纲有差异但主干脉络基本一致大致可以划分为五条线搜索与博弈从盲目搜索到启发式搜索再到对抗搜索极小极大、Alpha-Beta剪枝。逻辑推理与知识表示一阶逻辑、归结原理、产生式系统、语义网络等。机器学习经典算法决策树、朴素贝叶斯、SVM支持向量机、聚类、集成学习。深度学习入门神经网络结构、反向传播、CNN/RNN的基本概念与计算。概率图模型与其他进阶主题贝叶斯网络、马尔可夫模型、强化学习基础等。从我刷过的几套MOOC期末题来看命题风格非常“均衡”大约三成是概念辨析题四成是计算推导题比如手写决策树分裂条件、手算贝叶斯后验概率、手动模拟Alpha-Beta剪枝过程剩下两成是结合场景的简答题比如给你一个搜索问题让你设计启发式函数还有一成可能涉及开放性论述。这意味着如果你只背概念不看计算分数是会很难看的。1.2 题库与往年试卷的使用策略不要做一题丢一题很多同学拿到MOOC习题集就开始按顺序刷做完对答案错了就看一眼解析然后翻下一篇。这种做法在“高级人工智能”这门课上效率极低因为大部分题目的考点是重叠的你第一遍刷错的知识点如果不主动归纳刷到第三套题还是会错。我的建议是准备一个“考点-错题”对照表每做完一套题就把错题对应的考点记下来比如“模糊了A*算法的可采纳性条件”“决策树信息增益算到一半对数底数搞混”等等。考前三天只看这张表比重新刷十套题管用得多。另外MOOC的题库往往有随机抽题机制同一道题换个数字、换个场景就会变样子所以千万不要背答案要背推导过程。1.3 按“高频考点权重”分配复习时间而不是按章节页数分配复习时间永远是稀缺的。按照考试出题密度我给各板块的时间分配建议是这样的搜索与博弈占20%复习时间机器学习基础占30%深度学习占20%逻辑推理占15%概率图模型与杂项占15%。为什么机器学习占比最重因为这一块既能出概念题比如“Bagging和Boosting的区别”又能出计算题比如“给定数据集计算基尼系数”还能出简答题比如“如何解决过拟合”出题人的操作空间最大。相比之下逻辑推理里的归结原理虽然难但题型相对固定基本就是给你一组子句让你推导空子句掌握了模板之后拿分反而容易。2. 核心考点拆解哪些知识点年年考、哪些是送分陷阱2.1 搜索与博弈A*、可采纳性与Alpha-Beta剪枝的解题套路搜索部分几乎是必考的计算题来源。A*算法最重要、也最容易被出题人拿来挖坑的考点有两个一是评估函数f(n) g(n) h(n)中g(n)必须是实际代价h(n)必须是可采纳的即永远不大于真实代价二是OPEN表的处理顺序会直接影响搜索扩展节点的顺序但不会影响最终路径的代价。考试里最常见的错误是把h(n)当成随意估计。比如题目给出一个八数码问题有人为了图方便把启发函数设为“不在目标位置的数字个数”这其实是一个可采纳的启发函数因为每个不在位的数字至少需要移动一次但如果把启发函数设计成“每个数字到目标位置的曼哈顿距离之和再乘以2”那这个启发函数就不可采纳了A*就退化成了不一定能找到最优解的状态。这种地方出题人特别喜欢伪装成“让你选择一个合适的启发函数”的送分题实际在考你对可采纳性的理解。Alpha-Beta剪枝的手算模拟也是高频题。解题的关键动作是先画搜索树标出MAX层和MIN层然后从左到右进行深度优先遍历。剪枝规则只有一句话在MIN层如果某个子节点的值已经小于或等于当前已知的MAX层下界α值就可以剪掉后面的兄弟节点在MAX层如果某个子节点的值已经大于或等于当前已知的MIN层上界β值就可以剪掉。很多人背了这句话但做题还是错原因在于顺序很关键——必须是深度优先、从左到右而且每到一个节点都要先更新当前的α、β区间再判断是否剪枝。建议考前至少手算两道完整题目把α、β的传递路径捋顺。2.2 机器学习经典算法信息增益、基尼系数与朴素贝叶斯的计算细节决策树部分的信息增益计算是期末考试性价比极高的一道大题因为它套路固定给你一个小数据集让你算某个属性的信息增益然后选分裂属性。这里有几个特别容易翻车的细节熵的计算中log的底数很多教材用2如果题面没说明默认用2信息增益的单位是比特bit。