1. 复习前先搭骨架把一学期内容压成一张地图人工智能这门课最坑的地方不是知识点难而是知识点碎。一学期下来讲义从搜索算法讲到神经网络从谓词逻辑跳到强化学习很多人复习时翻开第一章觉得都懂翻到第六章直接怀疑自己没上过课。所以复习的第一步不是刷题而是把整门课的逻辑主线抽出来——先知道每一章在整个体系里站什么位置再往里填细节效率会差好几倍。我自己复习这类导论型课程的习惯是先用半天时间把目录和每章小结过一遍画出三到四层结构底层是数学与概率基础中层是搜索、推理、学习三大方法论顶层才是神经网络、深度学习、生成式模型这些应用形态。这么一画你会发现后面那些听起来很唬人的名词其实都是用数据拟合一个映射函数这一件事的不同实现。1.1 先搞清楚我们到底在学什么ABC理论那张图值得反复看热词里提到的生物智能、人工智能、计算智能的层次关系导论课基本都会讲考试也很爱考。这三个词用一句话区分生物智能是自然界进化出来的、以人脑为代表的智能人工智能是人类用机器去模拟和延伸的智能目标是让机器做需要人来做的事计算智能则是人工智能里偏仿生的一支强调用神经网络、进化计算、模糊逻辑、群智能这类从自然现象里抄来的计算方法去解决问题。它们的关系不是并列而是包含与被包含生物智能是灵感来源和参照物人工智能是总的研究领域计算智能是其中一个方法论分支。很多同学答这道题只会把三个名词各写一句定义拿不到分。真正拿分的是把为什么这样分层讲出来因为早期人工智能走的是符号推理路线靠人把知识写成规则后来发现规则写不完才转向让机器自己从数据里学这条路更接近生物的学习方式于是就有了计算智能这一支。提示这题的高分答法通常是定义 关系 举例举例时用同一个任务做对照最清楚比如下棋这件事符号方法靠搜索树计算智能靠神经网络评估局面。1.2 两条主线符号主义和连接主义别把它们混成一锅整门课其实就两条技术路线在打架。一条是符号主义核心思想是智能等于符号操作知识用规则、逻辑、产生式表示推理就是按规则推导代表作是专家系统、谓词逻辑、搜索算法。另一条是连接主义核心思想是智能等于大量简单单元连起来涌现出的能力代表作是神经网络、深度学习。为什么要把这条线拎清楚因为考试里大量概念题的本质就是问这属于哪条路线。比如产生式规则属于符号权重矩阵属于连接知识图谱偏符号但又能和向量表示结合。遗传算法属于计算智能但常被归到仿生那一类。你只要能在脑子里给每个名词贴上路线标签选择题基本不会错。1.3 章节与考点对应速查表下面这张表是我按常见导论教材整理的不同学校章节顺序会有差异但考点分布八九不离十。复习时可以拿它当 checklist逐行打钩。章节主题核心概念常见题型优先级绪论与智能观智能定义、ABC理论、图灵测试名词解释、简答高搜索与问题求解状态空间、A*、启发函数手算、路径推导高知识表示与推理谓词逻辑、产生式、归结推理题、简答中高机器学习基础三大范式、过拟合、评估指标概念辨析、计算极高神经网络感知机、BP、激活函数推导、手算极高深度学习CNN、RNN、注意力概念、结构分析中高生成式模型自编码器、GAN、大模型简答、对比中伦理与偏见数据偏差、可解释性简答、论述中这张表最大的用处是帮你分配时间。如果你只剩三天优先级高和极高的必须全覆盖中的看概念中高的挑一两个典型题练手。2. 高频考点逐个击破从搜索到学习把地图铺好之后接下来就是往每个格子里填内容。这一节我按考得最多、最容易混、最容易丢分的顺序来拆尽量把每个考点讲到能直接上手做题的程度。2.1 状态空间搜索A*为什么比BFS和DFS聪明搜索这块的核心是把问题变成图然后在图上找路。状态空间就是所有可能状态的集合算子是状态之间的转移规则解是从初态到目标态的一条路径。