国科大2025高级人工智能期末考情分析与备考指南

1. 国科大2025高级人工智能期末考情分析

作为一名刚经历完这场考试的学生，我想把这次考试的重点内容和解题思路整理出来，希望能为后续备考的同学提供参考。这份回忆版试题涵盖了选择题、简答题和大题三个部分，整体难度适中但有几处需要特别注意的知识点。

1.1 选择题特点与易错点

今年的选择题在题型设置上与往年相似，但选项顺序有所调整。特别需要注意的是那道关于人工智能历史的题目，四个选项都涉及关键人物和概念的对应关系：

A选项提到冯·诺依曼提出了minimax算法，这个说法是错误的。实际上minimax算法是由约翰·冯·诺依曼和奥斯卡·摩根斯特恩在博弈论中提出的，但选项表述不够准确。

B选项关于Frank Rosenblatt和Marvin Minsky的关系也值得商榷。虽然两人都是AI领域的先驱，但"高中同学"的说法缺乏可靠依据，他们的学术观点实际上存在不少分歧。

C选项中提到的几位AI先驱都属于符号主义学派而非联结主义，这个选项明显错误。D选项根据回忆应该是明显错误的表述。

备考建议：人工智能历史人物及其贡献是常考点，建议整理一个时间线表格，明确各学派代表人物的核心理论和相互关系。

1.2 简答题核心要点

简答题部分共有三道，每题10分：

第一题考查通用问题求解器(GPS)的输入输出：

• 输入：问题的初始状态、目标状态和操作集合
• 输出：从初始状态到目标状态的操作序列

第二题要求设计GPS的思路，关键点包括：

1. 问题表示：使用状态空间表示法
2. 差异检测：比较当前状态与目标状态的差异
3. 操作选择：选择能减少关键差异的操作
4. 执行与回溯：执行操作并处理可能的死胡同

第三题根据提供的图片判断，应该是关于启发式搜索或规划算法的应用，需要具体分析图示内容。

2. 梯度提升回归树(GBRT)大题解析

这道20分的大题是考试的重点难点，考察梯度提升回归树的理论推导和实际应用。题目提供了一个包含年龄、体重、身高的数据集，要求完成四个子问题。

2.1 目标函数优化理论推导

第一问要求推导目标函数的最小化条件：

给定目标函数：
$$ \sum_{i}^{n}L(y_i,\hat{y_i}) + \lambda T + \sum_{j}^{T}\omega_j^2 $$

其中L是均方误差函数：
$$ L(y_i,\hat{y_i}) = (y_i - \hat{y_i})^2 $$

要使目标函数最小，需要对ω_j求偏导并令其等于零：

1. 计算偏导数：
   $$ \frac{\partial}{\partial \omega_j}[\sum(y_i-\hat{y_i})^2 + \sum\omega_j^2] = 0 $$

2. 解得最优权重：
   $$ \omega_j^* = \frac{\sum(y_i - \hat{y_{i,-j}})}{n_j + 1} $$

其中n_j是第j个叶节点的样本数，$\hat{y_{i,-j}}$是不考虑第j棵树时的预测值。

3. 最小值为：
   $$ \min Obj = \sum(y_i - \bar{y})^2 - \sum\frac{(\sum(y_i - \hat{y_{i,-j}}))^2}{n_j + 1} $$

2.2 回归树构建实践

从第二问开始，设λ=0, ω=0，简化问题：

第二问：构建第一棵回归树

1. 选择分割特征：计算每个特征(年龄、体重)的分割增益
2. 最佳分割点：找到使均方误差最小的分割点
3. 以体重为例，可能的分割点在(55,60,65,70,75)之间
4. 计算每个可能分割的MSE，选择最优者

第三问：构建第二棵残差树

1. 计算第一棵树的残差：真实值-预测值
2. 以残差为目标变量，重复分割过程
3. 注意此时的特征选择可能与第一棵树不同

第四问：预测身高

1. 加性模型：最终预测=第一棵树预测+第二棵树预测
2. 对于5号样本(身高缺失)，根据其特征值:
   • 在第一棵树中的预测路径
   • 在第二棵树中的残差修正
3. 综合两棵树的输出得到最终预测值

实操技巧：在计算分割点时，可以预先对特征值排序，这样能快速评估所有可能分割点的质量。

3. 格子游戏与约束满足问题

这道大题考察约束满足问题(CSP)的建模与求解，虽然题目说明不考五元方程组，但仍然涉及类似的解题思路。

3.1 问题建模

根据提供的格子游戏图示：

1. 变量：每个格子代表一个变量(可能有5个)
2. 值域：每个变量的可能取值(数字或颜色)
3. 约束：相邻格子间的特定关系

3.2 求解步骤

1. 变量排序：选择最受约束的变量优先赋值
2. 值排序：对每个变量的可能值按最少约束值优先尝试
3. 约束传播：使用AC-3算法维护弧一致性
4. 回溯搜索：当遇到矛盾时回溯到上一个决策点

3.3 优化技巧

1. 前向检查：提前排除会导致后续变量无合法取值的赋值
2. 动态变量排序：在搜索过程中重新评估变量顺序
3. 约束图分析：识别独立子问题分别求解

4. 备考建议与常见误区

根据这次考试的经验，我总结了几点备考建议：

1. 理论基础要扎实：

   • 重点掌握各种算法的数学推导
   • 理解不同学派的理论差异
   • 熟记关键人物和里程碑事件

2. 实践能力很重要：

   • 回归树的实现细节
   • CSP问题的建模技巧
   • 算法参数的影响分析

3. 常见易错点：

   • 混淆不同学派代表人物
   • 忽略目标函数中的正则化项
   • 在树构建中错误计算信息增益
   • CSP问题中约束条件遗漏

4. 复习资料建议：

   • 重点研读《人工智能：现代方法》相关章节
   • 练习往年试题中的算法推导题
   • 实现核心算法(如GBRT)的简化版本

考试中时间分配也很关键，建议选择题快速作答，简答题要点清晰，大题保证推导过程完整。对于不确定的题目，先把思路和关键公式写下来，再逐步完善细节。