如果题目明确说用自然对数那就用ln不要混用。约定0 * log(0) 0这是数学上的规定考试时必须写出来否则计算过程不完整。信息增益 分裂前的熵 - 分裂后各子集熵的加权平均这个“加权”用的是子集的样本数占比而不是某个固定权重。基尼系数的计算相对简单但容易被小样本数据坑到。比如一个只有三五个样本的二分类数据集基尼系数算出来常常是0.44、0.32这种很别扭的数如果验算发现两个属性的基尼系数差得极小也别慌就按计算结果选小的那个作为分裂属性。朴素贝叶斯在考试中通常以“给定训练数据预测新样本类别”的形式出现。做这类题一定要检查一个前提题目给的是先验概率和条件概率还是原始数据让你自己估计。如果是原始数据记得用拉普拉斯平滑Laplace smoothing处理零概率问题——除非题目明确说不平滑否则当某个特征值在训练集中没出现过时直接概率为零会让整个连乘结果归零这在真实场景中非常常见也是必考点。2.3 深度学习与反向传播从神经元计算到链式法则深度学习部分的题往往不算太难但范围很广。常见的题型包括给定一个简单神经网络一两层、三五个神经元让你手算一个前向传播的输出或者给定损失函数让你手推一次反向传播的梯度更新值。前向传播的关键是别漏掉激活函数。常见的做法是先算加权和 ( z w \cdot x b )再套激活函数 ( a \sigma(z) )如果题目给的激活函数是Sigmoid那么sigmoid函数的导数有一个很讨巧的形式( \sigma(z) \sigma(z)(1 - \sigma(z)) )这个在反向传播手算时能省掉大量时间。反向传播最容易出错的地方是“维度匹配”和“链式法则的中间变量”。我的答题习惯是每一步都画出计算图中的节点和边给每个中间变量起好名字比如z1、a1、z2、a2然后用链式法则从输出端往回逐层拆解。这样看起来慢但正确率很高。另一个容易被忽略的细节是偏置项b的梯度它等于该层误差的求和而不是逐元素对应很多同学在算梯度时把b当作权重w一样处理导致更新公式写错。2.4 概率图模型与逻辑推理贝叶斯网络和归结原理的模板化解法贝叶斯网络相关题目大多数是“给定网络结构和条件概率表求某个联合概率或后验概率”。解题思路其实非常机械先把联合概率按照网络结构展开成条件概率的乘积然后把已知数值带入最后如果不满足条件就问什么条件用贝叶斯公式做分母归一化。要注意网络中的“独立关系”往往被出题人用来制造干扰项比如明明两个变量在给定第三个变量时条件独立题目却故意给了一堆不相关的概率让你绕弯路。归结原理题目也有固定套路先把待证明的结论取反化成子句集然后反复利用归结规则找互补文字对直到推出空子句。考试中常见的失分点是在化为子句集时量词消去步骤做错。特别是“存在量词”需要引入Skolem函数或常量很多人把顺序搞反导致后面整个推导过程无效。我的建议是考前专门用两道典型题把“前束范式→Skolem化→子句集”的流程抄写三遍形成肌肉记忆。3. 实操演练两道高失分率题目的完整手算与避坑记录3.1 手算模拟基于信息增益的决策树属性选择过程下面用一个微型数据集完整走一遍流程这是考试中最典型的一类大题。假设训练数据有14个样本目标变量是“是否适合外出运动”特征有两个天气晴、阴、雨和风力强、弱。已知四个统计值总样本中“适合”占9个“不适合”占5个。天气为“晴”的样本中有2个适合、3个不适合。天气为“阴”的样本中4个全部适合。天气为“雨”的样本中3个适合、2个不适合。风力为“强”的样本中3个适合、3个不适合。风力为“弱”的样本中6个适合、2个不适合。第一步计算分裂前的经验熵。总熵为[ H(D) -\frac{9}{14}\log_2\frac{9}{14} - \frac{5}{14}\log_2\frac{5}{14} \approx 0.940 \text{ bit} ]第二步按“天气”属性分裂。