北京航空航天大学2025年考研大纲:842人工智能基础综合考研

考对于考生来说,院校自命题考研大纲是了解考试要求、指导复习的重要依据。考生应根据大纲的要求,有针对性地进行复习,并结合自身的兴趣和特长,做好专业选择和备考规划。小编在这里为大家整理了“北京航空航天大学2025年考研大纲:842人工智能基础综合”,供大家参考。

一、试题组成

842人工智能基础综合试卷总分150分,共包括三部分内容。其中机器学习部分为必考内容,占90分;算法设计与分析部分和自动控制原理部分为选考内容,选考内容二选一,均占60分。若同时选考算法设计与分析和自动控制原理两部分,将按照得分低的计入总分。

二、机器学习部分的考试大纲(90分)

掌握机器学习发展历史、AlphaGO技术的发展历史以及核心技术,掌握Q学习的基本方法;掌握VC维的定

(二)统计学习分类器:(1)支持向量机;(2)Adaboost算法;(3)子空间学习与稀疏表示。

理解统计学习理论的基本原理、支持向量机的基本原理与线性分类器的联系。掌握支持向量机的优化目标构造方法、优化算法以及应用。掌握Adaboost的基本原理,弱分类器的基本概念以及分类器融合算法。掌握子空间学习与稀疏表示的基本概念与思想,掌握主成分分析方法的具体过程、优化目标以及应用。基本了解Fisher判别分析、

核判别分析等等;了解稀疏表示方法与子空间学习的联系与区别。

(三)线性模型与神经网络:(1)线性分类器-感知机等;(2)多层感知机与反向传播;(3)卷积神经网络与

循环神经网络。

掌握线性分类器的构建方法,包括线性分类器的基本形式、构建方法;掌握感知机的构建方法、Fisher准则、最小均方误差准则。掌握机器学习里优化概念如何应用于线性分类器的设计。理解多层感知机的基本概念以及反向传播算法的基本原理,能够根据具体网络实例使用反向传播计算梯度的表达式。理解卷积神经网络建模图像分类任务以及循环神经网络建模文本序列任务的基本原理,掌握卷积神经网络中卷积操作的定义和性质、以及池化层

(Pooling)操作的定义和性质等。

(四)深度学习:(1)深度神经网络基础模块;

(2)深度神经网络优化算法。

了解深度神经网络中线性层、非线性层以及标准化层的基本概念。了解梯度爆炸与消失的基本原因以及线性层的初始化技术如何缓解梯度爆炸与消失的基本原理;理解Sigmoid和ReLU等非线性层的表达式以及它们在神经网络训练中的优缺点;掌握批标准化层(BatchNormalization,

BN)和层标准化层(LayerNormalization,LN)的表达式以及它们在神经网络训练中的优缺点。掌握梯度下降算法,

理解梯度下降(GradientDescent,GD)与随机梯度下降

(StochasticGradientDescent,SGD)算法的区别;了解深度学习中常用的SGD+动量(momentum)算法以及Adam算法等。

三、算法设计与分析部分的考试大纲(60分)

(一)整体要求

1、掌握算法的定义、性质和表示方法,并能够使用伪代码对算法进行描述;

4、掌握计算复杂性的基本概念和证明P、NP、NPC类问题的方法;

5、具有对简单计算问题的建模、算法设计、算法分析和编程求解能力。

(二)、复习要点

1、渐近复杂性分析

(1)O、Ω、Θ符号定义;

(2)分析给定算法的渐近复杂性;

(3)分析给定递归函数的渐近复杂性;

(4)比较具有不同渐近上界的算法或渐近表达式的效率。

2、常用算法设计方法的基本思想和特点,以及针对具体问题设计相应的算法并分析其效率

(1)递归与分治算法

(2)动态规划算法

(3)贪心算法

3、图算法

(1)图的基本概念和基本性质;

(2)图的表示方法;

(3)图的遍历与搜索方法;

(4)最小生成树、最短路径、二分图匹配、最大流最小割等图具体问题算法。

4、计算复杂性

(1)计算复杂性的基本概念,如判定问题、优化问题等;

(2)P、NP、NPC类问题的定义和证明。

四、自动控制原理部分的考试大纲(60分)

1、控制系统的数学模型主要内容:

(1)动态方程建立

(2)传递函数及动态结构图

(3)结构图的等效变换、梅逊公式及应用

2、时域分析法主要内容:

