现实世界中的规划问题需要先调度，后规划。

人们需要把分类器学习的样本的特点进行量化，这些量化后的数据，如鸢尾花的高度、花瓣的长度、花瓣的宽度等就是鸢尾花的特征。这些特征都是有效的，可以提供给分类器进行训练。

贝叶斯定理是为了解决频率概率问题提出来的。

下图表示的是前向状态空间搜索。

P（A∣B）代表事件A发生的条件下事件B发生的概率。

深度学习是计算机利用其计算能力处理大量数据，获得看似人类同等智能的工具。

谓词逻辑是应用于计算机的逻辑形式，其逻辑规则、符号系统与命题逻辑是一样的。

启发式规划的两种方法是减少更多的边或者状态抽象。

人工智能利用遗传算法在求解优化问题时，会把问题的解用“0”和“1”表示。0,1就是就是“遗传基因”，01组成的字符串，称为一个染色体或个体。

分层规划中包含基本动作和高层动作。

算法模型看起来像一棵倒立的树，数据沿着树根输入，再从叶子节点输出，中间的分支要根据不同特征的信息进行判断，决定该向左走还是向右走，这种算法称为（）。

深度学习模型区别于早期的人工神经网络的是（ ）

贝叶斯网络是（ ）首先提出来的。

（）设计出了一个会自主学习的跳棋程序，驳倒了“机器无法超越人类，像人类一样写代码和学习”的理论，创造出了“机器学习”这一术语。

以下哪一项不是机器智能的来源（ ）

当神经网络接收到工作任务时，就是用（）来接收这些任务所对应的数据集，如图像每个像素点的特征数值——色彩、亮度等。（）的每个神经元都是任务的特征，即特征数值。

当我们在物品种类很多的情况下，需要快速选择出一种最优搭配方案时，其实可以借助一些特别的处理方法来解决，这些方法中的一种被称为“遗传算法”，它是通过模拟达尔文的进化论来解决问题的，因此也被归类为“进化算法”。（）教授首先提出“遗传算法”。

机器学习过程中，近似于人类的归纳推理式学习方式，被誉为“人工智能最有价值的地方”的学习方式是（）。

以下哪种知识表示的方法适宜描述特定场景中固定不变的事件序列（ ）。

遗传算法具有（）的迭代过程的搜索算法。也就是说，通过群体的一代代的不断进化，最终收敛到“最适应环境”的个体，从而求得问题的最优解或满意解。