人工智能期末速通：A*搜索、反向传播与大模型复习框架

1. 先搞清楚期末到底考什么，再决定背什么

1.1 速通的第一步是画边界，不是打开第一页

每到期末，我最怕看到的不是书厚，而是一堆人从第一章第一页开始往下翻。人工智能这门课的特殊性在于，它的知识密度极度不均匀：前面讲智能体、搜索，后面讲机器学习、神经网络、大模型，中间还夹着逻辑推理、知识表示、伦理讨论。如果按页码顺序推进，很可能你在“状态空间”上花了三天，结果考试重点全在“反向传播推导”和“混淆矩阵计算”上。

所以速通的第一件事是画边界。我自己的做法是，先把课程大纲、老师给的PPT目录、历年真题（哪怕只有一套）摊开，用三色笔标出三类内容：必考（每年都出现的题型）、常考（换汤不换药的变形）、了解（只出名词解释或干脆不出）。判断标准其实很朴素——“这个知识点有没有对应的计算题或推导题”。有计算题的，几乎必考；只有概念定义的，大概率是选择填空或名词解释；纯拓展阅读的，考前两小时扫一眼就够。

这套方法的效果非常明显。人工智能导论类课程的考试，通常逃不出四种题型：概念解释、算法流程描述、小型计算（搜索树展开、贝叶斯、反向传播、评价指标）、以及开放性论述（AI对社会的影响、伦理问题、职业发展）。你只要把每类题型对应的“最小必备知识集”列出来，复习量会立刻从整本书压缩到十几页纸。

速通的本质不是学得更快，而是砍掉不考的部分。这个判断必须由你自己做，因为只有你知道老师上课反复强调的是什么、作业里出现过什么。别人整理的笔记可以参考，但绝不能直接当复习主线，那是别人的考纲，不是你的。

1.2 生物智能、人工智能、计算智能的ABC层次关系

这是概念题里最容易被问倒的一个点，因为它涉及三者的层次和包含关系。很多同学背了定义，一被问“它们是什么关系”就卡住。用一句话概括：生物智能是自然演化的产物，人工智能是人类设计实现的智能，而计算智能是人工智能内部偏向“模拟自然计算机制”的那一部分。

展开来说，生物智能来自亿万年进化，它的特点是自适应、低功耗、强鲁棒，但不可复制、不可精确控制。人工智能是我们用机器去复现或超越人类智能行为的总称，目标是让机器完成感知、推理、学习、决策这些事。计算智能则是人工智能的一个分支，它不追求严格的符号推理，而是借鉴自然界的机制——神经计算、模糊计算、进化计算、群智能算法（蚁群、粒子群）等等，用“近似但能处理不确定性”的方式解决问题。

所以层次关系可以理解为：生物智能是参照物，人工智能是大范畴，计算智能是其中偏向仿生和软计算的那一块，属于人工智能的子集。用集合符号写就是：计算智能 ⊆ 人工智能，而生物智能与人工智能是并列的两类智能形态，不是包含关系。这个区分很关键，很多人误以为“人工智能属于生物智能”，恰恰说反了。

用表格对比会更清楚：

考试里如果问“为什么说计算智能是人工智能的子集”，你就答：因为计算智能的所有方法都服务于人工智能的目标（让机器表现出智能行为），只是实现路径偏向仿生计算，而人工智能还包含符号主义、逻辑推理、专家系统这些非仿生路线。这个答案基本能拿满。

1.3 三种主义之争：符号、连接、行为

复习到导论部分，绕不开符号主义、连接主义、行为主义这三条路线。它们的区别不是历史八卦，而是理解后面所有算法的钥匙。

符号主义认为智能的本质是符号操作，知识用规则和逻辑表示，推理就是符号演算。专家系统是它的巅峰，优点是解释性强，缺点是知识获取难、处理不了模糊和感知问题。连接主义认为智能来自大量简单单元的连接，神经元网络是代表，优点是能从数据里学，缺点是黑箱、可解释性差。行为主义则强调智能是在与环境交互中涌现的，感知—动作循环是核心，强化学习和机器人控制是它的地盘。

这三条路线对应了三种不同的“智能观”，也解释了为什么同一个问题会有完全不同的解法。比如让机器识别猫：符号主义会尝试描述“猫有胡须、尖耳、四条腿”的规则；连接主义直接喂几万张图训练卷积网络；行为主义则可能让机器人在环境中通过交互学会“看到猫该做什么”。考试里常见的问法是“比较三种主义的优缺点”或“举例说明各自代表技术”，把上面这层逻辑答清楚，比背十行定义都管用。