计算每个子集的熵晴5个样本2正3负熵为 ( -\frac{2}{5}\log_2\frac{2}{5} - \frac{3}{5}\log_2\frac{3}{5} \approx 0.971 )阴4个样本4正0负熵为 0雨5个样本3正2负熵为 ( -\frac{3}{5}\log_2\frac{3}{5} - \frac{2}{5}\log_2\frac{2}{5} \approx 0.971 )分裂后条件熵为[ H(D|天气) \frac{5}{14} \times 0.971 \frac{4}{14} \times 0 \frac{5}{14} \times 0.971 \approx 0.694 ]信息增益[ Gain(D, 天气) 0.940 - 0.694 0.246 ]第三步按“风力”属性分裂强6个样本3正3负熵为1.0弱8个样本6正2负熵为 ( -\frac{6}{8}\log_2\frac{6}{8} - \frac{2}{8}\log_2\frac{2}{8} \approx 0.811 )分裂后条件熵[ H(D|风力) \frac{6}{14} \times 1.0 \frac{8}{14} \times 0.811 \approx 0.892 ]信息增益[ Gain(D, 风力) 0.940 - 0.892 0.048 ]因为天气属性的信息增益更大所以第一个分裂属性选择“天气”。这道题在考场上平均耗时不会超过8分钟但几乎每年都有同学在“熵的对数底数”或“加权系数”上出错。我的习惯是在草稿纸上先写清楚“权重 子集样本数 / 总样本数”再代入计算避免心算出错。3.2 从零手推一轮反向传播变量命名与维度检查是成败关键第二个高频失分题型是反向传播。假设有一个最简单的小网络输入 ( x 1 )第一层权重 ( w_1 0.5 )偏置 ( b_1 0 )激活函数为Sigmoid第二层权重 ( w_2 -0.8 )偏置 ( b_2 0.2 )输出层不使用激活函数损失函数为平方误差真实标签 ( y 1 )学习率 ( \eta 0.1 )。要求更新一次 ( w_2 ) 和 ( b_2 )。前向传播第一层加权和 ( z_1 w_1 \times x b_1 0.5 \times 1 0 0.5 )激活输出 ( a_1 \sigma(z_1) \frac{1}{1 e^{-0.5}} \approx 0.6225 )第二层输出 ( \hat{y} w_2 \times a_1 b_2 -0.8 \times 0.6225 0.2 -0.298 )损失[ L \frac{1}{2}(y - \hat{y})^2 \frac{1}{2}(1 - (-0.298))^2 \approx 0.842 ]反向传播先算输出层误差[ \delta_2 \frac{\partial L}{\partial \hat{y}} \hat{y} - y -0.298 - 1 -1.298 ]这里注意因为损失函数是 ( \frac{1}{2} ) 的平方误差导数正好是 ( \hat{y} - y )不用再乘2。所以[ \frac{\partial L}{\partial w_2} \delta_2 \times a_1 -1.298 \times 0.6225 \approx -0.808 ][ \frac{\partial L}{\partial b_2} \delta_2 -1.298 ]更新[ w_2^{\text{new}} w_2 - \eta \times \frac{\partial L}{\partial w_2} -0.8 - 0.1 \times (-0.808) -0.719 ][ b_2^{\text{new}} b_2 - \eta \times \frac{\partial L}{\partial b_2} 0.2 - 0.1 \times (-1.298) 0.3298 ]如果题目要求继续更新 ( w_1 )则需要用到链式法则[ \frac{\partial L}{\partial w_1} \frac{\partial L}{\partial \hat{y}} \times \frac{\partial \hat{y}}{\partial a_1} \times \frac{\partial a_1}{\partial z_1} \times \frac{\partial z_1}{\partial w_1} ]其中 ( \frac{\partial \hat{y}}{\partial a_1} w_2 -0.8 )( \frac{\partial a_1}{\partial z_1} a_1(1 - a_1) \approx 0.6225 \times 0.3775 \approx 0.2350 )( \frac{\partial z_1}{\partial w_1} x 1 )。所以[ \frac{\partial L}{\partial w_1} \approx (-1.298) \times (-0.8) \times 0.2350 \times 1 \approx 0.244 ]我在这里特别强调写清楚每个中间变量及其维度既能防止自己算到后面忘记前面的结果也方便考试时检查。很多同学把 ( \delta_2 ) 算出来后直接把它当作 ( \delta_1 )一路往前乘最后梯度符号完全反掉。反向传播的误差是逐层“传播”的每一层都要用自己的激活函数导数和本层输入来过渡千万不要跳步。4. 概念辨析与简答题出题人视角下的高频陷阱4.1 过拟合、欠拟合与模型容量的边界怎么答才不丢分简答题里“过拟合与欠拟合的区别及解决方案”几乎是必考题但很多同学拿不到满分原因是答案太笼统。答题时建议分点列出过拟合的表现是训练误差低、验证误差高欠拟合则是训练误差和验证误差都高。过拟合的解决方案包括增加训练数据、正则化L1/L2、Dropout、早停法、降低模型复杂度。欠拟合的解决方案包括增加模型复杂度、增加特征、减少正则化强度、训练更长时间。如果题目给出具体场景比如“训练集只有200张图片模型是深层CNN”一定要结合场景作答直接指出“数据量过少而模型参数过多容易导致过拟合应采用数据增强、迁移学习或选用更简单的模型”。这种结合场景的回答会被判卷人视为有分析能力而不仅仅是背知识点。4.2 容易混淆的术语对比这五组考频最高“高级人工智能”期末概念题最喜欢把长得很像、容易混淆的术语放在一起考我整理了五组高频对比考前务必做到能用自己的话解释清楚Bagging与BoostingBagging是并行训练多个弱学习器然后投票/平均降低方差Boosting是串行训练每个新学习器重点关注之前被分错的样本降低偏差。生成模型与判别模型生成模型学习联合概率分布 ( P(X,Y) )像朴素贝叶斯、隐马尔可夫模型判别模型直接学习条件概率 ( P(Y|X) ) 或决策边界像逻辑回归、SVM、神经网络。强人工智能与弱人工智能弱人工智能只擅长特定任务下棋、识别图片强人工智能具备通用认知能力能够像人一样解决任意智力问题目前尚未实现。有监督学习与无监督学习前者需要标注好的 ( (X,Y) ) 对后者只有 ( X )目标是发现结构如聚类、降维。梯度下降与随机梯度下降梯度下降每次用全量数据计算梯度稳定但慢随机梯度下降每次用一个样本估算梯度快但有噪声常配合学习率衰减使用。4.3 复杂问题怎么用“分点-术语-例子”三段式拿稳分数开放性简答题比如“谈谈你对可解释人工智能的理解”往往是很多人最头疼的因为不知道该写多少、写多深。我总结了一个通用的三段式答题模板保证拿到平均分以上第一段给出定义或背景用一两句话说明这个问题为什么重要。第二段分点展开每点都要有一个专业术语或核心概念支撑。比如谈可解释性可以提“事后解释”和“事前解释”的区别提LIME、SHAP这类常见工具提“解释的忠实性”与“解释的可理解性”之间的权衡。第三段给出一个具体例子或场景比如“在医疗影像辅助诊断中医生不仅需要知道模型判断为阳性还需要知道模型关注了图像中哪个区域”让答案落地。5. 考前72小时冲刺从刷题模式切换到拿分模式5.1 最后三天只看三样东西公式卡片、错题清单、推导过程考前三天不建议再大量刷新题而是转入“止损模式”。