判断题
现实世界中的规划问题需要先调度， 后规划。 ×
启发式规划的两种方法是减少更多的边或者状态抽象。 ×
语义网络的表示方法只能表示有关某一事物的知识， 无法表示一系列动作、 一个事件等的知识。×
下图表示的是前向状态空间搜索。 √
人们需要把分类器学习的样本的特点进行量化， 这些量化后的数据， 如鸢尾花的高度、 花瓣的长度、 花瓣的宽度等就是鸢尾花的特征。 这些特征都是有效的， 可以提供给分类器进行训练。 ×
状态空间图是对一个问题的表示， 通过问题表示， 人们可以探索和分析通往解的可能的可替代路径。 特定问题的解将对应状态空间图中的一条路径。 √
贝叶斯定理是为了解决频率概率问题提出来的。 ×
深度学习是计算机利用其计算能力处理大量数据， 获得看似人类同等智能的工具。 √
分层规划中包含基本动作和高层动作。 √
谓词逻辑是应用于计算机的逻辑形式， 其逻辑规则、 符号系统与命题逻辑是一样的。 × P
（A∣ B） 代表事件A 发生的条件下事件B 发生的概率。 ×
人工智能利用遗传算法在求解优化问题时， 会把问题的解用“0” 和“1” 表示。 0, 1 就是就是“遗传基因” ， 01 组成的字符串， 称为一个染色体或个体。 √
填空题
人们想让智能机器分辨哪个动物是熊猫， 就会输入一些数据告诉机器。 如图上所示的“大大的脑袋， 黑白两色， 黑眼眶， 圆耳朵” ， 这些属于（特征值） 。
贝叶斯网络是（ 朱迪亚· 珀尔 ） 首先提出来的。
遗传算法具有（ 生存＋检测 ） 的迭代过程的搜索算法。 也就是说， 通过群体的一代代的不断进化， 最终收敛到“最适应环境” 的个体， 从而求得问题的最优解或满意解。
（多选）在 A* 算法中， 当我们找寻当前节点的相邻子节点时， 需要考虑（如果该子节点已经在Open 列表中， 则我们需要检查其通过当前节点计算得到的F 值。 如果比它原有计算的F 值更小。 如果更小则更新其 F 值， 并将其父节点设置为当前节点。 如果没有更小， 则保持它原有的父节点和F 值。如果该子节点已经在Close 列表中， 则我们可以直接丢弃它。如果该子节点不在任何列表中， 则将其加入到Open 列表， 并计算F 值， 设置其父节点为当前节点。）
下列哪一条是关键路径？ 请选择相应的路径按钮。 . (路径 2)
算法模型看起来像一棵倒立的树， 数据沿着树根输入， 再从叶子节点输出， 中间的分支要根据不同特征的信息进行判断， 决定该向左走还是向右走， 这种算法称为（决策树） 。
（多选） 贝叶斯认为概率是（对事物发生可能性的一种合理置信度； 基于不确定性因素的考虑； 建立在主观判断基础上的 ） 。
（A*算法 ） 的原理是： 每一个节点绑定一个启发值， 然后经过一次又一次的筛选， 引导机器优先筛选那些启发值更优的节点， 规避一些无用或效率较低的节点， 从而快速找到问题的解。
当我们在物品种类很多的情况下， 需要快速选择出一种最优搭配方案时， 其实可以借助一些特别的处理方法来解决， 这些方法中的一种被称为“遗传算法” ， 它是通过模拟达尔文的进化论来解决问题的， 因此也被归类为“进化算法” 。 （约翰•霍兰德 ） 教授首先提出“遗传算法” 。
（多选） 假设有一个能自己打扫卫生的真空吸尘器， 它的世界只有两块地毯那么大。 它可以 感知自己处于哪块地毯， 这块地毯是干净的还是脏的。 它可以选择向左移动（R） 、 向右移 动（L） 、 吸尘（S） ， 或者什么也不做。 下面是吸尘器清扫地毯这个问题的状态空间图， 图中的“R” “L” “S” 等称为这个问题的（ 算符， 算子） .
贝叶斯网络是一个（有向无环图） 。
以下哪一项不是机器智能的来源（ 数据结构 ）下面的动物识别系统中， 我们可以在方框中点击所知动物的某些特征， 计算机可以据此来识别该动物。 这一系统所使用的知识表示方法是（ 产生式系统 ）
（多选） 机器通过“学习” 也能掌握这种分门别类的技能， 如识别人脸， 或者区分两种花。 像这样能够完成分类任务的人工智能系统， 被称为分类器。 机器分类的流程可以被抽象为（） 和（ 分类器训练 、 提取特征 ）（ 亚瑟· 塞缪尔） 设计出了一个会自主学习的跳棋程序， 驳倒了“机器无法超越人类， 像人类一样写代码和学习” 的理论， 创造出了“机器学习” 这一术语。
（多选） 人工智能中问题求解的目的包括： （让机器自动找出某问题的正确解决策略。 让机器举一反三， 具有解决同类问题的能力。 ）
（多选） 手机上的智能语音助手， 之所以能解答我们的问题是由于（ 基于其庞大的符号知识库 ； 它可以先识别动词和名词， 将名词变成符号， 将动词变成关系， 然后在知识库中找到它们。 它可以凭借其逻辑能力推理并解答问题 ） ？
当神经网络接收到工作任务时， 就是用（输入层） 来接收这些任务所对应的数据集， 如图像 每个像素点的特征数值——色彩、 亮度等。 （） 的每个神经元都是任务的特征， 即特征数值。
以下哪种知识表示的方法适宜描述特定场景中固定不变的事件序列（ 脚本表示法） 。
深度学习模型区别于早期的人工神经网络的是（ 增加模型训练的层次 ）
机器学习过程中， 近似于人类的归纳推理式学习方式， 被誉为“人工智能最有价值的地方”的学习方式是（无监督学习） 。
（多选） 定义规划任务的要素有： （状态 、 目标、 动作 ） 。