这里有个我踩过的坑：很多人把连接主义等同于“深度学习”，其实连接主义的历史比深度学习早得多，感知机就是连接主义的早期形态。答题时如果写成“连接主义就是深度学习”，严谨的老师会扣分。

2. 主干概念速记：几张表把框架搭起来

2.1 智能体与环境：PEAS和五类智能体

智能体（Agent）是整门课的起点，几乎所有教材都从这里开篇。核心公式是PEAS：Performance（性能度量）、Environment（环境）、Actuators（执行器）、Sensors（传感器）。任何描述智能体任务的题目，都可以用这四项套。比如自动驾驶出租车，性能度量是安全、准时、舒适、合法；环境是道路、车辆、行人、天气；执行器是方向盘、油门、刹车、鸣笛；传感器是摄像头、雷达、GPS、里程计。

考试常考的另一个点是智能体的五种类型，它们按“智能程度”递进：

• 简单反射型：直接根据当前感知查规则表，不记历史，容易在部分可观察环境中失效。
• 基于模型的反射型：维护内部状态，记录看不见的部分，能应对部分可观察。
• 基于目标的：有目标信息，选择能让自己接近目标的行为，需要考虑未来。
• 基于效用的：目标不好量化时，用效用函数比较不同状态的“满意度”，能处理冲突目标。
• 学习型：包含学习元件、性能元件、批评者和问题生成器，能通过反馈改进。

环境性质也是高频考点，通常给一个场景让你判断属性：可观察还是部分可观察、确定性还是随机性、片段式还是序贯、静态还是动态、离散还是连续、单智能体还是多智能体。判断时不要凭感觉，按定义一条条对。比如“下棋”是双人、序贯、确定性、离散、静态（对手思考时不改变棋盘状态）；“自动驾驶”是部分可观察、随机、序贯、动态、连续、多智能体。把这些对照记熟，选择题基本不会错。

2.2 搜索算法：从盲目搜索到A*的完整脉络

搜索是AI课里最像“算法课”的部分，也是计算题的高发区。先把问题形式化五要素记牢：初始状态、动作集合、转移模型、目标测试、路径代价。任何搜索题，先把这五项写出来，分数就稳了一半。

盲目搜索里几个必须会手推的算法：

• 广度优先（BFS）：按层扩展，完备且最优（当每步代价相同时），空间复杂度是指数级，用队列实现。
• 深度优先（DFS）：一条路走到黑，空间省，但不完备也不最优，用栈或递归实现。
• 一致代价搜索（UCS）：按路径代价从小到大扩展，用优先队列，处理代价不等的情况，是Dijkstra的翻版。
• 迭代加深（IDS）：反复做有深度限制的DFS，兼顾BFS的最优性和DFS的空间优势。
• 双向搜索：从起点和终点同时扩展，指数级降低时间。

有信息搜索的关键是启发函数 h(n)。贪婪最佳优先只看 h(n)，跑得快但不最优；A*搜索看 f(n)=g(n)+h(n)，其中 g(n) 是已付出的实际代价。A*最优的条件是 h(n) 可采纳（永不高估真实代价）且一致（满足三角不等式）。这两个概念几乎是必考名词解释，答题时一定要写出“可采纳性指的是 h(n) ≤ h*(n)”，给出公式，比纯文字描述更得分。

手推搜索树的题型，我总结了一个不易错的做法：先把每个节点的 g、h、f 三个值列成表格，扩展顺序按 f 从小到大，f 相同时按字母序或题目指定顺序。展开的节点用方框圈出，记录closed表，避免重复扩展。很多同学失分不是因为算错，而是漏画closed表或者扩展顺序不一致。

博弈搜索也是常客。Minimax的思路是“我取最大，对手取最小”，从叶子节点的效用值往上回传。Alpha-Beta剪枝的核心是维护 α（当前MAX节点已知的最好选择下界）和 β（MIN节点已知的最好选择上界），当 α ≥ β 时剪掉剩余分支。手推题要标清楚每个节点被剪掉的位置和原因。CSP（约束满足问题）则要记住回溯搜索的三个改进：MRV（最少剩余值优先）、度启发式（约束最多的变量优先）、最少约束值（给变量选限制最小的值）。

