2025年人工智能与机器学习课程期末考试题及答案

2025年人工智能与机器学习课程期末考试题及答案考试时长：120分钟满分：100分考试形式：闭卷（编程题可开参考手册）一、选择题（每题2分，共20分）下列关于人工智能发展历程的说法，错误的是（）

A.图灵测试的提出标志着人工智能概念的正式诞生

B.专家系统是早期人工智能的重要应用成果

C.深度学习的兴起得益于大数据和GPU算力的突破

D.强化学习在AlphaGo击败人类围棋选手的过程中得到成功应用

在监督学习中，下列哪种算法属于分类算法（）

A.K-MeansB.线性回归C.决策树D.主成分分析（PCA）

关于损失函数的说法，正确的是（）

A.交叉熵损失函数常用于回归问题

B.均方误差损失函数适用于分类问题

C.损失函数的值越小，说明模型拟合效果越好（排除过拟合情况）

D.所有机器学习模型都必须使用固定的损失函数

下列哪种技术不属于深度学习的核心组件（）

A.卷积层B.全连接层C.支持向量机D.池化层

关于过拟合的说法，错误的是（）

A.过拟合是指模型在训练集上表现好，在测试集上表现差

B.增加训练数据量可以有效缓解过拟合

C.正则化（L1、L2）是解决过拟合的常用方法

D.过拟合问题只存在于深度学习模型中

在强化学习中，智能体与环境交互的核心要素不包括（）

A.状态（State）B.动作（Action）C.损失（Loss）D.奖励（Reward）下列关于卷积神经网络（CNN）的说法，正确的是（）

A.CNN只能处理图像数据，无法处理文本数据

B.卷积操作的核心作用是提取局部特征

C.池化层的主要作用是增加特征图的维度

D.全连接层位于CNN的最前端

关于模型评估指标，下列说法错误的是（）

A.准确率（Accuracy）适用于各类不平衡数据集

B.精确率（Precision）关注预测为正类的样本中实际为正类的比例

C.召回率（Recall）关注实际为正类的样本中被正确预测的比例

D.F1分数是精确率和召回率的调和平均数

下列哪种学习方式不需要标注数据（）

A.半监督学习B.无监督学习C.监督学习D.弱监督学习

关于Transformer模型的说法，正确的是（）

A.Transformer模型的核心是循环神经网络（RNN）

B.自注意力机制是Transformer的核心组件

C.Transformer无法并行计算，训练效率较低

D.Transformer只能用于自然语言处理任务

二、简答题（每题5分，共30分）简述人工智能、机器学习与深度学习三者之间的关系。说明监督学习、无监督学习和强化学习的核心区别，并各举一个典型应用场景。简述梯度下降算法的基本原理，以及随机梯度下降（SGD）与批量梯度下降（BGD）的差异。什么是正则化？L1正则化和L2正则化的区别是什么？它们各自如何缓解过拟合？简述卷积神经网络中卷积层和池化层的作用，为什么CNN在图像识别任务中表现优异？什么是注意力机制？它在自然语言处理或计算机视觉任务中有什么作用？三、分析题（每题10分，共20分）某电商平台计划构建一个用户购买行为预测模型，用于预测用户是否会购买某款商品。请回答以下问题：

