2026年大学人工智能(人工智能概论)期末测试卷附答案

2026年大学人工智能(人工智能概论)期末测试卷附答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.人工智能作为一门学科，正式诞生于哪一年？A.1946年B.1956年C.1960年D.1980年2.在著名的“图灵测试”中，测试者需要区分的是哪两个对象？A.人类与人类B.人类与机器C.机器与机器D.专家系统与神经网络3.在状态空间搜索中，A算法是一种启发式搜索算法，其评价函数f(n)=g(nA.从初始节点到节点n的实际代价B.从节点n到目标节点的估计代价C.从初始节点到目标节点的总估计代价D.节点n的深度4.下列哪种知识表示方法最适合表示因果关系和推理规则？A.语义网络B.框架表示法C.产生式系统D.脚本表示法5.在谓词逻辑中，量词“∀xA.存在一个xB.对于所有的xC.不存在xD.唯一的x6.决策树算法中，ID3算法使用哪个指标来选择最佳分裂属性？A.基尼指数B.信息增益C.均方误差D.支持度7.机器学习算法中，K-近邻（KNN）算法属于哪种类型的学习方式？A.监督学习B.无监督学习C.半监督学习D.强化学习8.在人工神经网络中，常用的Sigmoid激活函数的输出范围是：A.(B.(C.[D.(9.支持向量机（SVM）主要用于解决什么问题？A.聚类B.降维C.分类与回归D.关联规则挖掘10.深度学习中，卷积神经网络（CNN）最擅长处理哪类数据？A.时间序列数据B.图像数据C.文本数据D.图结构数据11.在贝叶斯分类器中，朴素贝叶斯算法的核心假设是：A.特征之间相互独立B.类别之间相互独立C.样本之间相互独立D.噪声服从高斯分布12.循环神经网络（RNN）在处理长序列时容易遇到梯度消失或梯度爆炸问题，哪种改进结构被广泛用于解决长程依赖？A.LSTM（长短期记忆网络）B.LeNetC.AlexNetD.ResNet13.聚类算法K-Means中，确定簇数量的K值通常通过什么方法辅助确定？A.交叉验证B.肘部法则C.混淆矩阵D.提升法14.专家系统的核心是：A.数据库B.知识库和推理机C.用户界面D.解释器15.在强化学习中，Agent通过与环境交互，目标是最大化累积：A.损失函数B.奖励C.惩罚D.误差16.AlphaGo击败围棋世界冠军李世石主要结合了哪两种核心技术？A.专家系统与模糊逻辑B.深度神经网络与蒙特卡洛树搜索C.遗传算法与蚁群算法D.支持向量机与决策树17.自然语言处理中，Word2Vec模型的主要目的是：A.机器翻译B.情感分析C.将词语映射为低维实数向量D.命名实体识别18.下列关于“过拟合”的描述，错误的是：A.训练集准确率很高，测试集准确率较低B.模型过于复杂，捕捉了训练数据中的噪声C.增加训练数据量通常可以缓解过拟合D.模型在训练集和测试集上的表现都很差19.在遗传算法中，选择操作的主要作用是：A.产生新的个体B.保留优良个体，淘汰劣质个体C.改变个体的基因值D.增加种群的多样性20.Transformer模型中，用于捕捉序列内部依赖关系的核心机制是：A.卷积机制B.注意力机制C.池化机制D.归一化机制二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，至少有两项是符合题目要求的）1.人工智能的主要学派包括：A.符号主义B.连接主义C.行为主义D.逻辑主义2.下列属于盲目搜索算法的有：A.深度优先搜索B.广度优先搜索C.A算法C.A算法D.爬山算法3.机器学习按照训练数据是否拥有标签，可以分为：A.监督学习B.无监督学习C.强化学习D.迁移学习4.常见的非线性激活函数包括：A.ReLUB.TanhC.SigmoidD.Linear5.卷积神经网络（CNN）的典型层结构包括：A.卷积层B.池化层C.全连接层D.循环层6.自然语言处理（NLP）的常见任务包括：A.文本分类B.机器翻译C.问答系统D.图像生成7.评价分类模型性能的常用指标有：A.准确率B.精确率C.召回率D.F1分数8.解决过拟合问题的常用方法有：A.简化模型复杂度B.正则化（L1/L2）C.DropoutD.早停法9.下列属于生成式人工智能应用的有：A.ChatGPTB.MidjourneyC.支持向量机D.K-Means聚类10.