2.3 知识表示与推理：本体论到底是什么

知识表示这一块，考试最爱问“四种知识表示方法及优缺点”。传统四件套是：一阶逻辑、产生式规则、语义网络、框架。一阶逻辑表达力强、推理严谨，但推理效率低；产生式规则直观、易解释，适合专家系统，但规则多了会冲突；语义网络用节点和边表示概念关系，直观但缺乏形式语义；框架用结构化槽值描述对象，适合分类，但灵活性差。

再往上一层会提到本体论（Ontology）。这个词听着玄，其实定义很朴素：本体论是对某个领域中概念、关系、公理和实例的规范化、形式化描述。它是“共享概念模型的明确规范说明”这个经典定义要能背出来。和知识图谱的关系是：本体论是知识图谱的“骨架”和“schema”，规定有哪些类型的概念、它们之间允许有什么关系；知识图谱是在这个骨架上填充具体实例。比如“人—工作于—公司”是本体层，“张三—工作于—某公司”是实例层。

推理部分要区分演绎、归纳、溯因。演绎是从一般到个别，结论必然正确（前提为真时）；归纳是从个别到一般，结论或然；溯因是从结果反推最可能的解释，常见于诊断系统。逻辑推理还要会写归结原理的步骤，前向链接（数据驱动）和后向链接（目标驱动）的区别也要能说清楚，后者是Prolog这类语言的工作方式。

3. 数学符号速查：考场看不懂符号最致命

3.1 概率、统计与信息论高频符号

人工智能的数学符号其实不算多，但几类符号混在一起就很容易懵。概率部分最常见的是条件概率 P(A|B) 和贝叶斯公式：

P(A|B) = P(B|A)·P(A) / P(B)

这个公式几乎每套题都会用一次，典型场景是垃圾邮件分类、疾病检测、朴素贝叶斯分类。做题时注意分母是边缘概率，可以通过全概率公式展开：P(B) = Σ P(B|Aᵢ)·P(Aᵢ)。朴素贝叶斯的“朴素”指的是假设特征之间条件独立，答题时一定要写出这个假设，它是这个算法最大的优点（计算简单）和最大的缺点（假设常不成立）的来源。

期望 E[X]、方差 Var(X)、协方差 Cov(X,Y) 是基础。信息论部分必须掌握熵 H(X)、条件熵 H(Y|X)、互信息 I(X;Y)、KL散度和交叉熵。它们的关系要清楚：交叉熵 = 熵 + KL散度，所以当真实分布固定时，最小化交叉熵等价于最小化KL散度。这也解释了为什么分类任务普遍用交叉熵损失而不是均方误差。互信息衡量两个变量的相关性，I(X;Y)=0 表示独立，决策树里的信息增益本质上就是互信息。

贝叶斯网络也是高频考点。答题要点：DAG结构 + 每个节点的条件概率表CPT。会判断两个节点是否d-分离（路径上是否存在阻塞），从而判断条件独立。联合概率分布可写成各节点在其父节点条件下的乘积，这是贝叶斯网络最大的价值——把指数级的参数数量降下来。

3.2 线性代数与优化符号

线性代数符号里，最容易搞混的是转置AT、逆A⁻¹、伪逆A⁺、范数‖x‖和行列式det(A)。机器学习里的公式基本都围绕矩阵乘法展开：X是样本矩阵（每一行一个样本），θ是参数向量，预测值就是 Xθ。梯度 ∇θJ(θ) 表示损失对参数的偏导向量，训练就是用 θ ← θ − η∇θJ(θ) 迭代更新，其中 η 是学习率。

还要认识 Jacobian 矩阵（一阶偏导组成的矩阵）、Hessian 矩阵（二阶偏导，反映曲率）、拉格朗日乘子和KKT条件（处理带约束的优化）。凸优化部分要记住：凸函数的局部极小值就是全局极小值，这也是为什么逻辑回归、SVM这类凸模型比神经网络更好训练、更稳定。

符号速查表我列一下，考前扫一遍很省时间：

3.3 这些符号怎么用才不丢分

我的经验是，数学符号题丢分往往不是不会，而是“写得不规范”。比如答题时写 P(A,B) 和 P(A|B) 混用，阅卷老师会认为你没理解联合概率和条件概率的区别。再比如写梯度下降时漏掉负号，直接把“梯度方向”当成“下降方向”，这是概念性错误。

还有个细节值得注意：在写求和时一定要写清楚下标范围，Σᵢ₌₁ⁿ 比一个光秃秃的 Σ 专业得多，也避免了老师说“不知道你在对谁求和”。凡是涉及向量的公式，最好在纸上标注维度，比如 X ∈ ℝ^(m×n)，θ ∈ ℝⁿ。养成标维度的习惯后，你会发现很多“公式记错”的问题其实是维度对不上——维度对了，公式基本不会错。

