今年考完人工智能原理趁着记忆还热乎我把复习时整理的知识点重新梳理了一遍。这套内容不是课程PPT的简单搬运而是我在刷题、复盘、画图过程中重新整理的“考试向”版本核心概念、高频公式、容易混淆的对比、考场上的注意事项全部按复习逻辑重新排过。如果你是准备这门课考试的学生或者想快速把AI原理的框架捡起来这份资料可以直接当作冲刺清单用。我没有按照教材的章节顺序写而是按“搜索—知识表示—机器学习—神经网络”这条主线组织最后再专门整理易混点和记忆方法这样临考前翻起来效率最高。1. 整体复习思路与核心框架1.1 这门课的主线到底有哪些人工智能原理这门课说到底是回答一个问题机器怎么实现“智能”行为它不等于单纯的编程也不是某种具体框架的用法而是研究智能行为背后的通用方法。我在复习时把整门课拆成了四块第一块是搜索解决“怎么做决策”的问题第二块是知识表示与推理解决“怎么描述和运用已知信息”的问题第三块是机器学习解决“怎么从数据中自动学习规律”的问题第四块是神经网络与深度学习解决“怎么用多层可学习结构拟合复杂函数”的问题。后面如果涉及到自然语言处理、计算机视觉基本都是这四块的组合应用。理解了这个主线再看考点分布就比较清楚了。名词解释和简答题喜欢出知识表示、推理方式、学习范式的定义计算题大多落在搜索算法、决策树、条件概率模型和反向传播上论述题爱考模型对比、过拟合处理、AI伦理与可解释性。我复习的时候先统计了一遍往年题型的分布发现计算和简答占了七成以上所以策略就很明确概念要能写得出准确定义公式要能默写算法步骤要能演算。1.2 我采用的复习策略我没有从头到尾啃参考书而是用“倒推法”来复习。先把“必考公式清单”列出来信息熵公式、信息增益公式、条件概率公式、后验概率公式、评估函数公式、感知机更新规则、反向传播中的链式求导规则。然后针对每一类公式找对应的典型例题先自己做做错的地方回到课本找原理。这样一轮过后做题手感明显比单纯看笔记好很多。第二个策略是“动手画图”。搜索树要画决策树要画神经网络结构图也要画。很多同学以为AI原理靠背实际上画图能帮你把抽象过程落到纸面上。比如A*算法的搜索过程光看文字步骤很容易糊自己手动在坐标图上扩展几步节点开放列表和关闭列表的变化一下就看懂了。对抗搜索里的剪枝过程我也是通过画一棵小博弈树才真正理解“剪枝不掉最优解”这件事。后面每个章节我会把对应的图和步骤要点都展开说。2. 搜索策略从盲目搜索到启发式搜索2.1 搜索问题的基本要素搜索问题在AI原理里是最“工程化”的一部分。考试遇到搜索题第一步不是找算法而是先把问题建模成四要素状态空间、初始状态、动作集合、目标测试。其中状态空间是所有合法状态的集合动作集合描述从一种状态转移到另一种状态的方式目标测试用来判断当前状态是否达到目标。很多同学在计算题上丢分就是因为没有定义清楚状态空间导致后续扩展节点时边界非常模糊。我建议做题时先写一行“状态(位置坐标, 方向, 剩余能耗)”这样的形式化定义再开始画搜索树。比如经典的迷宫寻路问题状态就是当前格子坐标动作就是上下左右移动目标测试判断是否到达出口。如果题目允许“停留”或“重复访问”还要在状态定义里显式说明。这个步骤看起来麻烦但能避免后面开放列表和关闭列表写乱的悲剧。2.2 盲目搜索BFS、DFS与一致代价搜索盲目搜索不考虑目标位置只按固定策略扩展节点。最常考的三个算法是广度优先搜索BFS、深度优先搜索DFS和一致代价搜索UCS。BFS按层扩展先探索离初始状态最近的节点如果所有动作的代价相同BFS能找到最短路径这一点在考试里经常被单独拎出来问。DFS则是沿着一条分支走到黑再回溯换路优势在于空间占用小但可能陷入很深的无效分支而且不保证最优。一致代价搜索是BFS的扩展版本它不再按层扩展而是每次从开放列表里取“累计代价最小”的节点扩展。这时候就需要一个优先队列来维护待扩展节点。