1. 人工智能备考实战：核心算法填空精解
作为一名经历过日本大学院AI方向入学考试的前辈，我深知备考过程中对核心算法概念的理解和记忆至关重要。这份笔记整理了我当年备考时反复练习的四大类高频考题，涵盖最优优先搜索、Q学习、贝叶斯滤波以及三大学习范式对比，每个知识点都配有详细的填空解析和记忆技巧。
1.1 最优优先搜索（最適優先探索）
最优优先搜索是启发式搜索算法的典型代表，其核心在于通过评估函数引导搜索方向。让我们拆解这个经典填空题：
填空答案：
- (a) ヒューリスティック関数（启发式函数）
- (b) オープンリスト（开放列表）
- (c) クローズドリスト（关闭列表）
- (d) 小さい（最小）
- (e) ヒューリスティック関数
- (f) h(s)
关键记忆点：评估函数f(s) = g(s) + h(s)是A*算法的核心公式，其中g(s)是从起点到当前节点的实际代价，h(s)是启发式函数估计的当前节点到目标的代价。
常见错误警示：
- 容易混淆开放列表和关闭列表的功能：
- 开放列表存储待扩展节点（按f值排序）
- 关闭列表记录已访问节点（防止重复访问）
- 在(d)空容易误填"大きい"（最大），实际上每次选取的是评估值最小的节点
考场应用技巧：
遇到图形题时，可以快速画出搜索过程：
- 初始化：起点加入开放列表
- 循环：取f值最小的节点扩展，将其移入关闭列表
- 终止：当目标节点被取出开放列表时结束
1.2 Q学习（Q学習）填空详解
Q学习作为强化学习的经典算法，其填空考察点主要集中在价值函数更新和探索策略上：
标准答案：
- (a) Q値（Q值）
- (b) 次状態（下一状态）
- (c) 学習率（学习率）
- (d) 割引率（折扣因子）
- (e) 割引率
- (f) ε
- (g) 1-ε
算法原理解析：
Q学习更新公式为：
Q(s,a) ← Q(s,a) + α[r + γmaxQ(s',a') - Q(s,a)]
其中：
- α是(c)学习率，控制更新幅度
- γ是(d)折扣因子，调节远期回报的影响
- ε-greedy策略保证(f)(g)的探索-利用平衡
实战注意事项：
- 学习率α通常需要随时间衰减（如1/t）
- 折扣因子γ接近1时更重视长期回报
- ε初始值一般设为0.1-0.3，随训练逐渐减小
典型考题变体：
可能会要求写出Q值更新的数学表达式，或解释为什么需要ε-greedy策略（避免陷入局部最优）。
2.1 贝叶斯滤波（ベイズフィルタ）填空精析
贝叶斯滤波是状态估计的基础方法，填空题主要考察其概率更新过程：
完整答案：
- (a) 状態（状态）
- (b) 観測（观测）
- (c) 行動（动作）
- (d) 状態遷移モデル（状态转移模型）
- (e) 観測モデル（观测模型）
- (f) 事後確率（后验概率）
- (g) 和（总和）
- (h) 正規化（归一化）
两步更新过程详解：
- 预测步骤（Prediction）：
使用(d)状态转移模型：bel̄(xₜ) = ∫p(xₜ|xₜ₋₁,uₜ)bel(xₜ₋₁)dxₜ₋₁ - 更新步骤（Update）：
结合(e)观测模型：bel(xₜ) = ηp(zₜ|xₜ)bel̄(xₜ)
易错点提醒：
- (f)空常被误填为"事前確率"（先验概率）
- (h)归一化步骤容易被忽略，其实质是确保概率总和为1
应用场景联想：
贝叶斯滤波是卡尔曼滤波、粒子滤波的基础，想象机器人定位场景：
- 状态：机器人位置
- 动作：移动指令
- 观测：传感器数据
2.2 三大学习范式对比填空
这道题系统对比了监督学习、无监督学习和强化学习的区别：
正确答案：
- (a) 正解ラベル（真实标签）
- (b) パラメータ（参数）
- (c) 構造（结构）
- (d) 特徴（特征）
- (e) 相互作用（交互）
- (f) 報酬（奖励）
- (g) 方策（策略）
- (h) 確率モデル（概率模型）
- (i) 価値関数（价值函数）
对比框架解析：
| 学习类型 | 数据特征 | 优化目标 | 典型算法 |
