北京航空航天大学2025研究生初试科目《842人工智能基础综合》考试大纲_学习网官网

北京航空航天大学2025研究生初试科目《842人工智能基础综合》考试大纲已公布，具体内容请查看正文。点击查看>>自命题+统考科目大纲

842 人工智能基础综合考试大纲

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 2

更多的考试大纲和考研资料：https://www.handebook.com/web/#/book/document

学习网官网：http://w.363322014.com/