复习时可以准备一张A4纸，左边写符号，中间写含义，右边写一个典型用法。比如 ∇θJ(θ) 对应“逻辑回归的梯度：Xᵀ(ŷ−y)”。把抽象符号和具体公式绑定，记忆会牢很多，也更容易在计算题里直接调用。

4. 机器学习到神经网络：一条主线压缩完

4.1 三大范式的判断标准

机器学习按监督信息分三大类，考试基本必问。监督学习有标签，学的是从输入到输出的映射，代表任务是分类和回归；无监督学习没有标签，学的是数据结构，代表任务是聚类和降维；强化学习没有标准答案，只有奖励信号，靠试错学习策略。

判断题型的方法很简单，看“有没有y”。有标注就监督，没标注就无监督，只有奖励就强化。半监督学习介于前两者之间，用少量标注加大量未标注；自监督学习则是从数据自身构造标签，比如语言模型里“预测下一个词”，这也是大模型的预训练方式。

评价指标要会算，不光是背定义。二分类的混淆矩阵里，TP是真正例、FP是假正例、FN是假负例、TN是真负例。精确率 Precision = TP/(TP+FP)，召回率 Recall = TP/(TP+FN)，F1 = 2PR/(P+R)。举个具体算例：模型在100个样本中预测了30个正例，其中25个是对的，而实际正例共有40个。那么 TP=25，FP=5，FN=15，Precision=25/30≈0.833，Recall=25/40=0.625，F1=2×0.833×0.625/(0.833+0.625)≈0.714。

这个算例看起来很基础，但考场上因为公式记混丢分的人特别多。我建议记住一句话：精确率看“我报的准不准”，召回率看“该抓的抓没抓全”。垃圾邮件过滤更看重精确率（别把正常邮件误判），疾病筛查更看重召回率（别把病人漏掉）。这个对应关系写进论述题里，很加分。

过拟合与欠拟合要会说原因和解决方案。欠拟合是模型太简单，解决方法是加特征、加复杂度、减少正则；过拟合是模型太复杂或数据太少，解决方法是加数据、正则化（L1稀疏、L2平滑）、Dropout、早停、交叉验证。偏差-方差分解也是常见考点：总误差 = 偏差² + 方差 + 噪声，偏差高是欠拟合，方差高是过拟合，模型复杂度增加时偏差降、方差升，存在一个最优复杂度点。

4.2 从感知机到反向传播的手推流程

神经网络部分的考点非常集中：神经元模型、激活函数、损失函数、反向传播、优化器。感知机是最简单的神经网络，输出是阶跃函数，只能处理线性可分问题，XOR问题就是它的经典反例，这个例子要用来说明“为什么需要多层网络”。

激活函数要能说出各自特点。Sigmoid把输出压到(0,1)，但导数最大只有0.25，深层网络容易梯度消失，而且输出不是零均值。Tanh是零均值版本，比Sigmoid好一点，但依然有饱和问题。ReLU在正区间导数恒为1，缓解梯度消失、计算快，但负区间直接归零，可能出现神经元死亡。Softmax用于多分类输出，把实数变成概率分布，配合交叉熵使用。

反向传播的手推是高频大题，本质是链式法则。以两层网络为例：输入x，隐藏层 h = σ(W₁x + b₁)，输出 ŷ = softmax(W₂h + b₂)，损失用交叉熵 L = −Σ yᵢ log ŷᵢ。反向传播时，先算输出层误差 δ₂ = ŷ − y（softmax + 交叉熵的组合会得到这个非常干净的形式），然后第二步算 δ₁ = (W₂ᵀδ₂) ⊙ σ′(z₁)，最后梯度是 ∂L/∂W₂ = δ₂hᵀ，∂L/∂W₁ = δ₁xᵀ。写题时把每一步的维度标出来，是避免出错的最有效办法。

梯度下降的变体也要认识：批量梯度下降稳定但慢，随机梯度下降快但震荡，小批量是折中方案。学习率太大容易震荡甚至发散，太小收敛慢。动量法累积历史梯度，Adam结合了动量和自适应学习率，是目前最常用的默认优化器。这部分如果出简答题，答“优化器的演进是为了解决收敛速度和稳定性的矛盾”这个主线就不会偏。