|---|---|---|---|
| 监督学习 | 输入-标签对(a) | 最小化预测误差 | 神经网络、SVM |
| 无监督学习 | 只有输入数据 | 发现(c)结构或(d)特征 | K-means、PCA |
| 强化学习 | 通过(e)交互获得(f)奖励 | 最大化长期回报 | Q学习、策略梯度 |
记忆技巧：
用"SAR"联想强化学习核心要素：
- State（状态）
- Action（动作）
- Reward（奖励）
3. 高频术语速记指南
3.1 核心概念日语-英语对照
- ヒューリスティック関数：Heuristic function
- ε-greedy法：ε-greedy policy
- ベイズフィルタ：Bayes filter
- オープンリスト：Open list
- クローズドリスト：Closed list
- 事後確率：Posterior probability
3.2 考前五分钟速记表
code复制【搜索算法】
启发式函数h(s) | 开放列表→关闭列表 | f=g+h
【强化学习】
Q值更新 | α学习率 γ折扣 | ε-greedy
【概率滤波】
状态→观测→动作 | 预测+更新 | 后验概率
【学习范式】
监督：标签+参数
无监督：结构+特征
强化：奖励+策略
3.3 易混淆概念辨析
-
ヒューリスティック関数 vs 評価関数：
- 启发式函数h(s)只估计未来代价
- 评估函数f(s)=g(s)+h(s)包含已发生代价
-
状態遷移モデル vs 観測モデル：
- 状态转移模型：p(xₜ|xₜ₋₁,uₜ)
- 观测模型：p(zₜ|xₜ)
-
教師あり学習 vs 強化学習：
- 监督学习需要预先收集的标签数据
- 强化学习通过环境交互获得延迟奖励
4. 应试技巧与常见陷阱
4.1 解题通用流程
- 识别算法类型（看关键词提示）
- 回忆算法框架（如Q学习的更新公式）
- 分析空缺位置（属于公式哪部分）
- 检查术语一致性（如日英对应）
4.2 高频失分点预警
-
术语拼写错误：
- "クローズドリスト"误写为"クローズリスト"
- "ヒューリスティック"漏写长音符号
-
概念混淆：
- 把监督学习的"正解ラベル"填到强化学习部分
- 混淆"状態遷移モデル"和"観測モデル"
-
公式记错：
- Q学习更新漏掉max操作
- 把f(s)=g(s)+h(s)写成f(s)=g(s)-h(s)
4.3 时间管理建议
- 先快速浏览所有题目，标记熟悉的知识点
- 每个填空题控制在2-3分钟内完成
- 留出5分钟检查术语拼写和公式符号
- 遇到难题先做标记，全部完成后再回看
5. 扩展学习资源推荐
5.1 经典教材章节
- 《Artificial Intelligence: A Modern Approach》第3章（搜索）、第17章（强化学习）
- 《Probabilistic Robotics》第2章（贝叶斯滤波）
- 《Pattern Recognition and Machine Learning》第1章（学习范式）
5.2 可视化学习工具
- Q-learning演示：https://cs.stanford.edu/people/karpathy/reinforcejs/
- 贝叶斯滤波模拟：https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
- A*搜索动画：https://qiao.github.io/PathFinding.js/visual/
5.3 日本大学院过去问
- 东京大学 情报理工学系研究科 过去问
- 京都大学 情報学研究科 修士課程入試問題
- 早稻田大学 基幹理工学研究科 过去5年试题
我在实际备考中发现，将这些填空题目制作成记忆卡片（Anki）反复练习效果显著。特别是对于日语非母语的考生，建议同时记忆术语的英文对应词，这有助于理解国际论文中的算法描述。考试前最后一周，可以重点复习"速查版"中的核心术语组合，这些往往是阅卷时的关键词给分点。