（1）该问题属于什么类型的机器学习任务？（2分）

（2）请列举3种适合该任务的算法，并说明选择理由。（4分）

（3）在模型训练过程中，若出现训练集准确率很高但测试集准确率很低的情况，可能是什么原因？如何解决？（4分）

在图像分类任务中，常用的深度学习模型有CNN、ResNet、DenseNet等。请回答以下问题：

（1）传统CNN模型在深度增加时会出现什么问题？（3分）

（2）ResNet模型是如何解决上述问题的？请简述其核心思想和结构。（4分）

（3）与ResNet相比，DenseNet的创新点是什么？（3分）

四、编程题（每题15分，共30分）使用Python实现一个简单的线性回归模型，用于预测房屋价格（已知房屋面积为特征x，房屋价格为标签y）。要求：

（1）手动实现梯度下降优化算法（不使用sklearn等第三方库的线性回归接口）；（8分）

（2）计算模型的均方误差（MSE）作为评估指标；（3分）

（3）给出模型训练过程中的损失变化趋势（可文字描述或绘制示意图思路）。（4分）

使用PyTorch或TensorFlow实现一个简单的卷积神经网络（CNN），用于MNIST手写数字分类。要求：

（1）定义CNN模型结构（包含至少2个卷积层、2个池化层和1个全连接层）；（6分）

（2）设置合理的损失函数、优化器和训练参数（学习率、迭代次数等）；（4分）

（3）实现模型的训练和测试流程，并计算测试集准确率。（5分）

参考答案及评分标准一、选择题（每题2分，共20分）A解析：1956年达特茅斯会议标志着人工智能概念正式诞生，图灵测试是用于判断机器是否具有智能的标准。C解析：K-Means是聚类算法（无监督），线性回归是回归算法（监督），PCA是降维算法（无监督）。C解析：交叉熵损失适用于分类问题，均方误差适用于回归问题；不同模型可根据任务选择不同损失函数。C解析：支持向量机是传统机器学习算法，不属于深度学习核心组件。D解析：过拟合问题存在于所有机器学习模型中，包括传统机器学习和深度学习。C解析：强化学习核心要素包括状态、动作、奖励、策略等，损失是监督学习中的概念。B解析：CNN可处理文本数据（如文本分类的一维卷积）；池化层作用是降维、保留关键特征；全连接层位于CNN后端。A解析：准确率在不平衡数据集上有局限性，例如负样本占比极高时，模型仅预测负样本也能获得高准确率。B解析：无监督学习不需要标注数据，通过挖掘数据内在规律学习；半监督学习和弱监督学习需要少量标注数据。B解析：Transformer核心是自注意力机制，而非RNN；Transformer支持并行计算，训练效率高；可应用于NLP、CV等多个领域。二、简答题（每题5分，共30分）参考答案：

（1）人工智能是上位概念，旨在让机器具备人类级别的智能；（1分）

（2）机器学习是实现人工智能的核心技术之一，通过数据训练让模型从经验中学习，无需显式编程；（2分）

（3）深度学习是机器学习的一个分支，基于深度神经网络（多层感知机），擅长处理海量数据，是当前人工智能领域的研究热点。（2分）

关系总结：深度学习⊂机器学习⊂人工智能。

参考答案：

核心区别：数据标注要求不同，学习目标不同。（1分）

（1）监督学习：需要带标注的训练数据，学习输入到输出的映射关系；应用场景：图像分类、垃圾邮件识别、房价预测。（1.5分）

（2）无监督学习：不需要标注数据，学习数据的内在结构和规律；应用场景：用户聚类、异常检测、数据降维（PCA）。（1.5分）

（3）强化学习：通过智能体与环境交互获得奖励信号，学习最优决策策略；应用场景：自动驾驶、机器人控制、游戏AI（AlphaGo）。（1分）

参考答案：

基本原理：梯度下降是一种优化算法，通过沿损失函数的负梯度方向迭代更新模型参数，使损失函数值最小化，找到最优参数解。（2分）

差异：

（1）批量梯度下降（BGD）：每次迭代使用全部训练数据计算梯度，优点是梯度估计准确、收敛稳定，缺点是计算量大、训练效率低，不适合大数据集。（1.5分）

（2）随机梯度下降（SGD）：每次迭代使用单个训练样本计算梯度，优点是计算量小、训练速度快，适合大数据集，缺点是梯度波动大、收敛不稳定，可能在最优解附近震荡。（1.5分）

参考答案：

正则化：在模型损失函数中加入正则项，限制模型参数的取值范围，降低模型复杂度，从而缓解过拟合。（1分）

区别及缓解过拟合机制：

（1）L1正则化：正则项为参数的绝对值之和，会使部分参数变为0，实现特征选择，将复杂模型简化为稀疏模型，从而缓解过拟合。（2分）

（2）L2正则化：正则项为参数的平方和，会使参数值整体变小但不会为0，降低模型对个别特征的敏感度，使模型更加平滑，从而缓解过拟合。（2分）

参考答案：

（1）卷积层作用：提取图像的局部特征（如边缘、纹理、形状等），通过权值共享减少模型参数，降低计算量。（1.5分）

（2）池化层作用：对卷积提取的特征图进行降维，保留关键特征，减少参数数量和计算量，同时提高模型的平移不变性（对图像微小位移不敏感）。（1.5分）

（3）CNN在图像识别中表现优异的原因：①权值共享大幅减少参数，降低过拟合风险；②局部感受野能够有效捕捉图像局部特征；③池化层增强模型的鲁棒性；④深层结构可逐层提取从低级到高级的特征（如从边缘到物体轮廓再到完整物体），符合人类视觉认知规律。（2分）