4.3 生成式人工智能与大模型的复习边界

现在的人工智能课基本都会加一节大模型或者生成式AI，考试形式上通常是简答或论述。需要掌握的核心概念有：Transformer、自注意力机制、预训练+微调、提示工程、幻觉、检索增强生成（RAG）、智能体。

自注意力的直觉解释可以这样写：每个词都要看其他所有词，用一个查询向量Q和所有键向量K做点积算相关性，再用相关性作为权重去加权求和值向量V。除以 √d 是为了防止点积过大导致softmax梯度消失。多头注意力相当于让模型从不同“视角”同时看句子，捕捉语法、语义等不同层面的关系。

生成式AI的典型问题要能说清：幻觉指的是模型生成看似合理但事实错误的内容，根因是它本质在预测下一个词，而不是在查询事实库；缓解方法是引入外部知识（RAG）、加引用、加人工审核。这部分的开放题经常问“生成式AI用在学习中有什么风险”，可以谈过度依赖导致独立思考能力下降、把模型的错误当成事实、以及学术规范问题。答题时注意落到“工具应当辅助而非替代人的判断”这个立场上，稳妥且合理。

如果课程涉及“生成式人工智能应用工程师”这类职业能力，考试可能问你能力要求。我理解至少包含：提示词设计与应用编排、模型选型与调用、数据处理与评测、以及安全和合规意识。这些内容即使考到，也多半是开放式论述，把上面几个方向写全就行。

5. 伦理、偏见与职业：那些“看似送分”的论述题

5.1 人工智能偏见是怎么被喂出来的

偏见这道题，很多同学只会写“数据有偏差所以模型有偏差”，太单薄。完整的答法要分三层：数据层、算法层、部署层。

数据层的偏见来自采集和标注。历史数据本身就记录了既有的不平等，比如招聘数据里某类岗位的性别比例失衡，模型学到后就会复制这种失衡。标注环节还有标注者主观性，不同标注员对同一句话的毒性判断可能完全不同。算法层的偏见来自目标函数和特征选择，如果目标函数优化的是“历史点击率”，模型就会倾向于推荐已经被偏好的内容，形成回音室效应。部署层的偏见来自使用场景错配，在A人群上训练的模型直接用到B人群，性能会显著下降。

缓解思路同样分三层：数据上做重采样、去偏、增加多样性；算法上加公平性约束（如人口统计均等、机会均等）、做可解释性分析；部署上做持续监控、留人工复核环节、建立反馈通道。这里有个重要认知：公平性指标之间存在数学上的不可能三角，无法同时满足所有公平定义，所以工程上必须根据场景做取舍，而不是追求“绝对公平”。这个点写进论述题里，会显得你真的思考过。

顺带说一下，模型可解释性也是常考概念。可解释性分为事前（模型本身就是白箱，如决策树、线性回归）和事后（对黑箱做事后解释，如LIME、SHAP、注意力可视化）。答题时把这两类分开写，别混为一谈。

5.2 人工智能训练师到底在做什么

人工智能训练师是近几年比较热的一个职业，考试里可能以名词解释或职业分析的形式出现。核心工作可以概括为：数据采集与清洗、数据标注与审核、模型训练与调优辅助、模型测试与效果评估。这个职业之所以存在，是因为模型能力再强，也离不开高质量数据和人工判断，尤其是需要业务理解、语义判断、价值判断的环节。

它通常设五个等级，从五级到一级依次递进。低等级偏向执行性工作，比如按规范完成图像框选、文本分类标注、数据质量抽检；高等级偏向方案设计，比如制定标注规则、设计质检流程、分析模型错误案例、优化数据策略。职业画像上，它需要的核心能力不是编程，而是耐心、一致性、业务理解和沟通协作能力。

这里要区分一个常见的误解：训练师不等于算法工程师。算法工程师负责模型结构、训练策略、系统实现；训练师负责“让数据可用、让效果可衡量”。两者是协作关系。论述题如果问“人工智能是否会取代这个职业”，比较稳妥的角度是：低技能的重复标注会被自动化工具大量替代，但涉及规则设计、质量把关和价值判断的部分仍需要人，职业本身会向上迁移而非消失。

6. 复习节奏安排与大作业、毕设的衔接

6.1 三天、一周、两周三种节奏怎么排

时间不同，打法完全不同，我按自己的经验给三套方案。

三天极限版：第一天只做两件事——把课程目录抄一遍形成骨架，然后把历年题的题型分类，统计每个知识点出现的频率。第二天主攻计算题，搜索树、贝叶斯、混淆矩阵、反向传播这四类逐个手推一遍，每类至少推三道。第三天背概念，重点背ABC层次、智能体类型、三大范式、评价指标、偏见三层、大模型关键概念。这套方案只求及格以上，不求高分。