人工智能伦理面临的主要挑战包括：A.算法偏见与歧视B.隐私泄露C.透明度与可解释性D.责任归属三、填空题（本大题共15小题，每小题2分，共30分）1.著名的物理学家________曾提出了“模仿游戏”的思想，这被认为是人工智能思想的萌芽。2.在搜索策略中，________搜索总是优先扩展深度最浅的节点，保证能找到最优解（如果存在）。3.谓词逻辑推理中，________原理是归结反演的核心，用于消除互补文字。4.在产生式系统中，推理方式分为正向推理、反向推理和________推理。5.信息论中，________用于衡量系统的不确定性或信息量，是决策树算法的基础。6.感知机是神经网络的最基本单元，如果输入数据是线性可分的，感知机学习算法一定会________。7.在神经网络训练中，________算法通过链式法则计算梯度，用于更新网络权重。8.支持向量机中，间隔最大的超平面被称为________超平面。9.卷积神经网络中，________层通常用于降低特征图的维度，减少计算量和防止过拟合。10.循环神经网络中，________传递使得网络能够处理序列信息。11.强化学习模型通常包含Agent、Environment、Reward、State和________五个要素。12.深度信念网络（DBN）是由多层________堆叠而成的生成模型。13.在聚类分析中，________指标用于衡量簇内部的紧密度和簇间的分离度。14.大语言模型（LLM）的训练通常包含预训练和________两个阶段。15.计算机视觉中，________任务旨在从图像中识别出物体的边界框和类别。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）1.人工智能就是让机器拥有像人类一样的意识，目前的技术已经完全实现了这一目标。（）2.广度优先搜索比深度优先搜索更节省内存空间。（）3.贝叶斯定理描述了在已知某些条件下，事件发生的后验概率与先验概率之间的关系。（）4.神经网络的隐藏层节点越多，模型的泛化能力一定越强。（）5.K-Means算法对初始聚类中心的选择非常敏感。（）6.主成分分析（PCA）是一种有监督的降维算法。（）7.梯度下降法中，学习率越大，收敛速度一定越快。（）8.卷积神经网络中的卷积操作具有局部感知和权值共享的特性。（）9.强化学习不需要标注数据，而是通过奖励信号进行学习。（）10.所有的机器学习模型都是白盒模型，即其内部决策逻辑是完全可解释的。（）五、简答题（本大题共5小题，每小题6分，共30分）1.简述人工智能、机器学习和深度学习三者之间的关系。2.什么是过拟合？请列举两种防止过拟合的方法并简要说明原理。3.简述卷积神经网络中“池化层”的主要作用。4.请解释监督学习与无监督学习的主要区别，并各举一个典型算法。5.简述在自然语言处理中，Transformer模型相较于传统的RNN模型有哪些优势？六、计算与分析题（本大题共3小题，每小题10分，共30分）1.A算法应用设有一个图结构，节点S为起始点，G为目标点。各节点之间的实际代价（边权）和启发式函数值h(边：S-A(2),S-B(4),A-C(3),A-D(5),B-D(2),B-E(4),D-G(5),E-G(3)。h(请利用A算法求出从S到G的最优路径，并写出计算过程（需列出Open表和Closed表的变化情况或节点扩展顺序）。请利用A算法求出从S到G的最优路径，并写出计算过程（需列出Open表和Closed表的变化情况或节点扩展顺序）。2.信息增益计算给定一个包含14个样本的数据集，其中9个正例（P），5个负例（N）。有一个属性“outlook”，它有三个取值：(1)outlook=sunny：5个样本（2正，3负）(2)outlook=overcast：4个样本（4正，0负）(3)outlook=rainy：5个样本（3正，2负）请计算属性“outlook”的信息增益。（注：lo值保留两位小数，l3.感知机/神经网络前向传播假设有一个简单的单层感知机，输入向量x=[,=[0.5,−0.2，权重向量w请计算该感知机的输出值。七、综合应用题（本大题共1小题，共20分）设计一个基于深度学习的图像分类系统假设你需要为某大型电商平台设计一个自动商品分类系统，该系统需要将用户上传的商品图片自动分类到预定义的100个类别中（如“T恤”、“手机”、“运动鞋”、“咖啡杯”等）。