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)
( 一) 机器学习基础算法：( 1 )贝叶斯(Bayesian) 学习以及相关算法;(2)Q 学习基本概念;(3)归纳学 习-决策树构建算法。
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
义，以及统计学习理论的基本结论，深入理解经验风险和 真实风险概念区别与联系;理解 Bayesian 的基本原理，贝 叶斯学习、朴素贝叶斯算法在相关实际问题中应用;掌握 HMM 算法的基本原理; 掌握信息熵概念的内涵、ID3 算法 构建过程、根据具体的实例，构建决策树。掌握信息增益 的概念， 以及在构建决策树时的物理含义。
(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(Batch Normalization,
BN)和层标准化层(Layer Normalization, 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(Gradient Descent, GD)与随机梯度下降
(Stochastic Gradient Descent, 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;
2 、能够熟练使用渐近上界、渐近下界与渐近紧确界分 析算法运行的时间复杂度;
3 、掌握算法设计的常用方法，包括分而治之、动态规 划、贪心算法;掌握图的基本概念和相关图算法;
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
主要内容：
(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
文章来源：https://iai.buaa.edu.cn/info/1062/3654.htm