参考答案：

注意力机制：模拟人类视觉和认知中的注意力分配机制，在处理输入数据时，自动聚焦于重要的信息，给予其更高的权重，同时忽略不重要的信息。（2分）

作用：

（1）自然语言处理：在机器翻译、文本摘要等任务中，可捕捉文本中词语之间的依赖关系（如长距离依赖），明确上下文语义关联，提升模型对语义的理解能力。（1.5分）

（2）计算机视觉：在图像分类、目标检测等任务中，可聚焦于图像中的关键区域（如目标物体），减少背景噪声干扰，提高模型对目标的识别精度。（1.5分）

三、分析题（每题10分，共20分）参考答案：

（1）该问题属于二分类任务（预测“购买”或“不购买”两个类别）。（2分）

（2）适合的算法及理由：

①逻辑回归：模型简单、训练速度快，可解释性强，能输出概率值，便于判断用户购买的可能性；适合处理线性可分的特征数据。（1.5分）

②决策树：可处理非线性特征关系，无需对数据进行复杂预处理（如归一化），能自动学习特征交互关系，可解释性强，适合电商用户行为数据的复杂特征场景。（1.5分）

③随机森林：基于多个决策树集成，降低了单一决策树的过拟合风险，泛化能力更强，对异常值和噪声数据具有较好的鲁棒性，适合处理海量电商用户数据。（1分）

（3）原因：出现过拟合现象，模型在训练集上过度学习了数据的规律，包括噪声和异常值，导致在未见过的测试集上泛化能力差。（2分）

解决方法：①增加训练数据量，让模型学习更通用的规律；②采用正则化技术（L1、L2）限制模型复杂度；③对模型进行剪枝（如决策树剪枝）；④采用集成学习方法（如随机森林、梯度提升树）；⑤降低模型复杂度（如减少决策树深度、减少神经网络层数）。（2分，答对4点即可）

参考答案：

（1）传统CNN模型深度增加时会出现梯度消失或梯度爆炸问题，导致模型无法有效训练；同时会出现过拟合和训练效率下降的问题，随着深度增加，模型性能可能达到瓶颈后反而下降。（3分）

（2）ResNet通过引入残差连接（ResidualConnection）解决梯度消失/爆炸问题。（1分）

核心思想：允许网络直接跳过部分卷积层，将浅层特征直接传递到深层，使深层网络可以学习残差映射（即输入与输出的差值），而非直接学习复杂的映射关系。当模型深度增加时，残差连接可让梯度通过“shortcut”直接反向传播到浅层，避免梯度消失。（2分）

结构：基本残差块由两个卷积层、批量归一化（BN）层和ReLU激活函数组成，同时包含一条从输入到输出的shortcut路径（当输入输出维度不同时，通过1×1卷积调整维度）。多个残差块堆叠形成深层ResNet模型。（1分）

（3）DenseNet的创新点是引入密集连接（DenseConnection）：每个卷积层的输出都会作为后续所有卷积层的输入，形成“稠密”的连接关系。（1分）

与ResNet的残差连接（仅传递前一层或几层的特征）不同，DenseNet的密集连接可充分复用前面所有层的特征，提升特征传播效率，减少参数冗余；同时通过特征融合增强模型的表达能力，缓解过拟合问题。此外，DenseNet通过1×1卷积实现特征降维，解决了密集连接带来的计算量增大问题。（2分）

四、编程题（每题15分，共30分）参考答案（Python实现）：

```python

importnumpyasnp

importmatplotlib.pyplotasplt

#1.生成模拟数据（房屋面积x，房屋价格y）

np.random.seed(42)#固定随机种子，保证结果可复现

x=np.random.rand(100,1)*10#房屋面积：0-10㎡，100个样本

y=2*x+5+np.random.randn(100,1)*0.5#真实模型：y=2x+5+噪声

#2.手动实现线性回归（y=wx+b）与梯度下降

classLinearRegressionGD:

def__init__(self,learning_rate=0.01,n_iterations=1000):

self.lr=learning_rate#学习率

self.n_iters=n_iterations#迭代次数

self.w=None#权重

self.b=None#偏置

self.loss_history=[]#记录损失变化

deffit(self,X,y):

n_samples,n_features=X.shape

#初始化参数

self.w=np.zeros((n_features,1))

self.b=0

#梯度下降迭代

for_inrange(self.n_iters):

#预测值

y_pred=np.dot(X,self.w)+self.b

#计算均方误差（MSE）

mse=np.mean((y_pred-y)**2)

self.loss_history.append(mse)

#计算梯度

dw=(2/n_samples)*np.dot(X.T,(y_pred-y))

db=(2/n_samples)*np.sum(y_pred-y)

#更新参数

self.w-=self.lr*dw

self.b-=self.lr*db

defpredict(self,X):

returnnp.dot(X,self.w)+self.b

#3.模型训练

model=LinearRegressionGD(learning_rate=0.05,n_iterations=500)

model.fit(x,y)

#4.计算测试集MSE（此处用训练集演示，实际应划分训练/测试集）

y_pred=model.predict(x)

test_mse=np.mean((y_pred-y)**2)

print(f"模型参数：w={model.w[0][0]:.4f},b={model.b:.4f}")

print(f"测试集均方误差（MSE）：{test_mse:.4f}")

#5.绘制损失变化趋势

plt.plot(range(model.n_iters),model.loss_history)

plt.xlabel("Iteration")

plt.ylabel("MSELoss")

plt.title("LossChangeDuringTraining")

plt.show()

