2025年《人工智能应用技术基础》习题及参考答案

2025年《人工智能应用技术基础》习题及参考答案一、单项选择题（每题2分，共30分）1.以下哪项不属于人工智能三大学派的核心思想？A.符号主义：通过符号推理模拟人类智能B.连接主义：通过神经网络模拟大脑结构C.行为主义：通过感知-动作模式实现智能D.统计主义：通过概率模型优化预测精度答案：D2.监督学习与无监督学习的本质区别在于？A.是否需要标注数据B.模型复杂度差异C.训练目标函数类型D.输入数据维度数量答案：A3.梯度下降算法中，“梯度”指的是？A.目标函数关于参数的一阶导数B.输入数据的特征梯度C.损失函数的二阶导数D.模型输出的概率分布梯度答案：A4.卷积神经网络（CNN）中，池化层的主要作用是？A.减少特征图尺寸，降低计算量B.增加特征图深度，提取更多特征C.引入非线性激活，增强模型表达D.实现全局信息整合，提升分类精度答案：A5.循环神经网络（RNN）在处理长序列时面临的主要问题是？A.梯度消失或爆炸B.输入维度限制C.计算复杂度指数增长D.无法处理可变长度序列答案：A6.Transformer模型中，自注意力机制的核心作用是？A.捕捉序列中任意位置的依赖关系B.减少模型参数量C.加速前向传播计算D.增强局部特征提取能力答案：A7.以下哪项属于自然语言处理（NLP）的基础任务？A.图像风格迁移B.情感分析C.目标检测D.点云分割答案：B8.支持向量机（SVM）的最优超平面指的是？A.使正负样本到平面的距离之和最大的平面B.使所有样本正确分类的平面C.使分类间隔（Margin）最大的平面D.使训练误差最小的平面答案：C9.强化学习中，“奖励函数”的主要作用是？A.定义智能体的目标B.提供标注数据C.优化模型参数D.加速训练过程答案：A10.以下哪种技术属于提供式人工智能？A.BERT文本分类B.GPT文本提供C.ResNet图像分类D.YOLO目标检测答案：B11.AI伦理中“算法公平性”主要关注？A.模型训练速度是否公平B.不同群体在模型输出中的待遇是否平等C.算法代码是否开源共享D.计算资源分配是否公平答案：B12.多模态学习的核心挑战是？A.不同模态数据的特征对齐与融合B.单一模态模型的精度提升C.降低计算硬件要求D.减少数据标注成本答案：A13.知识图谱的基本组成单元是？A.节点与边（实体-关系-实体）B.词向量与上下文C.卷积核与池化窗口D.状态、动作与奖励答案：A14.联邦学习的主要目的是？A.集中所有数据训练全局模型B.在不共享原始数据的前提下联合训练模型C.提升单个设备的计算能力D.降低模型训练的时间复杂度答案：B15.边缘AI的典型应用场景是？A.大规模数据中心的模型训练B.智能手表的实时语音识别C.超级计算机的科学计算D.云端服务器的图像渲染答案：B二、判断题（每题1分，共10分）1.人工智能的本质是让机器具备人类级别的意识和情感。（）答案：×（AI本质是模拟人类智能行为，而非意识情感）2.决策树模型对缺失值不敏感，可以直接处理。（）答案：√（决策树通过选择划分点可隐式处理缺失值）3.深度学习模型一定比传统机器学习模型效果好。（）答案：×（效果取决于数据量、任务类型等，小数据场景传统模型可能更优）4.自然语言处理中的词嵌入（WordEmbedding）是将单词映射到低维连续向量空间的技术。（）答案：√5.提供对抗网络（GAN）包含提供器和判别器，两者通过博弈提升提供质量。（）答案：√6.计算机视觉中的语义分割任务需要为图像每个像素分配类别标签。（）答案：√7.AI伦理中的“可解释性”要求模型输出结果必须完全符合人类直觉。（）答案：×（可解释性指模型决策过程可被人类理解，而非符合直觉）8.迁移学习可以将已训练模型的知识迁移到新任务，减少对新任务标注数据的需求。（）答案：√9.强化学习中的“探索-利用权衡”指在已知高奖励动作和未知可能更高奖励动作间的平衡。（）答案：√10.元学习（Meta-Learning）的目标是让模型具备快速学习新任务的能力。（）答案：√三、简答题（每题8分，共40分）1.简述机器学习的三要素及其含义。答案：机器学习三要素包括模型、策略、算法。模型指假设空间中的函数集合（如线性模型、神经网络）；策略指选择最优模型的准则（如经验风险最小化、结构风险最小化）；算法指求解最优模型的具体方法（如梯度下降、随机梯度下降）。三者共同决定了模型的性能和训练效率。2.对比说明卷积神经网络（CNN）与全连接神经网络（FCN）在图像识别任务中的优势。答案：CNN通过局部连接（感受野）和权值共享减少参数量，避免全连接网络因图像像素全连接导致的参数量爆炸；CNN的卷积操作能提取局部空间特征（如边缘、纹理），符合图像的局部相关性；池化层的下采样操作使模型具备平移不变性，提升对图像位移的鲁棒性。