盲目搜索里BFS按层扩展、保证最短但要存一堆节点DFS一条道走到黑、省内存但可能绕远启发式搜索的关键是引入一个估价函数A*用的就是 f(n) g(n) h(n)。这里有个必考的点h(n) 必须可采纳admissible也就是它永远不高估真实代价A*才保证找到最优解。为什么因为如果 h 偶尔高估算法可能提前以为某条路更贵把真正的最优路径剪掉了。这个为什么一定要能自己讲出来很多简答题就是问这个。手算题的常见套路是给你一张带权图让你写出A*每一步的开放表和关闭表。我踩过的坑是忘记在重新发现更短路径时更新父节点导致最后回溯路径错。做题时养成习惯每次扩展一个节点都检查它的邻居是不是已经在开放表里、如果新路径更短就更新 g 值和父指针。2.2 知识表示与推理谓词逻辑是绕不过去的坎符号主义这一支的核心考点是知识怎么表示和怎么推理。常见表示方法有四种谓词逻辑、产生式规则、语义网络、框架。谓词逻辑最形式化考试最爱考归结推理。归结原理的流程可以记成三步把公式化成子句集消去蕴含、内移否定、标准化、Skolem化、消量词、化成合取范式、把结论的否定加进去、反复做归结直到推出空子句。听起来复杂但手算题通常很小就是把几个子句两两配对消掉互补文字。产生式系统记住三个部分规则库、工作内存、推理机。正向推理是数据驱动从已知事实推结论反向推理是目标驱动从假设目标倒推需要什么条件。专家系统大多用反向因为要先验证一个诊断假设。这个正向反向怎么选也是简答常客。2.3 机器学习三大范式一张表把概念钉死机器学习是整门课分值最高的部分而且概念最容易混。用一张表对比三大范式最省事维度监督学习无监督学习强化学习数据带标签 (x, y)只有 x与环境交互得奖励目标学映射 f: x→y找结构、分组学策略最大化累积奖励代表算法线性回归、SVM、决策树K-means、PCAQ-learning、策略梯度典型任务分类、回归聚类、降维游戏、控制必须能区分的几个概念分类和回归的区别是输出离散还是连续过拟合和欠拟合的区别是模型在训练集和测试集上的表现差距偏差和方差是过拟合欠拟合的另一种说法高偏差是欠拟合高方差是过拟合。这几个词经常在选择题里互换位置坑人。评估指标也是必考准确率、精确率、召回率、F1。这里有个容易错的点——类别不平衡时准确率会骗人。比如999个负样本1个正样本全预测负准确率也有99.9%但召回率是0。所以不平衡场景要看精确率和召回率。F1是两者的调和平均公式是 F1 2PR/(PR)。2.4 神经网络与反向传播期末最爱考的推导题神经网络这块反向传播几乎是必考推导。先把前向写清楚第 l 层z^(l) W^(l) a^(l-1) b^(l)a^(l) σ(z^(l))其中 W 是权重矩阵b 是偏置σ 是激活函数a 是激活值。反向传播的核心是链式法则定义第 l 层的误差项 δ^(l)δ^(L) ∇_a C ⊙ σ(z^(L))输出层δ^(l) ((W^(l1))^T δ^(l1)) ⊙ σ(z^(l))隐藏层∂C/∂W^(l) δ^(l) (a^(l-1))^T符号 ⊙ 是逐元素相乘。手推题一般给一个两层小网络让你算一轮前向和反向、更新一次权重。流程是初始化权重 → 前向算输出 → 算损失 → 反向算各层 δ → 算梯度 → 用 θ : θ - η∇J 更新。注意很多人卡在激活函数的导数上。sigmoid 的导数是 σ(1-σ)这个务必记牢ReLU 的导数是正数区间为1、负区间为0简单但别写反。2.5 从CNN到注意力深度学习这一层的结构逻辑CNN 的核心是局部连接、权值共享、池化。局部连接是因为图像特征有局部性权值共享是为了大幅减少参数池化是为了降维和一定程度的平移不变性。卷积输出尺寸的公式一定要会输出边长 (W - F 2P) / S 1W是输入尺寸F是卷积核大小P是填充S是步长。