```

评分标准：

（1）梯度下降实现（8分）：参数初始化正确（1分）、预测值计算正确（1分）、MSE损失计算正确（1分）、梯度计算正确（2分）、参数更新逻辑正确（2分）、训练流程完整（1分）；

（2）MSE计算（3分）：正确实现预测值与真实值的均方误差计算，输出结果合理；

（3）损失变化趋势（4分）：正确记录训练过程中的损失值（2分），能通过绘图或文字描述损失随迭代次数递减的趋势（2分，文字描述示例：随着迭代次数增加，MSE损失逐渐降低，最终趋于稳定）。

参考答案（PyTorch实现）：

```python

importtorch

importtorch.nnasnn

importtorch.optimasoptim

fromtorchvisionimportdatasets,transforms

fromtorch.utils.dataimportDataLoader

#1.数据预处理与加载

transform=transforms.Compose([

transforms.ToTensor(),#转换为Tensor，归一化到[0,1]

transforms.Normalize((0.1307,),(0.3081,))#MNIST数据集均值和标准差

])

#加载MNIST数据集

train_dataset=datasets.MNIST(root='.data',train=True,download=True,transform=transform)

test_dataset=datasets.MNIST(root='./data',train=False,download=True,transform=transform)

#数据加载器

train_loader=DataLoader(train_dataset,batch_size=64,shuffle=True)

test_loader=DataLoader(test_dataset,batch_size=64,shuffle=False)

#2.定义CNN模型结构

classSimpleCNN(nn.Module):

def__init__(self):

super(SimpleCNN,self).__init__()

#卷积层1：输入1通道（灰度图），输出16通道，卷积核3×3，步长1，padding=1

self.conv1=nn.Conv2d(1,16,3,1,1)

#池化层1：最大池化，核2×2，步长2

self.pool1=nn.MaxPool2d(2,2)

#卷积层2：输入16通道，输出32通道，卷积核3×3，步长1，padding=1

self.conv2=nn.Conv2d(16,32,3,1,1)

#池化层2：最大池化，核2×2，步长2

self.pool2=nn.MaxPool2d(2,2)

#全连接层1：输入维度32×7×7（MNIST图像28×28，经过两次池化后变为7×7），输出128

self.fc1=nn.Linear(32*7*7,128)

#全连接层2：输出10个类别（0-9）

self.fc2=nn.Linear(128,10)

#ReLU激活函数

self.relu=nn.ReLU()

defforward(self,x):

x=self.pool1(self.relu(self.conv1(x)))#conv1->ReLU->pool1

x=self.pool2(self.relu(self.conv2(x)))#conv2->ReLU->pool2

x=x.view(-1,32*7*7)#展平特征图

x=self.relu(self.fc1(x))#fc1->ReLU

x=self.fc2(x)#fc2输出

returnx

#3.模型初始化、损失函数与优化器设置

device=torch.device('cuda'iftorch.cuda.is_available()else'cpu')#优先使用GPU

model=SimpleCNN().to(device)

criterion=nn.CrossEntropyLoss()#交叉熵损失函数（适用于分类任务）

optimizer=optim.Adam(model.parameters(),lr=0.001)#Adam优化器，学习率0.001

#4.模型训练

n_epochs=5#迭代次数

model.train()#训练模式

forepochinrange(n_epochs):

running_loss=0.0

forbatch_idx,(data,target)inenumerate(train_loader):

data,target=data.to(device),target.to(device)

#前向传播

outputs=model(data)

loss=criterion(outputs,target)

#反向传播与参数更新