其实考研 的人工智能的问题并不复杂，但是又很多的朋友都不太了解考研 的人工智能考什么，因此呢，今天小编就来为大家分享考研 的人工智能的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！
本文目录
考研跨考人工智能
人工智能是属于计算机门类。
清华、中科院、哈工大、南京大学、浙大、中科大等这几个学校都是很强的。
北航2023年人工智能考研大纲
1、842人工智能基础综合试题含信号与系统、算法设计与分析和机器学习三门课程的内容。所有课程均不指定参考书。
2、试题总分为150分，每门课试题满分50分，三门课程的试题均计入考试成绩。
《信号与系统》考试大纲（50分）
一、复习要点
（一）信号与系统绪论
(1)信号与系统的概念；
(2)信号的描述、分类及常用信号；
(3)信号的基本运算。
（二）正交函数集与正交分解
(1)信号分解的物理意义；
(2)正交函数集；
(3)信号在正交函数集上的分解。
（三）连续周期信号的傅里叶级数
(1)连续周期信号在三角函数集上展开；
(2)连续周期信号傅里叶级数；
(3)有限项傅里叶级数与均方误差。
（四）连续信号的傅里叶变换
(1)非周期连续信号的傅里叶变换；
(2)典型信号的傅里叶变换；
(3)傅里叶变换的基本性质；
(4)周期信号的傅里叶变换。
（五）拉氏变换
(1)拉氏变换的定义、物理意义；
(2)拉氏变换的基本性质；
(3)拉氏逆变换；
(4)双边拉氏变换。
（六）连续时间系统的时域分析
(1)系统的概念、表示与分类；
(2)LTI系统分析方法概述；
(3)连续系统的时域经典分析法；
(4)零输入响应与零状态响应；
(5)卷积的定义与性质；
(6)卷积法求解系统响应。
（七）连续时间系统的S域分析
(1)系统函数；
(2)由系统函数零、极点分布分析时域特性；
(3)线性系统的稳定性分析。
（八）离散时间系统的时域分析
(1)离散时间信号（序列）及其表示；
(2)典型离散时间信号；
(3)离散时间信号的基本运算；
(4)离散时间系统的基本概念描述与分类；
(5)系统冲激响应函数的求解。
（九）离散时间系统的Z域分析
(1)z变换及其收敛域；
(2)典型序列的z变换；
(3)逆z变换；
(4)z变换的基本性质；
(5)系统函数与z域分析。
（十）离散信号的傅里叶分析
(1)离散周期信号的傅里叶级数DFS；
(2)序列的傅里叶变换离散时间傅里叶变换DTFT；
(3)离散傅里叶变换DFT；
(4)快速傅里叶变换FFT。
（十一）傅里叶变换及其图像处理应用
(1)数字图像简介；
(2)二维离散傅里叶变换2DDFT及其性质；
(3)2DDFT在图像处理中的应用。
《算法设计与分析》考试大纲（50分）
一、整体要求
(一)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；
(二)能够熟练采用渐近上界、渐近下界与渐近紧确界分析算法的运行时间；
(三)掌握算法设计的常用方法，包括分而治之、动态规划、贪心、近似算法；掌握图的基本概念和重要的基础图算法；
(四)掌握计算复杂性的基本概念和证明P类、NP类问题的方法；
(五)具有对简单计算问题的建模、分析、算法设计、算法优化和编程求解能力。
二、复习要点
(一)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）比较具有不同渐近上界的算法的效率；
（4）递归函数的运行时间分析。
（二）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）分治算法
（2）动态规划算法
（3）贪心算法
（4）近似算法
（三）图算法
（1）图的基本概念和基本性质；
（2）图的表示方法；
（3）图的遍历与搜索方法；
（4）最小生成树和最短路径等图具体问题算法。
（四）计算复杂性
（1）计算复杂性的基本概念，如判定问题、优化问题等；
（2）P类和NP类问题的定义和证明。
《机器学习》考试大纲（50分）
一、复习要点
（一）机器学习基础算法：（1）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）神经网络与深度学习：（1）线性分类器-感知机等；（2）传统神经网络-BP算法等；（3）深度学习-卷积神经网络等。
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。理解神经网络的反传算法基本原理、能够根据具体简单的网络实例写出反传公式的基本形式。了解经典深度神经网络模型、以及前沿技术，主要掌握卷积神经网络；理解卷积神经网络的构建过程、包括卷积操作的定义、Pooling操作的定义等。
（三）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。
计算机专业想考研人工智能方向需要做哪些准备？
现在人工智能是热门领域，很多计算机专业的同学在读研时会选择人工智能相关的方向，我从考研和科研这两个角度来说说我的建议。
首先，对于计算机专业的同学来说，如果未来读研期间想主攻人工智能相关的方向，应该重视三方面知识的学习，分别是编程语言、算法、机器学习。
当前人工智能有六大主要研究方向，涉及到机器学习、知识表示、自动推理、计算机视觉、自然语言处理和机器人，其中机器学习是打开人工智能大门的钥匙，所以应该在本科期间就积累一些机器学习相关的基础。
学习人工智能相关的知识对于场景的要求是相对比较高的，因为人工智能需要有数据和算力的支撑，所以建议在本科期间积极参与一些人工智能相关的课题组，这样既能够给自己带来一个比较好的实践场景，同时也会有一个比较好的交流氛围。
当前计算机专业是考研的热门专业，除了要重视初试之外，还需要重视复试，而复试考察的范围会更广，导师也会重点关注学生的科研基础。
以我个人为例，我在复试环节会重点考察学生的知识结构、科研实践经历、项目实践经历和专业竞赛经历。
对于计算机专业的同学来说，知识结构通常并不会有太大的问题，但是科研、项目和专业竞赛往往是考生之间拉开差距的重要原因。
如果没有实践经历，这是比较明显的缺项，我是会有相应扣分的，但是如果科研有成果（文章、专利等），项目有落地，竞赛有成绩（国赛一二等奖），那么会有相应的加分，这一减一加之间的差距就拉大了。
当然了，考研的目标学校对于能否成功上岸也是有直接影响的，如果目标学校的学科实力并不突出，通常复试的竞争也不会太激烈。
考虑到很多同学并没有参加实践的渠道，我联合一些985大学的导师和互联网大厂的企业导师，共同搭建了一个线上的实践平台，在陆续开展前后端开发、大数据、人工智能相关的实践活动，感兴趣的同学可以联系我申请参与，相信一定会有所收获。
最后，如果有计算机相关的学习和科研等问题，欢迎与我交流。
智能制造考研可考人工智能吗
可考人工智能
智能制造工程专业是非常典型的交叉科学，牵涉到机械自动化、控制技术、电子信息技术、互联网、嵌入式技术和人工智能应用等。这种层面全是可以考研究生的，实际还需要要以官方网发布为标准。智能制造工程专业是非常新的技术专业，与互联网大数据、人工智能专业一样，全是为了更好地融入产业结构升级而发布的技术专业，从发展前景看来，智能制造工程专业是非常好的挑选。
如果你还想了解更多这方面的信息，记得收藏关注本站。