fc011. 项目概述
作为一名准备人工智能方向研究生入学考试的考生，我发现系统性地整理和练习AI核心概念对备考至关重要。这份笔记记录了我第九次专题练习的内容，主要聚焦博弈论、概率模型和机器学习基础等高频考点。不同于简单的概念罗列，我会结合具体例子和数学表达来深入理解每个知识点，并分享我在学习过程中总结的应试技巧。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心概念深度解析
2.1 纳什均衡与支配策略均衡的对比分析
在博弈论中，这两种均衡概念常被混淆，但它们的逻辑层次完全不同。让我用一个实际案例来说明：
假设有两个外卖平台（A和B）在价格战博弈中：
- 如果A发现无论B选择降价与否，自己保持高价总是收益更低，那么"降价"就是A的支配策略
- 当双方都选择降价时，就形成了支配策略均衡
- 而如果存在这样的场景：当B选择不降价时，A降价反而收益降低，此时"相互不降价"可能成为纳什均衡（但不是支配策略均衡）
关键记忆点：所有支配策略均衡都是纳什均衡，但反之不成立。考试时注意题目是否给出"无论对手如何选择"的条件提示。
2.2 高斯混合模型(GMM)的数学本质
GMM的强大之处在于它能用简单的线性组合逼近任意复杂的概率分布。其核心公式：
$$
p(x)=\sum_{k=1}^{K}\pi_k \mathcal{N}(x\mid \mu_k,\Sigma_k)
$$
参数估计时需要注意：
- 混合权重πₖ必须满足∑πₖ=1
- EM算法迭代时容易陷入局部最优，解决方法：
- 多次随机初始化
- 使用k-means结果作为初始值
- 协方差矩阵Σₖ的类型选择：
- 完全矩阵：计算量大但灵活
- 对角矩阵：简化计算
- 标量矩阵：各向同性
实际应用中，GMM在语音识别中用于建模音素特征分布，在图像处理中用于背景建模。
2.3 N-gram模型的实践细节
虽然n-gram看起来简单，但在实现时有几个关键点：
-
平滑技术解决零概率问题：
- Add-1平滑（Laplace）
- Good-Turing折扣
- Kneser-Ney平滑（效果最佳）
-
内存优化技巧：
- 使用Trie树存储n-gram
- 剪枝低频n-gram
- 量化概率值（8位整型代替浮点）
-
典型应用场景：
- 拼音输入法候选排序
- 拼写错误检测
- 文本生成（配合温度参数）
示例：在bigram模型中计算"人工智能"的概率：
P(人工,智能) = P(人工|〈s〉) × P(智能|人工) × P(〈/s〉|智能)
2.4 三类学习范式的对比框架
通过一个表格可以清晰对比它们的本质区别：
| 特征 | 监督学习 | 无监督学习 | 强化学习 |
|---|---|---|---|
| 数据形式 | (x,y)标注对 | 仅x | (s,a,r,s')四元组 |
| 目标函数 | 最小化预测误差 | 最大化数据似然 | 最大化累积奖励 |
| 典型算法 | SVM, CNN | K-means, GAN | Q-learning, PPO |
| 评估指标 | 准确率, F1 | 轮廓系数, SSE | 回合奖励 |
| 应用场景 | 图像分类 | 用户分群 | 游戏AI |
特别要注意强化学习中的credit assignment问题——如何将最终奖励合理分配到之前的每个决策步骤。
3. 应试技巧与常见误区
3.1 概念辨析题的答题模板
遇到比较类题目（如纳什均衡vs支配策略均衡），建议采用以下结构：
- 分别给出准确定义（含数学表达）
- 指出核心区别（最好用"前者...而后者..."句式）
- 举例说明（简单案例）
- 说明包含关系（如有）
3.2 模型类题目的得分要点
以GMM为例，完整回答应该包含：
- 概率图表示
- 生成过程描述
- 参数估计方法（EM算法步骤）
- 应用场景
- 优缺点（如对初始化敏感）
3.3 日语专业术语的记忆技巧
推荐两种记忆方法：
- 词根分解：
- 均衡 → 均衡(きんこう)
- 混合 → 混合(こんごう)
- 分布 → 分布(ぶんぷ)
- 联想记忆：
- ナッシュ均衡（Nash音译）
- ガウス混合モデル（Gaussian→ガウス）
4. 进阶学习建议
4.1 延伸阅读材料
-
博弈论：
- 《A Course in Game Theory》Martin J. Osborne
- 重点阅读第2章纳什均衡的存在性证明
-
概率图模型：
- 《Pattern Recognition and Machine Learning》第9章
- 理解GMM与K-means的理论联系
-
语言模型：
- 《Speech and Language Processing》第3章
- 掌握perplexity的计算与应用
4.2 编程实践建议
通过动手实现来加深理解：
python复制# GMM实现示例
from sklearn.mixture import GaussianMixture
gmm = GaussianMixture(n_components=3)
gmm.fit(X)
labels = gmm.predict(X)
python复制# Bigram语言模型
from collections import defaultdict
bigram_counts = defaultdict(lambda: defaultdict(int))
for sentence in corpus:
tokens = ['<s>'] + sentence.split() + ['</s>']
for w1, w2 in zip(tokens[:-1], tokens[1:]):
bigram_counts[w1][w2] += 1
4.3 考试复习策略
- 建立概念图谱：用思维导图连接相关知识点
- 错题本制度：分类记录理解错误的概念
- 模拟面试：针对每个概念准备1分钟的口头解释
- 时间分配：根据历年真题分析各章节分值占比
我在持续整理这些考点时发现，真正理解一个概念需要从三个维度把握：数学本质、实现方法和应用场景。比如理解GMM不能仅停留在公式层面，还要知道EM算法每一步在做什么，以及如何选择合适的分量数K。