(1)典型响应及性能指标

(2)一、二阶系统的分析与计算

(3)系统稳定性的分析与计算:劳斯、古尔维茨判据

(4)稳态误差的计算及一般规律

3、根轨迹法主要内容:

(1)根轨迹的概念与根轨迹方程

(2)根轨迹的绘制法则

(3)零、极点分布与阶跃响应性能的关系:主导极点与偶极子,阶跃响应的根轨迹分析

4、频率响应法

主要内容:

(1)线性系统的频率响应

(2)典型环节的频率响应

(3)系统开环的频率响应

(4)Nyquist稳定判据和对数频率稳定判据,稳定裕度及计算

(5)开环频率响应与阶跃响应的关系,三频段的分析方法

5、状态空间分析方法

(1)状态空间方法基础

(2)线性系统的可控性

(3)线性系统的可观测性

(4)传递函数的实现

(5)状态反馈与状态观测器

(6)有界输入、有界输出稳定性;渐近稳定性

原标题:人工智能学院招收2025年硕士初试自命题科目考试大纲

THE END
1.机器学习知识点全面总结机器学习知识点总结特征工程:是指在机器学习中对原始数据进行转换、组合和选择等处理,以提取更有用的特征或属性,以帮助机器学习算法更好地理解和处理数据。简而言之,特征工程就是对原始数据进行预处理,以提取有用信息来辅助机器学习。 模型选择:根据问题的特点和数据的特征选择适合的机器学习算法和模型。 https://blog.csdn.net/qq_63159704/article/details/136137934
2.一文理解机器学习三要素腾讯云开发者社区机器学习,作为人工智能的重要分支,使计算机能够通过数据自动学习并不断优化模型,以提高预测和决策的准确性和效率。机器学习方法可以概述如下: 出发点是给定的、有限的训练数据集,假设这些数据遵循独立同分布。同时,假定待学习的模型属于一个特定的函数集合,即假设空间。 https://cloud.tencent.com/developer/article/2421011
3.机器学习算法可分为:()()和()。机器学习算法可分为:()、()和()。正确答案:监督学习|无监督学习;非监督学习|强化学习 点击查看答案进入小程序搜题你可能喜欢监督学习算法通常解决()和()等类型的问题。 点击查看答案进入小程序搜题 无监督学习算法通常解决()和()等类型的问题。 点击查看答案进入小程序搜题https://m.ppkao.com/wangke/daan/00ea4c6c462240dfbddb036289adc3f4
4.Python机器学习(原书第3版)最新章节塞巴斯蒂安·拉施卡著虽然感知器规则提供了良好且易用的入门级机器学习分类算法,但其最大缺点是,如果类不是完全线性可分的,那么它将永远不收敛。前一节的分类任务就是该场景的一个示例。直观地说,原因是权重在不断更新,因为每次迭代至少会有一个错误分类样本存在。当然,我们也可以改变学习速率,增加迭代次数,但是要小心感知器永远都不会https://m.zhangyue.com/readbook/12540913/42.html
5.机器学习中有监督学习和无监督学习的区别表现在什么方面?机器学习主要分为:有监督学习,无监督学习,以及半监督学习等。小编今天给大家分享的主要是有监督学习和无监督学习的比较,希望对于大家机器学习有所帮助。 一、首先来了解一下有监督学习和无监督学习的概念 1、有监督学习(supervised learning)是指从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以https://www.cda.cn/bigdata/28000.html
6.计算机工程与设计杂志中国航天科工集团第二研究院706所主办为综合利用基于情感词典和基于机器学习的两类情感分类方法的优点,提出一种基于情感词汇与机器学习的方面级情感分类方法。通过选取少量情感倾向与评价对象无关的情感词汇对评价搭配进行情感分类;通过构建机器学习分类器,以评价短语对各类别的互信息占比作为分类器的分类概率权重,进行加权计算,选择加权后分类概率最大的类别作https://www.youfabiao.com/jsjgcysj/202001/
7.IJTCS8月17日,“多智能体机器学习”分论坛由北京大学李文新教授、中国科学院自动化研究所张海峰副研究员主持。8月18日,“计算经济学”分论坛由上海交通大学陶表帅助理教授主持。小编为大家带来两个分论坛报告的精彩回顾。 多智能体机器学习分论坛精彩回顾 A Continuum of Solutions to Cooperative Multi-Agent Reinforcementhttps://cfcs.pku.edu.cn/news/240892.htm