1.架构设计：你会选择哪种深度学习模型架构？请画出该模型的大致结构流程图（用文字描述各层连接顺序及功能），并解释选择该架构的原因。（8分）2.数据预处理：在训练模型之前，需要对图片数据进行哪些预处理操作？请列举至少三种。（6分）3.模型训练与优化：(1)在训练过程中，如果发现训练集准确率很高，但验证集准确率很低，这是什么现象？如何解决？（4分）(2)解释迁移学习在这个任务中如何应用及其优势。（2分）参考答案与详细解析一、单项选择题1.B解析：1956年夏季，达特茅斯会议的召开标志着人工智能作为一门独立学科的正式诞生。2.B解析：图灵测试中，测试者（C）分别与人类（A）和机器（B）进行对话，如果C无法区分B和A，则认为机器通过测试。3.A解析：g(n)是从初始节点到节点n已经付出的实际代价；h4.C解析：产生式系统由产生式规则（IF-THEN）组成，非常适合表示因果关系和逻辑推理。5.B解析：∀是全称量词，表示“对于所有的”；∃是存在量词。6.B解析：ID3算法使用信息增益（InformationGain）作为属性选择的标准；C4.5使用信息增益率，CART使用基尼指数。7.A解析：KNN算法根据已知类别的样本（带标签）来预测未知样本的类别，属于监督学习。8.A解析：Sigmoid函数公式为，输出值在0到1之间，常用于二分类输出层。9.C解析：SVM既可以用于分类问题（如线性可分、非线性可分分类），也可以通过支持向量回归用于回归问题。10.B解析：CNN通过卷积核提取局部特征，具有平移不变性，非常适合处理图像数据。11.A解析：朴素贝叶斯假设在给定类别的情况下，各个特征之间是相互独立的，这也是“朴素”一词的由来。12.A解析：LSTM引入了门控机制（遗忘门、输入门、输出门）和细胞状态，有效解决了RNN的梯度消失问题，能处理长序列。13.B解析：肘部法则通过绘制不同K值对应的误差平方和（SSE），选择SSE下降速率变缓的转折点作为最佳K值。14.B解析：专家系统由知识库（存放领域专家知识）和推理机（利用知识进行推理）构成核心。15.B解析：强化学习的目标是Agent做出一系列动作以最大化累积奖励。16.B解析：AlphaGo结合了策略网络和价值网络（深度神经网络）与蒙特卡洛树搜索（MCTS）。17.C解析：Word2Vec（包括Skip-gram和CBOW模型）将离散的词语映射为连续的稠密低维实数向量，保留语义相似性。18.D解析：D选项描述的是“欠拟合”，即模型在训练集和测试集上表现都很差，未能捕捉数据规律。19.B解析：选择操作根据适应度函数选择优秀个体遗传到下一代，体现了优胜劣汰的思想。20.B解析：自注意力机制是Transformer的核心，它允许模型在处理每个词时直接关注输入序列中的其他所有词。二、多项选择题1.ABC解析：人工智能三大主流学派为符号主义（逻辑主义）、连接主义（神经网络）和行为主义（进化、控制论）。逻辑主义通常归为符号主义。2.AB解析：深度优先和广度优先搜索属于盲目搜索（无信息搜索）；A和爬山算法属于启发式搜索。3.AB解析：监督学习有标签，无监督学习无标签。强化学习是另一类，通过奖励学习。4.ABC解析：ReLU,Tanh,Sigmoid均为非线性激活函数；Linear是线性函数。5.ABC解析：CNN典型结构包括卷积层、池化层、全连接层。循环层属于RNN。6.ABC解析：文本分类、机器翻译、问答系统均属于NLP任务；图像生成属于计算机视觉。7.ABCD解析：准确率、精确率、召回率、F1分数（精确率和召回率的调和平均）都是常用指标。8.ABCD解析：简化模型、正则化、Dropout（随机失活）、早停法都是防止过拟合的有效手段。9.AB解析：ChatGPT（文本生成）和Midjourney（图像生成）属于生成式AI；SVM和K-Means是传统判别式/聚类模型。10.ABCD解析：AI伦理涉及算法公平性（无偏见）、隐私保护、可解释性（黑箱问题）以及事故责任归属等。三、填空题1.艾伦·图灵2.广度优先3.归结或消解4.双向5.熵6.收敛7.反向传播8.最优分离或最大间隔9.池化10.隐藏状态11.Action12.受限玻尔兹曼机13.轮廓系数14.微调15.目标检测四、判断题1.