2025年人工智能mooc试题及答案

2025年人工智能mooc试题及答案一、单项选择题（共20题，每题2分，共40分）1.以下哪种机器学习任务属于无监督学习？A.预测房价（连续值）B.图像分类（标注类别）C.用户聚类（无标注数据）D.垃圾邮件检测（二分类）2.在深度学习中，使用ReLU激活函数的主要目的是：A.解决梯度消失问题B.增加模型非线性表达能力C.提高计算效率D.以上均正确3.自然语言处理（NLP）中，“词向量（WordEmbedding）”的核心作用是：A.将文本转换为固定长度的向量B.捕捉词语之间的语义关联C.降低文本数据维度D.以上都是4.卷积神经网络（CNN）中，“感受野（ReceptiveField）”指的是：A.输入图像中与某个特征图神经元相关联的区域大小B.卷积核的尺寸C.池化操作的步长D.全连接层的神经元数量5.以下哪种算法不属于强化学习的典型框架？A.Q-learningB.策略梯度（PolicyGradient）C.反向传播（Backpropagation）D.DQN（深度Q网络）6.在训练神经网络时，若验证集准确率远低于训练集准确率，最可能的原因是：A.学习率过低B.模型欠拟合C.模型过拟合D.数据预处理错误7.Transformer模型中，“多头注意力（Multi-HeadAttention）”的设计目的是：A.并行处理不同子空间的注意力信息B.减少计算复杂度C.增强位置编码的效果D.替代循环神经网络（RNN）8.以下哪项是生成对抗网络（GAN）的核心思想？A.通过两个网络（生成器与判别器）的对抗优化提升生成质量B.使用自编码器重构输入数据C.基于强化学习最大化奖励函数D.通过迁移学习复用预训练模型9.在机器学习中，“偏差-方差权衡（Bias-VarianceTradeoff）”指的是：A.模型复杂度增加时，偏差降低但方差可能升高B.数据量增加时，偏差和方差都会降低C.正则化参数增大时，偏差和方差同时降低D.以上均不正确10.计算机视觉中，“目标检测（ObjectDetection）”与“图像分类（ImageClassification）”的主要区别是：A.目标检测需要定位目标位置，分类只需判断整体类别B.目标检测使用CNN，分类使用RNNC.目标检测输出概率分布，分类输出边界框D.目标检测数据量更大11.以下哪种损失函数适用于二分类任务？A.均方误差（MSE）B.交叉熵损失（Cross-Entropy）C.绝对误差（MAE）D.铰链损失（HingeLoss）12.关于“过拟合（Overfitting）”的解决方法，错误的是：A.增加训练数据量B.降低模型复杂度C.增大学习率D.使用正则化（如L2正则）13.自然语言处理中的“注意力机制（Attention）”最主要的作用是：A.捕捉长距离依赖关系B.减少参数量C.加速训练过程D.替代循环神经网络14.在强化学习中，“奖励函数（RewardFunction）”的作用是：A.定义智能体的目标B.优化策略网络参数C.存储经验数据D.评估状态价值15.以下哪种技术属于迁移学习（TransferLearning）的应用？A.使用预训练的BERT模型微调完成情感分析任务B.对图像数据进行归一化处理C.用随机梯度下降训练神经网络D.构建卷积神经网络提取图像特征16.关于“梯度下降（GradientDescent）”的描述，错误的是：A.批量梯度下降（BatchGD）计算全局梯度，训练稳定但速度慢B.随机梯度下降（SGD）计算单个样本梯度，训练速度快但波动大C.小批量梯度下降（Mini-batchGD）综合了两者的优点D.梯度下降的目标是最小化损失函数的梯度17.生成式模型与判别式模型的主要区别是：A.生成式模型学习数据分布P(X,Y)，判别式模型学习决策边界P(Y|X)B.生成式模型只能用于分类，判别式模型可用于回归C.生成式模型参数更少，判别式模型更复杂D.以上均不正确18.在计算机视觉中，“语义分割（SemanticSegmentation）”的任务是：A.为图像中每个像素分配类别标签B.检测图像中所有目标的位置和类别C.生成与输入图像风格不同的新图像D.对图像进行超分辨率重建19.以下哪种算法属于集成学习（EnsembleLearning）？A.支持向量机（SVM）B.随机森林（RandomForest）C.K近邻（KNN）D.逻辑回归（LogisticRegression）20.人工智能伦理中，“算法公平性（AlgorithmFairness）”的核心要求是：A.算法结果不应对特定群体（如性别、种族）产生系统性偏见B.算法必须可解释C.算法需保护用户隐私D.算法运行速度足够快二、填空题（共10题，每题2分，共20分）1.机器学习中，将数据分为训练集、验证集和测试集的主要目的是__________。2.深度学习中，“批量归一化（BatchNormalization）”的作用是__________。3.Transformer模型的输入需要同时包含词向量和__________以捕捉序列顺序信息。4.强化学习的三要素是__________、状态（State）和奖励（Reward）。5.自然语言处理中，“分词（Tokenization）”的作用是将连续文本分割为__________。6.卷积神经网络中，“池化（Pooling）”操作的主要目的是__________。7.生成对抗网络（GAN）由生成器（Generator）和__________两部分组成。8.监督学习中，若标签为连续数值，任务属于__________；若标签为离散类别，属于__________。9.