复习时要记住一个关键区别BFS只有在单位代价下才等价于一致代价搜索如果每条边代价不同BFS很可能返回的不是最优解。我当时做错一道题就是把BFS当成通用最优算法用了后来总结出一句记忆口诀“BFS管层数UCS管代价DFS管深度”。2.3 启发式搜索与A*算法启发式搜索的核心是引入估计函数让搜索方向更聪明。A算法的评估函数是 f(n) g(n) h(n)其中 g(n) 是从初始节点到当前节点的实际代价h(n) 是从当前节点到目标的估计代价。考试不仅要求你算 f 值还会求证“这个启发函数是否可采纳”。可采纳的意思是 h(n) 永远不大于从当前节点到目标的真实最小代价。只有满足可采纳条件A算法才能保证找到最优解这个结论几乎每年都会以简答题或判断题出现。我复习时踩过的坑是把“可采纳”和“一致性”混为一谈。实际上一致性是更强的条件它要求 h(n) ≤ cost(n, n) h(n)也就是三角不等式的形式。一个启发函数如果满足一致性一定满足可采纳但反过来不一定成立。做题时如果题目给了若干节点的 h 值我会先检查一致性再讨论最优性这样不容易漏分。另外要注意A*算法在扩展节点时如果发现某个节点已经在关闭列表里但新路径的 g 值更小需要重新把它放回开放列表这个“重开”操作很容易被忽略。2.4 对抗搜索与博弈问题对抗搜索处理的是两个玩家轮流行动的零和博弈核心算法是极小极大值算法。每个叶子节点对应一个局面评估值轮到MAX玩家时会选择最大的子节点值轮到MIN玩家时会选择最小的子节点值逐层往上传递。考试里最常考的是手动模拟一层或两层的极小极大值计算以及用alpha-beta剪枝减少评估节点数量。alpha-beta剪枝的原理并不复杂在搜索过程中维护两个参数alpha表示MAX方目前能保证的最低收益beta表示MIN方目前能保证的最高损失。如果某个子树的估值已经不可能影响最终决策就不再往下搜。剪枝不会改变最终结果只会改变搜索效率。我在复习时专门画了一棵三层博弈树手动标出每个节点的alpha、beta取值范围才真正体会到“先排列好的子树更容易触发剪枝”这个经验。考试遇到剪枝题建议先在草稿纸上画出完整的决策树再挨个节点判断是否满足剪枝条件千万别凭直觉跳步。3. 知识表示、逻辑推理与不确定性处理3.1 知识表示的主流形式知识表示要解决的是“知识怎么存、机器怎么用”的问题。考试常考四种形式谓词逻辑、产生式规则、语义网络和框架。谓词逻辑的表达能力强适合精确建模但推理复杂度高产生式规则就是“如果条件成立则执行动作”适合规则明确、知识可以模块化的场景专家系统里最常用语义网络用节点表示概念、用带标签的边表示关系适合表示继承关系比如“麻雀是鸟鸟会飞”框架则是面向对象风格的表结构每个框架预留槽位和默认值适合描述固定模式的对象。复习这块时最容易出现的题型是“给一段文字请你用指定形式表示”。我的做法是先找句子里面的实体和关系再选形式。比如“所有学生都喜欢某个老师”如果要求用一阶形式表示就要注意量词顺序是“每个学生都存在一个他喜欢的老师”还是“存在一个老师被所有学生喜欢”这两者含义完全不同。量词顺序这种细节在考试中是非常高频的扣分点宁可多写一步说明也不要直接给公式。3.2 一阶谓词逻辑与归结推理一阶谓词逻辑在推理部分的核心是归结原理。它的基本思路是要证明某个结论能从已知前提推出就先对结论取反把前提和取反后的结论转成子句集然后反复使用归结规则直到推出空子句此时说明假设不成立从而证明原结论成立。考试通常会给你几个谓词公式要求完成子句化转换并写出一两轮归结过程。子句化的步骤要按顺序来第一步消去蕴含符第二步把否定符向内移动第三步变量标准化第四步消去存在量词把被存在的变量替换成新常量或函数第五步消去全称量词最后把合取范式拆成多个子句。