一周稳妥版：前两天梳理框架和概念，中间三天专攻计算与推导，第六天做一套完整模拟卷并掐时间，第七天只复习错题和薄弱点。关键点是第六天的模拟必须完整做，包括不会的题也要硬写，目的是训练考场上的时间分配和心态。

两周完整版：第一周按章节推进，每章结束做一张A4知识卡，正面写核心概念，反面写典型题型；第二周只做两件事——横向串联（把搜索、机器学习、神经网络里所有“求最优”的思想串起来）和真题演练。串联这一步很多人会跳过，但它恰恰是把零散知识变成体系的关键。

不管哪种节奏，都有一个共同原则：概念靠重复，计算靠手写，论述靠框架。概念类的东西每天读十分钟比一次性背两小时有效得多；计算题必须动笔，光看会形成“假性掌握”；论述题要准备几个万能框架，比如“技术层—数据层—应用层”或者“优点—局限—改进方向”，考场上直接往里填。

6.2 大作业和毕设怎么顺手接上期末复习

如果你同时还有大作业或者毕设任务，最好把它们和复习打通，而不是当成两件互相抢时间的事。比较常见的选题方向是图像分类（比如猫狗识别这类比赛数据集）、文本情感分析、推荐系统、简单智能体。这些题目本身就把课程里的核心知识串起来了。

做图像分类的话，你会自然用到数据预处理、训练集验证集划分、迁移学习、混淆矩阵、精确率召回率、过拟合处理这些考点。做完一遍，机器学习部分的计算题基本不用单独复习了。做文本分类会用到词袋、TF-IDF、朴素贝叶斯、逻辑回归，正好覆盖概率和分类评价。做智能体会涉及搜索、博弈、强化学习，搜索部分的计算题也一并解决。

如果目标是毕设，建议在大作业基础上做三点延伸：一是换一个更有现实意义的数据集，二是加入对比实验（至少两个基线方法），三是做误差分析而不是只报一个准确率。误差分析是区分“课程作业”和“合格毕设”的分水岭，你需要说清楚模型在哪些样本上失败、为什么失败、可能的改进方向。这三点做完，一篇中等水平的毕业论文的核心内容就有了。

要注意的是，大作业的代码不要直接抄网上的完整项目。可以借鉴结构和思路，但数据处理、参数调整、结果分析必须自己跑一遍。因为答辩和论文里最容易被追问的就是“为什么选这个参数”“这个结果说明了什么”，没亲手做过的人答不上来。

7. 常见问题与考场避坑

7.1 高频问题速查表

下面这些是我见过的、几乎每年都会有人问的问题，整理成速查表：

考前把这十行扫一遍，简答题至少不会出现“完全不知道怎么下笔”的情况。

7.2 考场上最容易丢分的几个习惯

先说第一个：概念题只写定义不写例子。老师出名词解释，往往不是想看你能不能背原文，而是想看你有没有理解。可采纳性除了写定义，加一句“例如直线距离作为真实路径距离的估计就是可采纳的”会明显提升得分。

第二个：计算题不写过程。搜索题只写最终路径、贝叶斯题只写结果、反向传播只写梯度值，这些都会被扣过程分。阅卷老师需要看到你的扩展顺序、公式代入、链式法则的每一步。

第三个：条件概率和联合概率混用。这个前面提过，但每年都有人犯。看到 P(A|B) 就先问自己“这是已知B发生下A的概率”，看到 P(A,B) 就问“这是两者同时发生”。

第四个：论述题写成情绪输出。理由要落到具体机制上，比如偏见来自数据采样，而不是“算法本身有恶意”。落点是技术机制和工程取舍，这样的答案既专业又稳妥。

第五个：时间分配失衡。我的建议是选择题和名词解释控制在总时间的四分之一以内，计算题留足一半，论述题留四分之一。遇到卡住的计算题，先跳过，把会做的全做完再回头啃，这一点比任何复习技巧都值钱。

最后分享一个小方法：进考场前十分钟不要再看新内容，把最容易混的三组概念在脑子里过一遍就够了——可采纳性与一致性、精确率与召回率、监督与强化。这三组基本能覆盖最容易丢分的判断点。真正决定分数的从来不是你多背了多少，而是你少犯了几次本可以避免的错。