第2章 Python基础

程序库：NumPy（Numerical Python）、Matplotlib

第3章 机器学习起步

程序库：Scikit-learn

线性回归预测中fit和fit_transform的区别：
fit 和 fit_transform 都是 scikit-learn 库中模型和预处理器的方法。它们的区别在于：

  • fit 方法用于训练模型或计算预处理器的参数。它接受训练数据作为输入，根据这些数据来训练模型或计算预处理器的参数。例如，在线性回归模型中，fit 方法用于根据训练数据计算回归系数和截距；在标准化预处理器中，fit 方法用于计算训练数据的均值和标准差。

  • fit_transform 方法不仅会训练模型或计算预处理器的参数，还会对输入数据进行转换。它接受训练数据作为输入，首先根据这些数据来训练模型或计算预处理器的参数，然后使用训练好的模型或预处理器对输入数据进行转换，并返回转换后的数据。例如，在标准化预处理器中，fit_transform 方法会先计算训练数据的均值和标准差，然后使用这些参数对训练数据进行标准化，并返回标准化后的数据。

总之，fit 方法只负责训练模型或计算预处理器的参数，而 fit_transform 方法不仅会训练模型或计算预处理器的参数，还会对输入数据进行转换。

第10章 人工智能算法

盲目的图搜索策略

盲目搜索（Blind Search）：在不具有对特定问题的任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索。
它主要依靠系统地遍历搜索空间来探索可能解的方法。以下是几种常见的盲目搜索策略：

  • 广度优先搜索（BFS）：从起始状态开始，逐层地扩展搜索，先探索距离起始状态一步的所有可能的状态，再探索距离起始状态两步的所有可能状态，以此类推。广度优先搜索保证可以找到最短路径，但在搜索空间较大时，会占用较多的内存。

  • 深度优先搜索（DFS）：从起始状态开始，沿着一个路径一直搜索到无法继续扩展为止，然后回溯到前一个状态，选择其他可能的路径继续搜索。深度优先搜索可以在较小的内存占用下进行搜索，但不保证找到最短路径。

  • 限制的深度优先搜索（DLS）：在深度优先搜索的基础上，增加了深度的限制，即在达到一定深度之后停止搜索。这种策略适用于在资源受限的情况下进行搜索。

  • 迭代加深搜索（IDS）：以逐渐增加的深度进行深度优先搜索，每次限制搜索的深度，一开始深度为1，然后逐渐递增。迭代加深搜索综合了深度优先搜索和广度优先搜索的优点，能够找到最短路径并且不会占用过多的内存。

以上是一些常见的盲目搜索策略，它们在搜索空间和解决问题的要求不同的情况下有着各自的优劣势。

启发式图搜索策略

启发式搜索：考虑特定问题领域可应用的知识，动态地确定调用操作算子的步骤，优先选择较适合的操作算子，尽量减少不必要的搜索，以求尽快地到达结束状态。

专业名词缩写总和

人工智能（Artificial Intelligence，AI）

自然语言处理（Natural Language Processing，NLP）
TF-IDF算法 词频-逆文档词频

ASR 自动语音识别
FFT 傅里叶变换
MFCC 梅尔频率倒谱系数

单层神经网络 (Single - Layer Neural Networks)
多层神经网络 (Multi-Layer Neural Networks)
循环神经网络（Rerrent Neural Network, RNN）

强化学习（Reinforcement Learning，RL）
强化学习系统
深度学习（Deep Learning，DL）
深度神经网络 DNN
前馈神经网络（Feedforwward Neural Networks，FNN）
也称为“平移不变人工神经网络”（Shift-Invariant Artificial Neural Networks，SIANN）
卷积神经网络（Convolutional Neural Networks，CNN）
循环神经网络（Recurrent Neural Network, RNN）
生成对抗网络(Generative Adversarial Networks，GAN)
深度强化学习(Deep Reinforcement Learning，DRL)

宽度优先搜索（BFS）
深度优先搜索（DFS）

简答题：

1、人工智能的概念，以及人工智能与大数据、机器学习、深度学习的联系等。
2、视频中移动物体检测方法有哪些？
3、什么是深度学习？
4、卷积神经网络的具体原理。
5、盲目的图搜索策略、启发式图搜索策略的概念和分类有哪些？
6、什么是人工神经网络？

答：
1、
2、帧间差分法、使用色彩空间跟踪对象、使用背景差分法跟踪对象
3、深度学习是一种机器学习方法，它利用人工神经网络来学习输入数据的表征，以便能够进行分类、回归、聚类、生成等任务。其核心是神经网络模型，其中最常见的是卷积神经网络(CNN)和循环神经网络(RNN)。CNN主要用于处理图像和视频数据，而RNN则更适合处理序列数据，如文本和语音。
4、卷积神经网络（CNN）是一种深度前馈神经网络，它包括多个层，如输入层、卷积层、激活层、池化层、全连接层和输出层。输入卷积神经网络中的数据特征图通过卷积运算和池化运算，将其中的有效特征提取出来输入到全连接层，并对数据进行分类或者预测。

  • 卷积层是用来做特征提取的。卷积运算：从数据的左上角取一数据块（与卷积核一样大小）和卷积核对应的位置相乘，再将数据相加。图中橙色块计算如下：0∗0+1∗1+3∗2+4∗3=19。
    在全连接神经网络中，神经网络有两种参数，一种是权重参数、一种是偏置参数。填充的主要目的是调整输出数据的大小。
    因此加上偏置是不改变输出特征的形状的，只改变输出特征数值的大小。
  • 池化层采用down-sampling技术(缩减像素采样)，本质是基于滑动窗口的思想，可以去除特征图中的冗余信息，降低特征图的维度（简称：降维）。池化层所要做的事情是在目标区域中提取像素的最大值，或者计算平均值。因此池化层的操作就有了两类操作，分别叫最大池化或平均池化。池化操作只关注局部特征，对整体的细微变化并不敏感
    5、盲目搜索：在不具有对特定问题的任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索。 它包括广度优先搜索和深度优先搜索。
    启发式搜索：利用“启发性信息”引导的搜索策略。 “启发性信息”就是与问题有关的有利于尽快找到问题解的信息或知识。 A算法是一种为启发式搜索算法。算法类型：全局择优： 从Open表的所有结点中选择一个估价函数值最小的进行扩展。局部择优：仅从刚生成的子结点中选择一个估价函数值最小的进行扩展。
    6、人工神经网络（Artificial Neural Network，ANN）简称神经网络（Neural Network）或类神经网络，是一种模仿生物神经网络的结构和功能的数学模型，用于对函数进行估计或近似。