这里面最容易出错的是消去存在量词时没有考虑依赖关系如果某个存在变量依赖前面某个全称变量就要换成函数而不是常量很多同学在这里漏写函数参数导致整题扣分。我复习时至少手动做了五道子句化题目才把“顺序感”练出来。3.3 不确定性推理与条件概率网络现实世界的知识往往不是绝对真或假而是带置信度的。考试里不确定性推理主要涉及可信度方法和条件概率网络。可信度方法给每条规则附一个可信度因子推理时把证据的可信度乘到规则上逐层传播条件概率网络则用有向无环图表示变量之间的依赖关系每个节点保存一个条件概率表联合概率分布由所有节点的条件概率乘积表示。这类题的难点在于根据网络结构计算某个后验概率。我建议不要只记公式而是先画出因子分解式再根据题目条件做变量消元。比如一个简单网络包含“天气”“路况”“是否迟到”三个节点要计算“已知迟到的条件下天气是多云的概率”就要把联合分布展开、把不需要的变量求和掉再归一化。这一步容易在归一化上遗漏因为分母是给定证据的联合概率不是1。计算时不管有没有把握至少把分子分母都写出来老师能看到你的思路比直接写结果稳得多。4. 机器学习原理与核心模型4.1 学习的定义与三种范式机器学习一章的起点是“学习”的定义程序在任务T上的性能P随着经验E的增加而提升就称它在学习。这个定义要背熟因为它能解释很多概念。比如“训练集就是经验E测试准确率就是性能P的度量”把学习定义套进去模型的本质一下就清楚了。三种学习范式必须会对比监督学习使用有标签样本典型任务包括分类和回归无监督学习没有标签典型任务包括聚类、降维和关联规则挖掘强化学习不直接给标签而是通过环境反馈的奖励信号来调整策略。考试常问“某个场景属于哪种学习”我总结的判断方法是有无正确答案标签有就是监督没有标签但有奖励信号就是强化什么都没有就是无监督。注意还有一种“半监督”场景少量标签加大量无标签数据复习时也要知道它的基本设定。4.2 决策树与信息增益计算决策树是机器学习里最常考计算题的部分。核心概念是信息熵一个离散随机变量X的信息熵为 H(X) -∑ p(x) log2 p(x)。熵越大不确定性越大。选择划分属性时我们希望划分后各个子集的整体不确定性尽量小于是定义信息增益划分前熵减去划分后各子集熵的加权平均。ID3算法每次选信息增益最大的属性C4.5算法改用信息增益率目的在惩罚取值特别多的属性。计算题的套路很固定。先统计类别比例算根节点熵再把每个候选属性的每个取值都做一遍子集划分算条件和熵最后做差得到信息增益。我自己做题时发现最常犯的错是 log 底数没看清楚题目如果没说明默认是2另外加权平均的权重要用子集样本数除以总样本数而不是平均分配。复习时我建议把一道有三个属性的例题重复算三遍直到不需要翻课本也能完整列出公式考试时就稳了。4.3 条件独立假设下的分类器与支持向量机基于条件独立假设的分类器是概率模型里性价比最高的考点。它的原理是对每个类别计算后验概率 P(Y|X)然后取概率最大的类别作为预测结果。展开后分母对所有类别相同因此比较时可以直接忽略。分子等于类先验概率 P(Y) 乘以所有特征条件概率的乘积。因为特征之间被假设为相互独立这个乘积才成立如果特征明显相关模型性能会受影响。考试的计算题通常会给你一张训练样本表要求预测某个新样本的类别。我要提醒的是如果某个特征值在某个类别下从未出现过条件概率会变成0从而把整个乘积清零这是很经典的坑。解决办法是平滑处理给每个计数都加上一个小常数考试时题目会提示是否需要平滑如果不提示你也要在答卷上写明“若不平滑会出现零概率问题”并给出平滑后的结果。支持向量机部分更偏概念题最大间隔超平面、间隔由支持向量决定、核函数把低维线性不可分映射到高维线性可分。答题时画一张间隔示意图把支持向量标出来得分效率很高。4.4 过拟合、欠拟合与模型评估过拟合和欠拟合是机器学习里最核心的偏概念考点几乎每次考试都有一道简答题。过拟合指模型在训练集上表现很好但在测试集上表现差原因是模型容量过大、训练时间太长或者数据量不足。