智能系统课程考试之前做的总结，教授喜欢出各种简答题，所以本文主要是各种算法的优缺点、使用场景、复杂度。另外因为是德语考试，所以除了中文以外的内容大多是德语。
| 算法 | BS 广度优先搜索 | TS 深度优先搜索 | TBS 深度限制搜索 | IV 迭代加深搜索 |
|---|---|---|---|---|
| 完整性 | 是 | 否（树高有限时“是”） | 是（t \ge d） |
是 |
| 最优 | 是 | 否 | 否 | 是 |
| 时间复杂度 | b^d |
b^m |
b^t |
b^d |
| 空间复杂度 | b^d |
bm |
bt |
bd |
b：分支因数
d：解的深度
m：树高
t：限制深度
完整性和最优性条件：
树高有限则深度优先搜索完整，否则不具有完整性。
IV具有BS的时间复杂度，同时又有更好的空间复杂度。
智能系统课程关于神经网络的第一部分，讲解了权重优化问题，介绍了线性函数的闭式解和梯度下降法。
对于线性函数
f_{w_0, w_1}(x) = w_1x + w_0 = y确定w_0和w_1，使得f_{w_0, w_1}(x)更好地拟合已有的数据。
损失函数可以采用和方差或均方差的形式，教授在课件中使用的是和方差形式，在代码中用了均方差。
和方差：
Loss(f_w) = \sum\limits_{i = 1}^N (y_i - f_w(x_i))^2均方差：
Loss(f_w) = \frac{1}{n} \sum\limits_{i = 1}^N (y_i - f_w(x_i))^2另外通常引入常系数\frac{1}{2}来抵消求导之后的系数2，方便计算。教授在课件中使用了该常系数但代码中没有，导致代码中带有一项2.0/n。
带有系数\frac{1}{2}的和方差损失函数：
Loss(f_w) = \frac{1}{2} \sum\limits_{i = 1}^N (y_i - f_w(x_i))^2带有系数\frac{1}{2}的均方差损失函数：
Loss(f_w) = \frac{1}{2n} \sum\limits_{i = 1}^N (y_i - f_w(x_i))^2