2026年《人工智能与机器学习》期末考试试题及答案

2026年《人工智能与机器学习》期末考试试题及答案一、单项选择题（每题2分，共20分）1.以下哪种机器学习任务不属于无监督学习？A.客户分群（Clustering）B.异常检测（AnomalyDetection）C.情感分析（SentimentAnalysis）D.主成分分析（PCA）2.在神经网络中，ReLU激活函数的主要优点是？A.避免梯度消失B.输出范围在(0,1)C.计算复杂度高D.适合处理回归问题3.强化学习中，“奖励延迟”（RewardDelay）指的是？A.环境在多个时间步后才反馈奖励B.智能体延迟执行动作C.奖励函数设计过于复杂D.状态空间随时间推移扩大4.以下哪项不是提供对抗网络（GAN）的组成部分？A.提供器（Generator）B.判别器（Discriminator）C.编码器（Encoder）D.对抗损失（AdversarialLoss）5.在支持向量机（SVM）中，核函数（KernelFunction）的作用是？A.降低特征维度B.将低维线性不可分数据映射到高维线性可分空间C.减少计算复杂度D.优化超参数选择6.以下哪种模型常用于处理序列数据？A.卷积神经网络（CNN）B.循环神经网络（RNN）C.随机森林（RandomForest）D.k近邻（k-NN）7.贝叶斯网络中，“条件独立性”假设的核心目的是？A.简化联合概率分布的计算B.提高模型泛化能力C.增强模型可解释性D.减少训练数据需求8.在迁移学习中，“领域适应”（DomainAdaptation）的关键是？A.直接复用源域模型参数B.对齐源域与目标域的特征分布C.增加目标域数据量D.重新训练整个模型9.以下哪项是Transformer模型中“自注意力机制”（Self-Attention）的核心思想？A.仅关注序列中的局部信息B.为序列中每个位置分配不同权重以捕捉全局依赖C.通过循环结构传递信息D.利用卷积操作提取局部特征10.在决策树中，“剪枝”（Pruning）的主要目的是？A.增加模型复杂度B.防止过拟合C.提高训练速度D.增强可解释性二、填空题（每空2分，共20分）1.逻辑回归模型的输出是样本属于正类的__________，其数学表达式为__________（用sigmoid函数表示）。2.卷积神经网络（CNN）中，“感受野”（ReceptiveField）指的是输出特征图中一个像素对应输入图像的__________区域。3.长短期记忆网络（LSTM）通过__________、__________和__________三个门控单元控制信息的传递与遗忘。4.梯度下降法中，“学习率”（LearningRate）过大会导致__________，过小会导致__________。5.Transformer模型中的“多头注意力”（Multi-HeadAttention）通过将查询（Query）、键（Key）、值（Value）矩阵分割为多个头，并行计算__________，最终拼接后得到输出。三、简答题（每题8分，共40分）1.简述过拟合（Overfitting）的定义、产生原因及三种常见解决方法。2.对比随机梯度下降（SGD）与批量梯度下降（BGD）在参数更新、计算效率和收敛性上的差异。3.解释LSTM如何解决传统RNN的“长依赖问题”（Long-TermDependencyProblem）。4.迁移学习（TransferLearning）与传统机器学习的主要区别是什么？列举两种典型的迁移学习场景。5.简述提供对抗网络（GAN）的训练过程，并说明其容易出现的“模式崩溃”（ModeCollapse）问题及可能的解决方法。四、计算题（每题10分，共30分）1.已知某二分类任务中，逻辑回归模型的参数向量为w=[0.5,-0.3,1.2]，偏置b=0.1。现有一个样本x=[2,-1,3]，计算该样本属于正类的概率（sigmoid函数表达式：σ(z)=1/(1+e^(-z))）。若真实标签y=1，计算该样本的交叉熵损失（损失函数：L=-[y·log(p)+(1-y)·log(1-p)]）。2.某数据集包含100个样本，其中“好瓜”60个，“坏瓜”40个。选择“纹理”作为分裂特征，其取值为“清晰”（50个样本，其中好瓜45个）、“模糊”（30个样本，其中好瓜10个）、“一般”（20个样本，其中好瓜5个）。计算以“纹理”为分裂特征的信息增益（熵的计算公式：H(D)=-Σ(p_i·log₂p_i)）。3.一个卷积神经网络的输入为3通道224×224的图像，第一层卷积层使用64个3×3的卷积核，步长为1，填充为1；第二层为最大池化层，池化核大小2×2，步长2。计算第一层卷积层的参数量（权重参数+偏置参数）及第二层池化后的特征图尺寸。五、综合题（每题15分，共30分）1.