欠拟合则是模型太简单训练集和测试集都表现差。应对方法要分维度写对过拟合可以用增加数据、正则化、剪枝、早停、丢弃法对欠拟合可以增加模型复杂度、添加特征、降低正则化强度、训练更久。模型评估指标也容易被考到准确率、精确率、召回率、F1值、ROC曲线。很多同学把精确率和召回率弄反我的记忆方法是精确率关心“我预测为正的那些里面有多少是对的”召回率关心“所有真正的正样本里面我找回来了多少”。如果答“查准率”和“查全率”这两个中文名称其实很直观。考试时如果给混淆矩阵先标清TP、FP、FN、TN四个格子再套公式基本不会错。5. 神经网络与深度学习核心5.1 从感知机到多层网络感知机是最简单的神经网络模型输入加权求和后经过一个阈值函数输出类别。单层感知机只能解决线性可分问题经典的异或问题直接暴露了这个局限这也是考试爱问的“为什么需要多层网络”的起点。多层神经网络在输入层和输出层之间加入若干隐藏层并且每层引入非线性激活函数才能在理论上逼近任意连续函数。这个结论常以判断题出现例如“隐藏层越多就一定拟合得越好”答案是错还要解释过拟合和梯度问题。复习感知机时权值更新规则要会推导更新量等于学习率乘以误差再乘以输入。写成式子就是 w w η(y_true - y_pred)x。注意这里的误差用的是预测与实际之差而不是平方误差的导数。多层网络的训练则依赖反向传播本质是链式法则先正向传播计算各层输出再计算输出层误差然后逐层反向求梯度并更新参数。我建议手推一次三层的梯度重点体会“局部梯度”怎么通过上一层梯度传递下来。5.2 损失函数、优化器与正则化方法损失函数选择决定了模型优化的目标。分类问题常用交叉熵损失回归问题常用均方误差。为什么分类不用均方误差因为交叉熵对概率分布差异更敏感与softmax组合后的梯度形式简洁能避免均方误差配合sigmoid时梯度饱和导致学习过慢的问题。这个“为什么”是论述题的高频话题答题时要提到梯度表达式和饱和区间。优化器部分重点掌握梯度下降三种形态批量梯度下降、随机梯度下降、小批量梯度下降。三者的差别在于每次更新用多少样本全量数据稳定但慢单样本快但震荡大小批量是折中最常用的方案。学习率是超参数里最敏感的一个太大可能发散太小训练半天不动。复习时可以画一条“损失-迭代次数”曲线标注正常和发散两种情形考试画图题能直接用。正则化的目的是限制模型复杂度。L1正则会把参数推向稀疏L2正则会把参数整体压缩到较小范围Dropout则是在训练时随机丢弃一部分神经元迫使网络不过度依赖某些路径。考试常问“L1和L2区别”我从公式上记L1加的是权重绝对值之和L2加的是权重平方和L1可以在坐标轴处产生稀疏解L2的解更平滑。最后一句话要写正则化是典型用来缓解过拟合的手段。5.3 卷积网络、循环网络与注意力机制深度学习的三个经典结构要能画出结构图并解释作用。卷积神经网络CNN适合图像类数据核心是卷积核在输入上滑动做加权求和通过参数共享大幅减少参数量池化层用最大值或平均值降低空间尺寸提高平移不变性。考试如果给一张特征图让你算卷积输出尺寸记住公式输出尺寸(输入尺寸-卷积核尺寸2*填充)/步长1填充和步长要看清楚。循环神经网络RNN适合序列数据比如文本和时间序列。它的隐藏状态会沿时间方向传递相当于把之前的信息“记”在状态里。但RNN存在长距离依赖问题反向传播经过多个时间步后梯度容易消失或爆炸因此后来出现门控机制来选择性保留信息。考试常问“为什么RNN不能很好处理长文本”答案要从梯度和记忆容量两方面展开不要只说“记不住”。注意力机制是当前大语言模型的重要基础。核心思想是不再把信息压缩在一个固定状态里而是在生成每个输出位置时从输入的多个位置中按相关度加权提取信息。相关度由查询向量和键向量的相似度计算得到再对值向量做加权求和。