在线网课学习课堂《人工智能原理》单元测试考核答案

在线网课学习课堂《人工智能原理》单元测试考核答案一、单项选择题（每题2分，共20分）1.在深度学习中，若某全连接层输入维度为512，输出维度为256，则该层可训练参数量（含偏置）为A.131072  B.131328  C.262144  D.2624002.下列关于A搜索算法的描述，正确的是2.下列关于A搜索算法的描述，正确的是A.可保证找到全局最优解，当且仅当启发函数h(n)满足一致性B.时间复杂度一定低于Dijkstra算法C.启发函数h(n)=0时，A退化为广度优先搜索C.启发函数h(n)=0时，A退化为广度优先搜索D.使用闭合表（closedlist）会导致算法丧失完备性3.在强化学习中，若智能体采用ε-greedy策略且ε=0.1，则在一次状态s下选择最优动作的概率为A.0.1  B.0.9  C.0.81  D.0.994.卷积神经网络中，若输入张量尺寸为1×32×32（C×H×W），使用16个5×5卷积核，stride=1，padding=2，则输出特征图尺寸为A.16×30×30  B.16×32×32  C.16×28×28  D.16×34×345.下列哪种方法最适合处理高维连续空间中的强化学习问题A.Q-learning查表法  B.蒙特卡罗树搜索  C.深度确定性策略梯度（DDPG）  D.最小最大搜索6.在朴素贝叶斯分类器中，若某特征在训练集中从未与某类别同时出现，则直接计算后验概率会导致A.过拟合  B.下溢  C.零概率问题  D.梯度消失7.关于Transformer自注意力机制，下列说法错误的是A.查询向量Q与键向量K的点积决定注意力权重B.缩放点积注意力的缩放因子为√d_kC.多头机制允许模型在不同子空间关注不同位置D.自注意力无法捕捉序列中单词的顺序信息，因此无需位置编码8.若某支持向量机采用RBF核K(x,x′)=exp(−γ∥x−x′∥²)，当γ→+∞时，模型倾向于A.欠拟合  B.鲁棒性增强  C.决策边界接近线性  D.过拟合9.在生成对抗网络中，若判别器D损失快速收敛到0，则生成器G的梯度通常A.消失  B.爆炸  C.呈正态分布  D.呈均匀分布10.下列关于Bagging与Boosting的比较，正确的是A.Bagging可降低偏差，Boosting可降低方差B.Bagging基学习器可并行训练，Boosting需顺序训练C.Bagging对噪声数据更敏感D.Boosting的基学习器必须采用深度决策树二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列哪些技术可用于缓解深度网络过拟合A.Dropout  B.L2权重衰减  C.BatchNormalization  D.早停（Earlystopping）  E.增加网络深度12.关于马尔可夫决策过程（MDP），以下哪些要素属于五元组描述A.状态空间S  B.动作空间A  C.转移概率P  D.奖励函数R  E.策略π13.在循环神经网络（RNN）中，梯度爆炸的常用解决方案包括A.梯度裁剪（Gradientclipping）  B.使用LSTM单元  C.使用GRU单元  D.增大学习率  E.采用ReLU激活14.以下哪些评价指标适用于类别不平衡的二分类任务A.准确率（Accuracy）  B.F1-score  C.AUC-ROC  D.平均精度（AP）  E.对数损失（Log-loss）15.关于知识图谱嵌入（TransE）模型，正确的有A.将实体与关系表示为同一向量空间中的向量B.对1-N关系建模效果较差C.评分函数为∥h+r−t∥₂D.采用负采样训练E.可天然处理对称关系三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.梯度下降法在凸优化问题中保证收敛到全局最优解。17.在K-means算法中，聚类中心一定位于某个样本点上。18.使用ReLU激活函数的深度网络一定不会发生梯度消失。19.集成学习中，若基学习器完全独立，则Bagging的方差降低效果最佳。20.图灵测试的核心指标是机器能否在5分钟内让人类误判率超过30%。21.贝叶斯网络中，若两节点被一条有向边连接，则它们一定存在因果关系。22.在AlphaGoZero中，蒙特卡罗树搜索与深度残差网络共同指导动作选择。23.词袋模型（Bag-of-Words）考虑了词语在文档中的顺序信息。24.采用批量归一化后，网络对学习率的敏感度显著下降。25.在联邦学习框架下，原始数据始终保留在本地设备，仅上传加密梯度。四、填空题（每空2分，共10分）26.若某卷积层输出尺寸为64×64，采用2×2最大池化后，尺寸变为________。27.在信息论中，事件X发生概率为p，则其自信息量为________（用p表示）。28.若某决策树采用基尼系数作为划分准则，则二分类问题中，节点基尼系数最大值为________。