设计一个基于深度学习的图像分类系统，要求：（1）描述数据预处理的关键步骤（至少3项）；（2）选择一种主流模型架构（如ResNet、ViT等），并说明其核心模块；（3）设计训练策略（包括优化器、损失函数、正则化方法）；（4）列出至少3个评估指标并解释其含义。2.某自动驾驶公司计划使用强化学习训练车辆的变道决策模型，需解决以下问题：（1）定义状态空间（StateSpace）的关键维度（至少5个）；（2）设计奖励函数（RewardFunction）的组成部分（至少4项，需说明正负奖励的逻辑）；（3）选择一种适合的强化学习算法（如DQN、PPO等），并解释其为何适合该场景；（4）列举训练过程中可能遇到的挑战（至少3项）及对应的解决思路。参考答案一、单项选择题1.C2.A3.A4.C5.B6.B7.A8.B9.B10.B二、填空题1.概率；p=σ(w·x+b)=1/(1+e^(-(w·x+b)))2.局部3.输入门；遗忘门；输出门4.训练不收敛（震荡）；收敛速度过慢5.多个不同的注意力头三、简答题1.过拟合指模型在训练集上表现良好，但在测试集上泛化能力差的现象。原因：模型复杂度过高（如参数过多）、训练数据量不足、噪声干扰。解决方法：增加数据量（数据增强）、正则化（L1/L2正则）、早停法（EarlyStopping）、剪枝（决策树）。2.参数更新：BGD使用全部样本计算梯度，SGD使用单个样本；计算效率：BGD单次迭代计算量大但梯度准确，SGD计算量小但梯度噪声大；收敛性：BGD收敛稳定但速度慢，SGD可能震荡但可能跳出局部极小值。3.LSTM通过三个门控单元控制信息流动：遗忘门决定保留多少历史信息，输入门控制当前输入的新信息，输出门决定输出多少信息到下一时间步。这种机制缓解了传统RNN中梯度消失/爆炸问题，从而捕捉长距离依赖。4.传统机器学习假设训练集与测试集同分布且独立，迁移学习允许利用源域（已有数据）知识解决目标域（数据稀缺）问题。场景：跨语言情感分析（源域为英语评论，目标域为中文评论）、跨模态医学影像诊断（源域为X光片，目标域为CT图像）。5.GAN训练时，提供器提供假样本，判别器区分真假样本，两者通过对抗训练优化。模式崩溃指提供器只能提供单一类型样本，原因是判别器过强或训练不稳定。解决方法：引入梯度惩罚（如WGAN-GP）、使用标签平滑、增加提供器复杂度。四、计算题1.计算z=w·x+b=0.5×2+(-0.3)×(-1)+1.2×3+0.1=1+0.3+3.6+0.1=5；概率p=σ(5)=1/(1+e^-5)≈0.9933；交叉熵损失L=-[1·log(0.9933)+0·log(0.0067)]≈-log(0.9933)≈0.0067。2.原始熵H(D)=-(60/100)log₂(60/100)-(40/100)log₂(40/100)≈0.971。条件熵H(D|纹理)=(50/100)H(D1)+(30/100)H(D2)+(20/100)H(D3)。H(D1)=-(45/50)log₂(45/50)-(5/50)log₂(5/50)≈0.456；H(D2)=-(10/30)log₂(10/30)-(20/30)log₂(20/30)≈0.918；H(D3)=-(5/20)log₂(5/20)-(15/20)log₂(15/20)≈0.811；H(D|纹理)=0.5×0.456+0.3×0.918+0.2×0.811≈0.603；信息增益=H(D)-H(D|纹理)=0.971-0.603≈0.368。3.第一层卷积参数量：每个卷积核参数=3（输入通道）×3×3=27，64个卷积核总权重=64×27=1728；偏置参数=64（每个核1个偏置）；总参数量=1728+64=1792。输入尺寸224×224，卷积后尺寸=(224-3+2×1)/1+1=224（填充后尺寸不变）；池化后尺寸=224/2=112，通道数仍为64；故第二层池化后特征图尺寸为64×112×112。五、综合题1.（1）数据预处理：归一化（将像素值缩放到[0,1]或标准化）、数据增强（随机翻转、旋转、裁剪）、类别平衡（过采样/欠采样或加权损失）；（2）模型选择ResNet-50，核心模块：残差块（解决梯度消失，允许更深网络）、瓶颈结构（减少参数量）、全局平均池化（替代全连接层，降低过拟合）；（3）训练策略：优化器选Adam（自适应学习率），损失函数用交叉熵（多分类），正则化用Dropout（在全连接层）和权重衰减（L2正则）；（4）评估指标：准确率（正确分类样本比例）、精确率（正类预测中真实正类的比例）、召回率（真实正类中被正确预测的比例）、F1分数（精确率与召回率的调和平均）。2.（1）状态空间维度：本车速度、本车位置（车道ID）、前车距离/相对速度、旁车距离/相对速度、道路曲率、剩余可变道距离；（2）奖励函数：安全奖励（碰撞→-100，保持安全距离→+5）、效率奖励（变道后平均速度提升→+3）、舒适性奖励（急加速/急刹车→-2）、合规奖励（压实线变道→-10，正常变道→+1）；（3）选择PPO（近端策