我自己的做法是准备三份材料公式卡片把熵、信息增益、基尼系数、贝叶斯公式、Sigmoid导数、A*评估函数、Alpha-Beta剪枝条件、反向传播链式法则等公式写在小卡片上每天早饭、睡前各过一遍。错题清单按章节归纳之前做错的题目重点看那些“思路对但细节错”的题目比如把“信息增益选最大”记成“选最小”这类错误最可惜。推导过程把决策树属性选择、反向传播更新、贝叶斯网络推断这三类计算题的完整推导过程默写一遍做到不看笔记也能从头写到尾。5.2 考场上最容易犯的五个低级错误结合我在多轮模拟和实际考试中的观察低级失分往往集中在以下五个地方没有看题目对数的底数要求想当然用log2结果和标准答案差一个常数倍。决策树计算信息增益时忘记乘子集的样本占比权重。Alpha-Beta剪枝手算时没有按深度优先从左到右的顺序推进导致剪枝位置判断错误。反向传播更新参数时把减号写成了加号注意参数更新是朝负梯度方向。朴素贝叶斯遇到零概率时没有做平滑导致整个连乘结果归零。这些错误没有一个是真的“不会做”全是审题不细或计算习惯不好导致的。我的建议是每道计算题做完后用“量纲/数量级”快速检验一遍比如信息增益是一个不大于分裂前熵的非负数如果算出来是负数或大于1大概率算错了反向传播更新的参数变化幅度通常不大如果一次更新后参数跳了好几倍也说明梯度计算可能有问题。5.3 记忆技巧把抽象公式翻译成生活场景很多同学觉得公式记不住是因为在死记符号。我习惯把核心算法翻译成场景故事信息增益就是在问“按这个属性切一刀能把数据分得有多纯”。贝叶斯公式就是在问“看到某个证据后我对某个假设的信念更新了多少”。反向传播就是“从输出端的错误出发一层层把责任分摊回每个参数”。Alpha-Beta剪枝就是“当我已经知道当前选择不可能是最优时没必要再看剩下的选项”。一旦公式和直觉挂上钩考场上一时半会想不起符号时可以从场景反推往往能救回一道大题。6. 常见问题速查考前答疑环节的独家笔记6.1 计算量太大做不完怎么分配做题顺序不少同学反映“高级人工智能”期末卷子计算量大时间不够用。我的建议是开考后先把所有题目快速扫一遍标记出哪些是“看一眼就能答”的概念题哪些是“需要10分钟起步”的计算大题。先花20分钟解决掉所有概念题和简单计算题把基础分拿到手再集中火力攻克大题。如果某道计算题做到一半发现卡壳果断跳过不要恋战。大题往往有前置分的设置比如决策树那题即使最后信息增益算错前面的熵和条件熵计算步骤也是能拿分的所以一定要把步骤写完整哪怕最终答案不确定。6.2 遇到没见过的开放题怎么避免交白卷“高级人工智能”考试偶尔会有一道结合前沿热点的论述题比如“谈谈大语言模型对传统AI研究范式的影响”。这类题没有标准答案但也不是乱写就能得分。我的做法是套用“是什么-为什么-怎么样”的框架先给一个定义或背景说明再分析它能解决什么问题、带来什么挑战最后结合一个具体应用场景收尾。即使你对这个话题了解不深只要能用上学过的术语比如“预训练”“微调”“涌现能力”“对齐问题”“算力成本”等把逻辑捋顺就能拿到大部分基础分。最忌讳的是只写两三句话或者直接写“不了解”这样一分都拿不到。6.3 平时做题正确率高一上考场就手忙脚乱怎么办如果你平时刷题正确率不错但模拟考或正式考试时总感觉时间紧、脑壳懵多半是缺乏“限时训练”。考前至少安排两套完整试卷严格按考试时间来做中间不翻书、不暂停模拟真实考场节奏。我第一次模拟考时同样被计算量打乱节奏后面连续做了三套限时题才逐步找到了适合自己的“概念题速答计算题分步写”的节奏正式考场上的发挥明显稳定很多。写在最后“高级人工智能”这门课的期末考试与其说是在考智商不如说是在考熟练度和细致程度。搜索、决策树、朴素贝叶斯、反向传播这些计算题只要平时动手推过三五遍考场上几乎就是肌肉记忆概念辨析题靠的是平时学习时多问一句“这两个东西到底差在哪”。我自己复习过程中踩过最大的坑就是早期只刷题不总结导致同一个坑反复掉后来改成“错题归因-考点归类-针对性练模板”三步走效率才真正提上来。距离考试还有时间的话别只顾着看新知识把做过的题吃透、把推导过程写顺比什么都重要。