算不对这个后面的题全崩。注意力机制则是理解大模型的钥匙。自注意力的核心是 Q、K、V 三个矩阵计算方式是 softmax(QK^T / √d_k)V。为什么要除以 √d_k因为维度高时点积会变得很大softmax 会进入梯度极小的饱和区除以维度的平方根就是为了把数值拉回合理范围。这个为什么是拉开分数差距的关键能讲清楚的人不多。3. 数学符号与公式速查看到符号不发懵人工智能课的公式密度不低很多人不是不会算法而是被符号吓住了。这一节把常用符号和必背公式集中整理建议打印出来贴在桌上。3.1 常用数学符号对照表符号常见含义出现场景x, y输入特征、标签监督学习w, b权重、偏置线性模型、神经网络θ参数总称优化、梯度下降η学习率训练超参∇梯度算子反向传播∂偏导数链式法则Σ, Π求和、连乘损失函数、概率p(y|x)条件概率贝叶斯、分类E[·]期望损失、强化学习||·||范数正则化⊙逐元素乘BP 推导argmax取最大值的自变量分类决策看到 ∇ 不要慌它就是一个对谁求导的标记看到 E 就理解成加权平均看到 p(y|x) 就理解成给定 x 时 y 的概率分类模型其实就是在估这个概率。3.2 必须能默写的公式清单下面这些公式建议闭卷默一遍错一个补一个贝叶斯公式P(A|B) P(B|A)P(A) / P(B)信息熵H(D) -Σ p_k log2 p_k信息增益g(D,A) H(D) - H(D|A)基尼指数Gini(D) 1 - Σ p_k^2交叉熵损失L -Σ y_i log(ŷ_i)梯度下降更新θ : θ - η∇J(θ)Q-learning 更新Q(s,a) ← Q(s,a) α[r γ max_a Q(s,a) - Q(s,a)]Softmaxŷ_i exp(z_i) / Σ exp(z_j)这些公式覆盖了决策树、逻辑回归、神经网络、强化学习四块计算题的起点。记住熵是不确定性的度量增益是划分后不确定性减少的量这句话信息增益相关的小题就能推着走。3.3 手算题的固定流程期末计算题一般跑不出这几类算熵和增益、算卷积尺寸、推一轮BP、算精确率召回率。我总结成固定流程考试时照着走先读清楚问的是哪个量圈出来。列出已知量把公式写出来。代入前先估算量级避免低级算出负概率这种错。结果保留两到三位小数写清单位或含义。提示交叉熵算出来为负、概率算出来大于1都是检查信号别急着往下写。4. 大作业与比赛从猫狗识别到毕设选题复习不只是为了考试很多人真正花时间的是大作业和课程项目。热词里有没有像猫狗识别这样人工智能比赛问得特别多这块我结合自己带过和做过的项目说点实在的。4.1 猫狗识别这类入门项目到底在练什么猫狗识别本质是一个二分类图像任务它的价值不在于识别猫狗而在于把数据—模型—训练—评估这条链路走通一遍。标准做法是准备带标签的图像数据集 → 按 8:2 或 7:1:2 划分训练验证测试 → 用预训练的卷积网络做迁移学习 → 冻结大部分层只训最后的分类头 → 在验证集上调学习率和轮数 → 测试集出指标。为什么用迁移学习而不是从头训因为从零训练需要海量数据和算力而预训练模型已经在超大图像集上学到了边缘、纹理这些通用特征你只需要让它把特征和你的两类标签对上几十张到几百张图就能有不错效果。这是新手最容易出成果的路径。评估时别只看准确率。如果两类样本数量差很多要把精确率、召回率和混淆矩阵一起看。我见过有人报告99%准确率一看混淆矩阵发现模型把所有图都判成了一类就是因为正负样本比太悬殊。4.2 从大作业到毕业设计选题怎么往前推一步猫狗识别做完了很多人卡在毕设不知道做什么。我的建议是沿着数据、任务、方法三个维度各加一档数据维度把二分类换成多分类或细粒度分类比如识别不同品种、识别病害等级。