而FCN将图像展平为一维向量，忽略空间结构信息，参数量随图像尺寸增大呈平方级增长，难以处理高分辨率图像。3.解释Transformer模型中“多头注意力（Multi-HeadAttention）”的作用机制。答案：多头注意力将输入特征分为多个头（Head），每个头独立计算注意力权重，捕捉不同子空间的依赖关系。例如，8个头可同时关注句法结构、语义关联、位置信息等不同维度。最后将各头的输出拼接后线性变换，融合多维度的注意力信息。这种机制增强了模型对不同类型依赖关系的捕捉能力，提升了特征表达的丰富性。4.列举自然语言处理中的三种典型任务，并说明其核心目标。答案：（1）文本分类：将文本映射到预定义类别（如情感分类中判断“积极/消极”）；（2）机器翻译：将源语言文本转换为目标语言文本（如中译英）；（3）命名实体识别（NER）：识别文本中特定类型的实体（如人名、地名、机构名）。核心目标分别是语义理解、跨语言信息转换、实体信息抽取。5.说明AI伦理中“数据隐私保护”的主要挑战及应对策略。答案：挑战包括：训练数据可能包含敏感信息（如医疗记录、金融数据），模型可能通过对抗攻击泄露隐私（如成员推理攻击）；联邦学习等隐私保护技术在实际应用中面临通信开销大、模型精度损失等问题。应对策略：采用差分隐私（在数据中添加噪声）、联邦学习（本地训练+参数聚合）、同态加密（在加密数据上训练）；建立数据匿名化标准（如k-匿名、l-多样性）；完善隐私保护法规（如《个人信息保护法》）。四、综合应用题（每题15分，共30分）1.某电商平台需构建用户购买行为预测模型，目标是根据用户年龄、性别、历史浏览时长、历史购买金额、最近登录时间5个特征，预测用户未来7天是否会购买商品（二分类任务）。请设计模型选择与训练的具体步骤，并说明关键注意事项。答案：步骤1：数据预处理。缺失值处理：对少量缺失值用均值/中位数填充，大量缺失字段剔除；特征工程：将“最近登录时间”转换为距当前时间的天数（数值特征）；对“性别”进行独热编码（类别特征）；计算“浏览时长/购买金额”的比值作为衍生特征；数据划分：按7:2:1划分为训练集、验证集、测试集，确保各类别分布均衡（避免类别不平衡）。步骤2：模型选择。初始选择逻辑回归（LR）作为基线模型，因其可解释性强，适合快速验证特征有效性；若LR效果不佳（如AUC<0.7），选择梯度提升树（XGBoost/LightGBM），其对结构化数据拟合能力强，能自动处理特征交互；若数据量极大（百万级样本），可尝试神经网络（如MLP），但需注意过拟合问题。步骤3：模型训练与调优。对于树模型：调整学习率（0.01-0.3）、树深度（3-10）、子采样比例（0.6-1.0），通过网格搜索/随机搜索优化超参数；对于神经网络：使用交叉熵损失函数，Adam优化器，批量归一化（BatchNorm）防止梯度消失，早停法（EarlyStopping）防止过拟合；评估指标：使用F1分数（平衡精确率与召回率）、AUC-ROC（衡量分类器区分能力）。关键注意事项：类别不平衡处理：若正样本占比<10%，采用SMOTE过采样或调整类别权重；特征重要性分析：通过SHAP值或模型内置特征重要性（如XGBoost的gain）识别关键特征（如“历史购买金额”可能比“性别”更重要）；模型可解释性：若需向业务部门说明决策依据（如“高浏览时长+近期登录用户更可能购买”），优先选择可解释模型（如LR、决策树）。2.设计一个基于深度学习的医学影像辅助诊断系统，用于肺部CT图像的肺炎检测（输入：512×512×3的CT图像，输出：正常/肺炎的二分类结果）。请说明系统的核心模块组成、模型架构选择及训练优化策略。答案：核心模块组成：（1）数据预处理模块：对CT图像进行窗宽窗位调整（突出肺部组织）、归一化（像素值缩放到0-1）、数据增强（旋转±15°、随机裁剪、水平翻转）以增加样本多样性；（2）特征提取模块：基于卷积神经网络提取图像特征；（3）分类模块：将特征映射到二分类概率；（4）后处理模块：对模型输出的置信度进行校准（如Platt缩放），提供诊断建议报告。模型架构选择：主干网络：采用ResNet-50（残差结构缓解梯度消失，深层网络提取更抽象特征）或DenseNet（密集连接提升特征复用）；改进设计：在最后一个卷积层后添加全局平均池化（GAP）替代全连接层，减少参数量；引入注意力机制（如SEBlock），增强对肺部病灶区域的关注；输入调整：原ResNet输入为224×224，需调整卷积核步长或添加额外卷积层适配512×512输入。训练优化策略：预训练初始化：使用ImageNet预训练权重初始化主干网络，利用迁移学习加速收敛（医学影像与自然图像在边缘、纹理等低级特征上有共性）；损失函数：采用加权交叉熵损失（权重根据训练集中肺炎样本比例设置，