机器学习中，“特征工程（FeatureEngineering）”的核心是从原始数据中提取__________。10.人工智能伦理的“可解释性（Explainability）”要求模型输出结果能够__________。三、简答题（共5题，每题8分，共40分）1.简述梯度下降（GradientDescent）的三种主要变体（批量、随机、小批量）的区别及适用场景。2.解释“过拟合”和“欠拟合”的概念，并说明如何通过验证集曲线判断模型处于哪种状态。3.对比循环神经网络（RNN）与Transformer模型在处理序列数据时的优缺点。4.自然语言处理中，为什么预训练模型（如BERT）能显著提升下游任务性能？5.列举人工智能伦理的三个核心问题，并分别简要说明其影响。四、综合分析题（共2题，每题20分，共40分）1.某医疗AI公司开发了一款基于CNN的皮肤癌诊断模型，训练数据来自欧美白人患者的皮肤图像，测试时发现对深色皮肤患者的诊断准确率显著低于白人患者。（1）分析可能导致这一现象的原因；（2）提出至少三种改进方案，并说明其原理。2.某电商平台计划用深度学习模型优化商品推荐系统，当前使用的协同过滤算法存在“冷启动”（新用户/新商品无交互数据时推荐效果差）问题。（1）解释“冷启动”问题的本质；（2）设计一个基于深度学习的解决方案（需包含模型架构、关键技术及数据来源）；（3）说明如何评估新推荐系统的效果（需列出至少3个评估指标）。答案一、单项选择题1-5:CDDAC6-10:CAAAA11-15:BCAAA16-20:DAABA二、填空题1.评估模型泛化能力（避免过拟合）2.加速训练、减少内部协变量偏移（InternalCovariateShift）3.位置编码（PositionEmbedding）4.策略（Policy）5.独立的语义单元（如词语、子词）6.降低特征图维度（平移不变性）、减少计算量7.判别器（Discriminator）8.回归任务；分类任务9.对目标任务有预测能力的特征10.被人类理解（或“解释决策逻辑”）三、简答题1.三种变体区别及适用场景：-批量梯度下降（BatchGD）：使用全部训练数据计算梯度，梯度更新稳定但计算成本高，适用于小数据集或需要精确优化的场景。-随机梯度下降（SGD）：仅用单个样本计算梯度，更新速度快但波动大（可能陷入局部最优），适用于大数据集或在线学习场景。-小批量梯度下降（Mini-batchGD）：使用部分样本（如32-256个）计算梯度，平衡了速度与稳定性，是实际中最常用的变体。2.过拟合与欠拟合：-过拟合：模型在训练集上表现好（损失低、准确率高），但在测试集上表现差（泛化能力弱），通常因模型复杂度过高或数据量不足。-欠拟合：模型在训练集和测试集上表现均差（损失高、准确率低），通常因模型复杂度不足或特征表达能力弱。-验证集曲线判断：若训练损失持续下降而验证损失先降后升，模型过拟合；若训练损失和验证损失均居高不下，模型欠拟合。3.RNN与Transformer对比：-RNN优点：通过循环结构捕捉序列顺序信息，适合处理变长序列；缺点：长距离依赖问题（梯度消失/爆炸）、并行计算能力差。-Transformer优点：通过自注意力机制直接建模序列中任意位置的依赖关系，支持并行计算（效率高）；缺点：参数量大（尤其长序列时）、需要显式位置编码。4.预训练模型提升下游任务的原因：-预训练阶段在大规模无标注文本上学习通用语义表示（如上下文相关的词向量），捕捉了语言的统计规律和语义关联；-下游任务只需在预训练模型基础上微调（Fine-tuning），减少了对标注数据的需求；-模型深度（如BERT的12/24层）提供了更强的特征提取能力，能处理复杂语义任务（如问答、文本蕴含）。5.人工智能伦理核心问题：-算法偏见：训练数据中存在对特定群体的歧视（如招聘数据中女性薪资偏低），导致模型输出不公平结果（如拒绝女性求职者）；-隐私泄露：模型可能从训练数据中提取用户敏感信息（如医疗记录、位置数据），或通过对抗攻击（MembershipInference）推断用户隐私；-责任归属：AI决策（如自动驾驶事故、医疗诊断错误）的法律责任难以界定，需明确开发者、使用者、算法本身的责任边界。四、综合分析题1.（1）原因分析：-数据偏差：训练数据集中深色皮肤样本比例低或分布不均衡，模型未学习到该群体的皮肤特征；-特征提取不足：CNN的卷积核可能更关注白人皮肤的典型病变特征（如颜色对比度），对深色皮肤的病变边界或纹理不敏感；-评估指标单一：测试集未包含足够深色皮肤样本，导致模型在开发阶段未暴露问题。（2）改进方案：-数据增强：收集或合成深色皮肤患者的皮肤图像（如通过GAN生成），平衡训练集的种族分布；-特征归一化：对图像进行颜色空间转换（如从RGB转HSV），减少肤色对病变区域的干扰，增强纹理特征提取；-公平性约束：在损失函数中加入公平性指标（如不同种族群体的准确率差异），优化时同时最小化总损失和群体间偏差（如使用对抗公平性训练，让模型无法区分种族信息）。2.（1）冷启动本质：新用户/商品缺乏历史交互数据，协同过滤无法通过相似性计算生成推荐，导致推荐结果不准确或无意义。（2）深度学习解决方案：-模型架构：采用“多模态融合的深度神经网络”，包含用户侧（人口属性、搜索关键词）、商品侧（文本描述、图像特征）和交互侧（点击/购买日志）三个分支，通过注意力机制融合多源信息；-关键技术：-用户特征：用BERT对搜索关键词进行编码，结合年龄、性别等结构化数据（通过MLP处理）；-商品特征：用CNN提取商品图像特征，用TF-IDF或预训练词向量处理文本描述；-交互特征：用Transformer建模用户历史行为序列（如最近10次点击