考点频率分布 — Topic Frequency Heat Map

基于全部可用考试卷的统计分析（S1 2025 Sample, S1 2025 Actual, S1 2026 Sample, S1 2024 Final）

📊 考点频率总览

知识模块	出现次数	总分占比	优先级	考查形式
Symbolic Logic (PL + FOL + Modus Tollens)	4/4 卷	13-25%	🔴 必考	推理推导 + FOL 翻译
Logic Neural Networks (Soft Logic + Truth Bounds)	3/3 mid-tests	13-20%	🔴 必考	计算 + 概念对比
Knowledge Graphs (TransE + Embeddings + Inference)	3/3 mid-tests	10-13%	🔴 必考	概念解释 + 公式
Decision Trees & Ensembles (CART + RF + Bagging)	3/4 卷	10-20%	🔴 必考	概念理解 + 应用
Soft Computing (Fuzzy Logic + Vagueness vs Uncertainty)	3/4 卷	15-20%	🔴 必考	对比分析 + 场景分类
NEAT & Genetic Algorithms	2/4 卷	13-20%	🟠 高频	适应度函数设计
Embodied AI & Robot Soccer	2/3 mid-tests	10-13%	🟠 高频	策略描述
MYCIN / Expert Systems (Backward Chaining)	1/3 mid-tests	13-20%	🟠 高频	推理过程描述
Naïve Bayes	1/4 卷 (final)	~10%	🟡 中频	假设解释
Knowledge Representation (Frames, Semantic Nets, RBS)	0 (直接考题)	—	🟢 低频	间接考查

🎯 按考题编号统计（Mid-term Test 模式）

每份试卷固定 6 道简答题，主题分布如下：

题号	S1 2025 Sample (15m)	S1 2025 Actual (15m)	S1 2026 Sample (20m)
Q1	Symbolic Logic (3m)	Symbolic Logic (2m)	Symbolic Logic (5m)
Q2	LNN (2m)	LNN (3m)	LNN (4m)
Q3	Knowledge Graphs (2m)	Knowledge Graphs (2m)	Knowledge Graphs (2m)
Q4	Robot Soccer (2m)	Decision Trees (2m)	Robot Soccer (2m)
Q5	Random Forest (3m)	Fuzzy Logic (3m)	Random Forest (3m)
Q6	MYCIN/Backward Chaining (3m)	GA/Fitness Function (3m)	Vagueness vs Uncertainty (4m)

规律总结：

Q1 永远是 Symbolic Logic（分值从 2→5 递增！）
Q2 永远是 LNN（分值从 2→4 递增！）
Q3 永远是 Knowledge Graphs / TransE
Q4-Q6 在以下主题中轮换：Decision Trees/RF、Soft Computing/Fuzzy、NEAT/GA、Robot Soccer、MYCIN

📈 分值趋势分析

2025 Sample (15m):  Logic(3) + LNN(2) + KG(2) + Robot(2) + RF(3) + MYCIN(3)
2025 Actual (15m):  Logic(2) + LNN(3) + KG(2) + DT(2) + Fuzzy(3) + GA(3)
2026 Sample (20m):  Logic(5) + LNN(4) + KG(2) + Robot(2) + RF(3) + V/U(4)

关键发现：

2026 总分从 15→20，额外的 5 分主要加在了 Logic (+2) 和 LNN (+2) 上
Symbolic Logic 要求从“代数推导“升级为“完整真值表“
Vagueness vs Uncertainty 是新增的高分考点（4分）

⏰ 建议复习时间分配（基于频率和分值）

模块	建议时间占比	理由
Symbolic Logic	20%	每卷必考，分值最高（最多 5m），需要熟练掌握真值表 + Modus Tollens
LNN	15%	每卷必考，分值递增，计算和概念并重
Soft Computing (Fuzzy + Bayes + V/U)	15%	高频，vagueness vs uncertainty 新增为高分考点
Decision Trees & Ensembles	15%	高频，重点理解“为什么“ (greedy, feature bagging)
Knowledge Graphs & TransE	10%	每卷必考但分值稳定在 2m，概念性强
NEAT & GA	10%	高频，重点是 fitness function 设计
Embodied AI & Robot Soccer	10%	中频，概念性强，答题灵活
MYCIN & Expert Systems	5%	低频但重要概念（backward chaining）

🧩 考点共现分析

以下概念经常在同一道题或同一考卷中一起出现：

概念组合	出现模式	意义
Modus Tollens + De Morgan’s	每道 Q1	先否定后件，再展开否定前件
LNN + Soft Logic AND	每道 Q2	LNN 的核心计算依赖 Product-Sum AND
LNN Bounds + Safety-Critical	2025 Actual	bounds 在自动驾驶中的应用
TransE + Link Prediction	每道 Q3	h+r≈t 用于预测缺失链接
Fuzzy vs Traditional Logic	2025 Actual	同一规则在两种体系下的对比
GA + Embodied AI	2025 Actual	用 GA 训练 BigDog 机器人控制器
Vagueness vs Uncertainty	2026 Sample	四个场景分类
Bagging + Feature Bagging	每道 RF 题	两者缺一不可

🎯 Cheatsheet 优先级排序

根据出题频率和分值，你的双面 A4 手写笔记应该包含以下内容（按重要性排序）：

必须写（占据 60% 空间）

Modus Tollens 公式 + De Morgan’s Laws + 两种 premise 结构的展开方式
完整的 implication 真值表 (4 行)
LNN Soft Logic (Product-Sum): AND = A×B, OR = A+B-AB, NOT = 1-A
LNN Truth Bounds 分类规则 (L≥α → TRUE, U≤α → FALSE, etc.)
OR bounds: L=max(L₁,L₂), U=max(U₁,U₂)
TransE: h+r≈t, f(h,r,t) = ||h+r-t||
Entropy: H(X) = -Σp(x)log₂p(x), IG = H(Y) - H(Y|X)
Gini: G(D) = 1 - Σpᵢ²
Fuzzy: AND=min, OR=max, NOT=1-μ
Vagueness vs Uncertainty 判断流程图

建议写（占据 30% 空间）

Bayes’ Theorem: P(H|e) = P(e|H)P(H)/P(e)
Naïve Bayes: P(C|x) ∝ P(C)ΠP(xᵢ|C)
CART = greedy (no look-ahead)
RF = Bagging + Feature Bagging (√features)
CF(conclusion) = CF(premise) × CF(rule)
Forward vs Backward Chaining 对比
NEAT: speciation distance δ = c₁E/N + c₂D/N + c₃W̄
Flocking 3 rules: separation, cohesion, alignment

如果有空间（占据 10%）

FOL 量词否定: ¬∀x P(x) ≡ ∃x ¬P(x)
STEAM: Joint Persistent Goal (A/U/I)
Ontology vs KG 区别
RDF triple 格式

Keyboard shortcuts

exam-713