复习时建议把“查询、键、值”三个角色与检索做类比比如搜资料查询是你输入的问题键是文档标题值是文档正文。这个类比在考场上帮我把概念讲得很清楚。6. 易混淆概念、考场常见问题与复习方法6.1 高频易混淆概念对照表复习到后期我整理了一张易混淆概念对比表考前只看这一页。这里列几个最容易出题的对照也是我做题时反复踩雷的地方。对比项关键区分点我的记忆方法BFS与DFSBFS按层扩展DFS沿分支深入BFS像排队结账先来先服务DFS像走迷宫一条路走到底BFS与一致代价搜索BFS在单位代价下等价于UCS非单位代价下不保证最优代价不同时每次取累计代价最小的节点可采纳与一致性可采纳要求h真实代价一致性要求三角不等式一致性更强可采纳只需局部估计不夸大ID3与C4.5ID3用信息增益C4.5用增益率信息增益偏好多取值属性增益率加惩罚项精确率与召回率精确率看预测为正的准不准召回率看真实正样本找回多少“精确”像判断质量“召回”像覆盖程度均方误差与交叉熵回归用均方误差分类用交叉熵分类输出概率用对数似然更自然L1与L2正则L1产生稀疏解L2压缩数值但非稀疏L1的绝对值和在零点不可导容易压出零CNN与RNNCNN处理网格结构RNN处理序列卷积关注局部模式循环关注时间顺序这张表的每一行都有可能在选择题里被反向设置比如把“ID3采用增益率”写成对的实际应该是“信息增益”。所以复习一定要看到“反向表述”时也能判断对错。6.2 考场上容易踩的坑第一个坑是没有写出完整的算法步骤。很多计算题要求逐步推导搜索树或权重更新过程如果你只写最后结果阅卷很难给分。我后来养成的习惯是每一步都用编号标注第一步初始化开放列表第二步扩展节点A第三步更新父指针。这样既方便自己检查也能让老师看清思路。第二个坑是不注意公式的适用条件。比如信息熵公式里的概率如果是0对应的项要按0处理不能直接取对数条件概率计算时要考虑平滑后验概率归一化时别忘了分母是所有可能类别下分子求和。这些都是细节但每门考试总会有几个同学栽在这里。第三个坑是概念题里“至少写三点”的题目只答一点。简答题分数通常按点给比如“怎样缓解梯度消失”至少要写出使用非饱和激活函数、合适的初始化、批量归一化、残差连接等几个方向。我复习时会把每个大概念下的“对策类”条目都列出来答的时候现取前三点都够用。第四个坑是画图题里把神经网络结构图的方向画反。输入在最左边还是最右边只要全文统一没大问题但一定要在图中标清数据流向。我习惯在连接线上加箭头并标注维度变化这样即使文字解释不够充分图本身也能拿分。6.3 复习方法、工具与个人体会最后聊一下复习方法和工具。我自己的流程分四步第一步通读讲义把每章标题整理成思维导图第二步按题型倒推考点做两套往年题标出高频考点第三步针对薄弱点做专项练习搜索题和决策树计算反复刷第四步是考试前一天只背“公式清单加易混对照表”。这里强调一点不要试图把整本讲义背下来AI原理重在应用能写对公式和步骤比背诵解释性文字更重要。工具方面我推荐三件套思维导图软件用来整理章节结构表格工具用来做概念对比草稿纸用来手推公式和画搜索树。很多人觉得计算题在电脑上做就行但考试是纸笔作答我建议从复习中期开始就用手写方式做题这样到考场上对公式位置和推导过程也更熟悉。条件概率和反向传播这类题我每次都手工推一遍再编程验证既加深理解也避免认知偏差。就我个人经验来说这门课最值得花时间的不是记定义而是把“为什么这个方法有效”想清楚。比如A*为什么要求启发函数可采纳因为一旦高估就会漏掉最优路径决策树为什么用信息增益因为熵减能量化不确定性下降的程度反向传播为什么用链式法则因为复合函数的梯度可以分层计算。把这些原因想通了考试题怎么变形你都能应对。最后一个小技巧考前一晚把一张白纸对折四次按记忆从搜索到神经网络默写关键公式能写出来的基本就是你已经掌握的写不出的第二天早上再快速翻一下亲测这个动作对稳定考场心态特别有帮助。