×解析：目前AI主要处于弱人工智能阶段，能处理特定任务，并未拥有人类级别的通用意识和情感。2.×解析：广度优先搜索需要存储当前层的所有节点，内存消耗通常比深度优先搜索大（DFS只需存储路径节点）。3.√解析：贝叶斯定理正是描述后验概率、先验概率和似然概率之间关系的定理。4.×解析：节点过多会导致模型过于复杂，容易过拟合，反而可能降低泛化能力。5.√解析：K-Means对初始中心敏感，不同的初始中心可能导致不同的聚类结果和收敛速度。6.×解析：PCA是无监督降维算法，只利用输入数据的方差信息，不使用标签。7.×解析：学习率过大会导致震荡甚至无法收敛；学习率过小收敛慢。8.√解析：局部感知指卷积核只感受局部区域，权值共享指同一卷积核在图上滑动时参数不变。9.√解析：强化学习是典型的试错学习，依赖奖励信号而非人工标签。10.×解析：深度神经网络等通常被称为黑盒模型，内部决策逻辑难以直观解释。五、简答题1.答：人工智能（AI）是最宏大的概念，指任何让机器展现智慧的技术。机器学习（ML）是AI的一个子集，指机器通过数据学习规律而不需要显式编程。深度学习（DL）是ML的一个子集，指基于多层人工神经网络的学习方法。关系：AI⊃ML⊃DL。2.答：过拟合是指模型在训练数据上表现很好，但在未见过的测试数据上表现很差的现象。原因是模型过于复杂，学习了训练数据中的噪声和特例。防止方法：(1)正则化：在损失函数中加入L1或L2正则项，限制权重参数的大小，降低模型复杂度。(2)Dropout：在训练过程中随机将部分神经元的输出置为0，防止神经元过度协同适应，增强鲁棒性。3.答：(1)降维：通过下采样减少特征图的大小，减少计算量和参数数量。(2)特征不变性：提取局部区域的主要特征（如最大值），使模型对微小的位置偏移、形变具有轻微的不变性。(3)防止过拟合：去掉了部分细节信息，保留显著特征，起到类似平滑的作用。4.答：区别：监督学习的训练数据包含输入特征和对应的正确标签（答案），目标是学习从输入到输出的映射。无监督学习的训练数据只有输入特征，没有标签，目标是发现数据内部的结构或模式（如聚类、降维）。典型算法：监督学习：线性回归、支持向量机（SVM）。无监督学习：K-Means聚类、主成分分析（PCA）。5.答：(1)并行计算能力：Transformer完全基于注意力机制，不依赖序列的逐步循环，可以并行处理所有输入token，训练效率远高于RNN。(2)长程依赖捕捉：RNN受限于序列长度，难以捕捉长距离依赖；Transformer的自注意力机制可以直接计算序列中任意两个词之间的距离，有效捕捉全局依赖。(3)梯度消失问题缓解：Transformer不使用RNN的时序递归结构，避免了长序列导致的梯度消失/爆炸问题。六、计算与分析题1.解：评价函数f(步骤1：初始化Open={S(f=步骤2：取出Open中f最小的节点S，扩展S。S的邻居：A(g=2,Open={A(7),B(8)},Closed={S}。步骤3：取出Open中f最小的节点A（f=A的邻居：C(g=2+Open={B(8),C(8),D(9)},Closed={S,A}。步骤4：取出Open中f最小的节点B（f=B的邻居：D(已存在，当前路径g=4+2=6,旧路径Open={C(8),D(8),E(9)},Closed={S,A,B}。步骤5：取出Open中f最小的节点C（f=C无后续邻居（或假设为死路）。Open={D(8),E(9)},Closed={S,A,B,C}。步骤6：取出Open中f最小的节点D（f=D的邻居：G(g=Open={E(9),G(11)},Closed={S,A,B,C,D}。步骤7：取出Open中f最小的节点E（f=E的邻居：G(已存在，当前路径g=8+Open={G(11)},Closed={S,A,B,C,D,E}。步骤8：取出G，G为目标节点，结束。回溯路径：G<D<B<S。最优路径为：S->B->D->G。(总代价4+2.解：(1)计算总信息熵H(HH((2)计算属性A的熵H(对于Sunny(5个样本):H对于Overcast(4个样本):H(对于Rainy(5个样本):HHH(3)计算信息增益GaG答：属性“outlook”的信息增益约为0.246。3.解：(1)计算加权输入z：zzzz(2)计算激活输出：由于z=0.14≥答：该感知机的输出值为1。七、综合应用题1.