任务维度从分类换成检测或分割从图像换到文本、时序、多模态。方法维度从迁移学习换成自监督、对比学习或者加上可解释性分析。举个具体例子同样是识图如果你把任务换成识别并框出图中的目标物体就从分类跨到了目标检测需要理解边界框、锚框、IoU这些新概念。如果再往应用走一步比如做一个农作物病害识别助手就要考虑数据采集、模型部署、界面交互工作量够了故事也完整。热词里提到生成式人工智能应用工程师人工智能训练师这些职业画像其实指向同一个能力能把一个真实需求拆成数据任务、模型任务和工程任务。毕设如果能体现这三层答辩会好过很多。4.3 项目报告怎么写才像做过而不是抄过报告最容易露馅的地方是只有结论没有过程。我的经验是把这几样东西写进去基本就稳了数据来源和处理细节多少张图、怎么清洗、类别怎么平衡。超参选择的理由为什么学习率取1e-3、为什么训练20轮最好附上尝试过的对比。失败记录哪一版模型崩了、崩成什么样、你怎么判断是过拟合还是数据问题。消融对比去掉某个模块指标掉多少这比堆一堆准确率数字有说服力。报告里放一张训练损失和验证损失随轮数变化的曲线比十页文字都管用。两条线一起降是正常训练降验证升就是过拟合两条都不降就是欠拟合或者学习率不对。5. 常见问题与避坑复习中最容易踩的坑这一节是我这些年帮人看复习、看项目总结出来的高频问题按概念混、算错、想偏分类整理考前扫一遍能救回不少分。5.1 概念混淆速查表易混概念一句话区分分类 vs 回归输出是离散类别还是连续值过拟合 vs 欠拟合训练好测试差 vs 训练测试都差精确率 vs 召回率预测为正里对的比例 vs 真实正里找回来的比例监督 vs 强化有标签 vs 靠奖励反馈生成 vs 判别建模 p(x) 造数据 vs 建模 p(y|x) 做判断正向 vs 反向推理从事实推结论 vs 从目标倒推条件BFS vs DFS一层层扩 vs 一条路走到底这张表建议考前一晚再看一遍。概念题丢分多半不是不会而是感觉自己会结果答串了。5.2 人工智能偏见是怎么产生的从技术角度看热词里人工智能偏见出现得不少这个话题其实可以从纯技术角度讲清楚不必往其他方向扯。模型偏见的技术根源主要是三块数据偏差、标注偏差、建模偏差。数据偏差是训练样本不能代表真实分布比如某个类别样本太少模型对它学得就不充分表现自然差。标注偏差是人工打标签时带进了主观判断不同标注者标准不一致模型就学到这些不一致。建模偏差是目标函数和评估指标的选择问题如果目标函数追求整体准确率在不平衡数据上就会牺牲少数类别。缓解办法也是三块对应的重采样或加权平衡数据、多人交叉标注减少主观性、换用对不平衡更友好的指标和损失函数。另外可解释性工具能帮你定位模型看哪里比如可视化注意力或显著性图看模型是不是学到了不该学的特征捷径。注意讲这个话题时落到数据、标注、目标函数三个技术抓手就够了别往泛泛的价值观讨论跑考试和答辩都不加分。5.3 复习节奏和考场技巧时间规划上我的建议是倒着排先确定考试日期往前留一天做整卷模拟再往前两天专门啃高频推导剩下的时间按章节优先级分配。别平均用力把时间砸在高和极高的章节上。考场上有几个实操心法概念题先写定义再补一句为什么这样设计往往能多拿分计算题把公式先写出来再代入就算算错也有过程分推导题如果卡住就把前向和反向的框架先搭上能写多少写多少。我见过太多人因为第一题不会就空着后面其实后面才是分值大头。最后分享一个我自己复习这类课的小技巧合上书用自己的话把每一章讲给一个完全不懂的人听。讲得顺的地方就是真会了卡壳的地方就是没吃透。这个方法比反复看讲义管用得多尤其适合考试前一两天做最后筛查。讲到反向传播为什么用链式法则A*为什么要求启发函数可采纳这些地方如果能顺下来这门课基本稳了。