专业课考试

我是人工智能专业开设以来的第一届学生，这带来了一个弊端，那便是专业课考试无往年真题可以参考。其它传统专业可以通过刷题来快速掌握考点，并且每年题目的差异性不会太大，比较好准备。而我们专业的学生只能对着仅有的PPT和书本进行复习，备考难度颇高。于是在此考试结束之际，凭借仅有的记忆，记录一些考试考点，希望能对部分读者起到帮助。

认知计算

认知计算是考试的第一门专业课。所谓认知计算，某种程度上是机器学习+深度学习的一些基础知识。机器学习方面主要考点有机器学习的一些基本概念、梯度下降法以及各类优化(SGD、Mini-batch GD等)，深度学习方面主要考点有卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆网络(LSTM)、门控循环神经网络(GRU)。
印象最深的有题是请说明LSTM和GRU的结构和区别，因此，对这两种神经网络的结构图需要进行记忆和理解。试卷是纯英文命题，考前多看看英文PPT，题目都能看懂。
这里看到我同学总结的复习笔记，写得很清楚，附上传送门。
西电认知计算复习笔记

人工智能概论

人工智能概论是考试的第二门专业课。虽然课程名包含“人工智能”，但是和机器学习并没有太大的关联性。主要考察的内容包括智能搜索、认知推理、模糊计算、智能算法。
试题方面：第一道大题为神经网络的前馈计算（比较基础，求和+激活函数）第二道大题为A*算法的OPEN表和CLOSED表的填充，第三道大题为模糊推理的计算（PPT上的原题），第四道大题为推理谁是小偷的逻辑证明题（和PPT上例子类似），第五道大题为遗传算法的二进制编码公式/轮盘赌方式（轮盘赌可以参考我曾讲解过的内容【人工智能那些事】2、遗传算法求解TSP问题)，最后一道大题为蚁群算法求解过程(会给出公式，理解如何计算即可）。

机器学习

机器学习是考试的第三门专业课。纯英文PPT并不太友好，并且PPT上的内容很多属于拓展类知识，考试并不考查。主要可根据老师给出的考点大纲进行针对性学习。





试题方面：第一道大题为计算题考察感知机的计算过程，其它大题基本以简答为主，着重考察对学科精神，比如有道题考察用贝叶斯的角度理解线性回归，考点上并未涉及，需要搜寻更多资料。另外，有类题型是专业术语翻译题（中译英）十个名词，能记着的有主成分分析、无监督学习、深度神经网络、混淆矩阵…对这些专业名词还需要额外记忆单词拼写。
总体试题较难。另外，考纲上的重点最大似然估计/最大后验估计/支持向量机未在考试中考察。
另外老师给了一份复习习题，相关参考解答可借鉴我同学的版本，附传送门。
XDU机器学习习题参考解答

模式识别

模式识别是考试的第四门专业课。模式识别相当于把机器学习中的分类/聚类这一块抽离出来进行重点考察。主要内容如思维导图所示。

试题方面：左侧三部分特征提取与选择/组合分类器/半监督学习几乎没有重点涉及。反倒是考纲上没有的第一章的内容出了很多选择题考概念，需要多阅读课本第一章的概念介绍/应用。大题也没涉及SVM，第一道大题是贝叶斯分类，但分布给出的是二元正态分布，因此有必要记忆一下多元正态分布的公式。第二道大题考的是模糊均值聚类（FCM)的过程，隶属度函数/聚类中心更新的两个式子需要记忆。最后一道是15分的综合题，要求根据某图片数据集，设计一个分类器，给出设计过程，开放性较强。

数字信号处理/微机原理

数字信号处理和微机原理放在一起说了，准确的说，这两本并不是人工智能专业特色的专业课。只是智能院前身是电子工程学院，因此电院这两门特色专业课也自然迁移到本专业了。
数字信号处理(DSP)和往年电院真题不太一样，试题比较灵活，主要考察的学科精神，只记做题套路较难得分。比较经典的一道大题，绘制信号的采样频域的采样图。压轴大题考察了窗函数的设计条件以及信号结构流图，但和模式化的窗函数设计步骤又不太一样，难度较高。
微机原理有多道原题来自于2015年电院的真题卷，后面三道大题几乎和原题一样，分别考察8088与存储器的连线设计/编程，8259方式0/方式2/方式3/初始化编程，8255控制LED灯，多刷题对提分帮助较大。

大作业汇总

这学期是大作业最多的一学期，部分大作业我已在之前几篇博客详解过，后续也会补充一些单篇。
为了汇总方便，将所有内容放在了Github上：
https://github.com/zstar1003/XDU_Homework

大二课程

大学生职业生涯规划

工程概论-3

数字电路

数据结构

概率论

模拟电路实验

英语-中国文化

大三课程

EDA实验

人工智能概论

工程概论-4

微机原理

数字信号处理

智能控制导论

模式识别

知识工程

脑科学基础

认知计算