8.基于有限积分法和机器学习的场强分布预测方法本文提出了一种基于有限积分法和机器学习的场强预测混合方案,我们在CST中建立地形或建筑物的最基本单元—三角面,仿真计算平面波(射线就是平面波)入射时三角面周围的电磁场分布,找出影响场强分布的特征,仿真在不同输入条件下的输出结果。对三角面周围的空间分为近场区和远场区。近场区通过机器学习模型来预测场强,而https://cdmd.cnki.com.cn/Article/CDMD-10013-1018116500.htm
9.机器学习中的分类和回归王哲MGGAI机器学习中的分类和回归是两种主要的预测建模任务,它们分别处理不同类型的输出变量。 分类(Classification): 定义:分类是一种监督学习任务,其目标是将输入数据映射到预定义的类别中。在分类问题中,模型的输出是一个离散的类别标签。 例子:例如,垃圾邮件过滤是一个二分类问题,其中模型需要将每封电子邮件分为"垃圾邮件https://www.cnblogs.com/wzbzk/p/17834194.html
10.北京航空航天大学2025研究生考试大纲:人工智能学院!北京航空航天大学人工智能学院招收2025年硕士初试自命题科目考试大纲已公布,842人工智能基础综合试卷总分150分,共包括三部分内容。其中机器学习部分为必考内容,占90分;算法设计与分析部分和自动控制原理部分为选考内容,选考内容二选一,均占60分。若同时选考算法设计与https://www.gaodun.com/kaoyan/1653530.html
11.机器学习中常用的几种回归算法及其特点回归是统计学中最有力的工具之一,机器学习监督学习算法分为分类算法和回归算法两种。回归算法用于连续型分布预测,可以预测连续型数据而不仅仅是离散的类别标签。 回归是统计学中最有力的工具之一,机器学习监督学习算法分为分类算法和回归算法两种。回归算法用于连续型分布预测,可以预测连续型数据而不仅仅是离散的类别标签https://www.51cto.com/article/775005.html
12.第28分会:AI辅助的化学反应和复杂体系模拟日程表第28分会:AI辅助的化学反应和复杂体系模拟 主席:胡培君、李磊 编号论文标题报告人时间操作 2024年06月15日 第1时段 口头报告(Oral) 国际会堂:3层301 胡培君 28-KN-001基于量子计算精度的蛋白质动力学模拟及机器学习力场张增辉09:50-10:20关注 28-I-001基于深度势能模型和图神经网络的固态电解质缺陷效应和矿物浮https://www.chemsoc.org.cn/meeting/34th/programs.php?topicid=1343
13.腾讯AI开放平台连接云边端设备、算法和数据,提供全栈式 AI 应用开发、部署、管理等功能 腾讯云TI平台 一站式机器学习生态服务平台,涵盖数据预处理、模型训练、评估、预测全流程 图像识别语音技术自然语言处理AI平台服务智能机器人 限时促销 活动专区 人脸核身特惠活动2折 https://ai.qq.com/
14.CiteScore2022正式发布,AIOpen首获即达22.5分,三大高被引论文值得一AI Open 成立于 2020 年,主要分享关于人工智能理论及其应用的知识处理和前瞻性观点,期刊主编为清华大学计算机系的唐杰教授。 AI Open 三大高被引论文解读 1.图神经网络:方法与应用回顾(Graph neural networks: A review of methods and applications) 近年来,由于图(graph)的强大表达能力,利用机器学习分析图的研究越https://www.thepaper.cn/newsDetail_forward_23420835
15.MindSpore官网9 MindQuantum:快速上手量子模拟与量子机器学习 MindQuantum 最新0.5版本中提供独立的量子模拟模块Simulator,用户可快速对自定义量子线路进行模拟演化并对量子态进行采样,极大方便开发者在MindQuantum环境中设计和验证自己的量子算法。此外我们新增了量子线路和量子态采样的展示模块,开发者也能直观的对量子算法进行修改。 https://www.mindspore.cn/news/newschildren?id=967
16.家长会英语老师发言稿(通用21篇)期中已经结束了,各位家长不要过分纠结在分数的高低。话说回来,从这次练习中不难发现部分同学掌握的不是很到位,以致于在考试中出现了重大失误。这个和平时的学习习惯是分不开的。在座的各位,都明白英语的重要性和必要性。时代真的不同了。以前说有钱能走遍天下,现在会说英语才能游遍世界!https://www.unjs.com/fanwenwang/fayangao/20221210153520_6089196.html