29.强化学习中，Q-learning更新公式为Q(s,a)←Q(s,a)+α[________+γmax_{a′}Q(s′,a′)−Q(s,a)]。30.若某深度网络使用Adam优化器，其默认超参数β₁=0.9，β₂=________。五、简答题（每题6分，共18分）31.阐述梯度消失与梯度爆炸的产生机理，并分别给出至少两种缓解策略。32.对比卷积神经网络（CNN）与循环神经网络（RNN）在序列建模任务中的优缺点，并说明为何Transformer能够兼顾两者优势。33.解释强化学习中“探索-利用”困境，并列举三种常用平衡方法。六、计算与推导题（共27分）34.（8分）给定二维数据集：正例{(0,0),(1,1)}，负例{(0,1),(1,0)}。试用感知机学习规则（初始权重w=(0,0)，偏置b=0，学习率η=1）完成一轮迭代，写出更新后的参数并给出分离直线方程。35.（9分）设随机变量X服从二项分布B(n=10,p=0.3)，试用最大似然估计推导p的估计量\hat{p}_{MLE}，并计算当观测到k=4次成功时的具体估计值。36.（10分）在隐马尔可夫模型中，已知状态空间{S₁,S₂}，观测空间{O₁,O₂}，初始概率π=(0.6,0.4)，转移矩阵A=[[0.7,0.3],[0.4,0.6]]，发射矩阵B=[[0.5,0.5],[0.2,0.8]]。给定观测序列O=(O₁,O₂)，计算前向概率α₂(S₁)与α₂(S₂)，并给出递推公式与中间步骤。七、综合应用题（共10分）37.某电商平台的推荐系统需为用户实时生成个性化商品列表。平台拥有用户画像、商品属性、点击日志与订单数据。请设计一套融合协同过滤与深度学习的混合推荐框架，要求：（1）说明各模块功能与数据流向；（2）阐述如何缓解冷启动与数据稀疏问题；（3）给出离线评估与在线A/B测试的关键指标；（4）讨论公平性与隐私保护机制。【卷后答案与解析】一、单项选择题1.B 解析：参数量=输入维度×输出维度+输出维度=512×256+256=131328。2.A 解析：A在启发函数一致时可保证最优；B错，A最坏情况与Dijkstra同阶；C错，h(n)=0退化为Dijkstra；D错，closedlist保证不重复扩展，不破坏完备性。2.A 解析：A在启发函数一致时可保证最优；B错，A最坏情况与Dijkstra同阶；C错，h(n)=0退化为Dijkstra；D错，closedlist保证不重复扩展，不破坏完备性。3.B 解析：1−ε+ε/|A|，若|A|≥2，则最优动作概率≈0.9。4.B 解析：输出尺寸=(32−5+2×2)/1+1=32。5.C 解析：DDPG专为连续动作空间设计。6.C 解析：拉普拉斯平滑可解决零概率。7.D 解析：Transformer必须依赖位置编码。8.D 解析：γ极大时RBF核接近冲激，模型复杂度过高易过拟合。9.A 解析：D太强导致G梯度消失（训练停滞）。10.B 解析：Bagging并行，Boosting串行。二、多项选择题11.ABCD12.ABCD13.ABC14.BCDE15.ABCD三、判断题16.√ 17.× 18.× 19.√ 20.×（原始图灵测试无5分钟限制）21.×（有向边仅表示概率依赖） 22.√ 23.× 24.√ 25.√四、填空题26.32×3227.−log₂p28.0.529.r+γmax_{a′}Q(s′,a′)30.0.999五、简答题（要点示例）31.机理：链式法则导致梯度连乘，浅层梯度指数级缩小或放大。缓解：①梯度裁剪、②归一化初始化、③残差连接、④LSTM/GRU门控。32.CNN局部连接平移不变但无序列记忆；RNN有记忆但难并行且长程依赖弱；Transformer自注意力并行捕捉全局依赖，位置编码补充顺序，兼顾两者。33.困境：探索未知动作可能获更高长期收益，但短期或损失。方法：ε-greedy、UCB、Thompson采样、Boltzmann探索。六、计算与推导题34.迭代：取(0,0)正例，y=1，w·x+b=0≯0，更新w=(0,0)+1·(0,0)=(0,0)，b=0+1=1；再取(0,1)负例，y=−1，w·x+b=1>0，更新w=(0,0)−1·(0,1)=(0,−1)，b=1−1=0；分离直线：0·x₁−1·x₂+0=0⇒x₂=0。35.似然L(p)=C_{10}^kp^k(1−p)^{10−k}，对数求导得\hat{p}_{MLE}=k/n=4/10=0.4。36.前向递推：α₁(S₁)=π(S₁)B(S₁,O₁)=0.6×0.5=0.3，α₁(S₂)=0.4×0.2=0.08；α₂(S₁)=[α₁(S₁)A(S₁→S₁)+α₁(S₂)A(S₂→S₁)]B(S₁,O₂)=(0.3×0.7+0.08×0.4)×0.5=0.121；α₂(S₂)=[0.3×0.3+0.08×0.6]×0.8=0.1104。七、综合应用题（参考要点）（1）模块：①行为序列编码器（Transformer）提取用户