2025年《人工智能基础》期末考试试卷附答案

2025年《人工智能基础》期末考试试卷附答案一、单项选择题（每题2分，共20分）1.以下关于图灵测试的描述，正确的是（）A.测试中，人类评估者需明确区分对话对象是机器还是人类B.若机器能让超过30%的评估者误判为人类，则通过测试C.图灵测试仅关注语言理解能力，不涉及逻辑推理D.2025年主流AI系统已普遍通过严格图灵测试答案：B2.下列机器学习方法中，属于提供式模型的是（）A.支持向量机（SVM）B.朴素贝叶斯分类器C.逻辑回归D.K近邻算法（KNN）答案：B3.卷积神经网络（CNN）中，池化层的主要作用是（）A.增加特征图的分辨率B.减少参数数量并提取平移不变性特征C.引入非线性激活D.直接连接输入与输出以缓解梯度消失答案：B4.自然语言处理（NLP）中，BERT模型与传统RNN的关键区别在于（）A.BERT基于循环结构，RNN基于自注意力机制B.BERT采用双向上下文建模，RNN依赖单向序列处理C.BERT仅用于文本分类，RNN仅用于机器翻译D.BERT参数更少，训练速度更快答案：B5.强化学习中，“奖励函数”的核心作用是（）A.定义智能体的状态空间B.指导智能体学习最优策略C.确定环境的转移概率D.替代监督学习中的标签数据答案：B6.决策树算法中，若某属性的信息增益为0，说明该属性（）A.对分类完全无区分能力B.是最优划分属性C.导致决策树过拟合D.需进一步计算基尼指数答案：A7.下列不属于深度学习三要素的是（）A.数据B.算力C.算法D.标注答案：D8.提供对抗网络（GAN）中，判别器（Discriminator）的训练目标是（）A.提供与真实数据分布一致的样本B.最小化提供样本与真实样本的差异C.最大化区分真实样本与提供样本的能力D.优化提供器的损失函数答案：C9.多模态学习中，“跨模态对齐”的主要目的是（）A.统一不同模态数据的输入维度B.建立文本、图像、语音等模态间的语义关联C.减少模型参数量D.提升单一模态任务的性能答案：B10.关于AI伦理问题，以下表述错误的是（）A.算法偏见可能由训练数据的偏差导致B.自动驾驶的“电车难题”属于伦理决策问题C.弱AI（狭义AI）不存在自主意识，无需考虑伦理D.模型可解释性有助于减少伦理争议答案：C二、填空题（每空1分，共15分）1.图灵在1950年提出的“图灵测试”本质是对________能力的评估。答案：机器智能2.机器学习中，________学习通过观察无标签数据发现内在结构（如聚类），而________学习利用标签数据训练模型（如分类）。答案：无监督；监督3.神经网络中，激活函数的作用是引入________，使模型能拟合非线性关系。常用的ReLU函数表达式为________。答案：非线性；f(x)=max(0,x)4.Transformer模型的核心机制是________，其计算过程可表示为________（用Q、K、V表示）。答案：自注意力机制；Attention(Q,K,V)=softmax(QKᵀ/√d_k)V5.决策树的划分标准包括信息增益、信息增益率和________，其中________对取值较多的属性有偏好。答案：基尼指数；信息增益6.强化学习中，智能体与环境的交互循环可概括为：状态→________→奖励→________。答案：动作；新状态7.BERT模型的预训练任务包括________和________，分别用于学习上下文语义和句子间关系。答案：掩码语言模型（MLM）；下一句预测（NSP）8.2025年新兴的“轻量级大模型”技术通过________（如参数剪枝、量化）降低计算成本，同时保持________。答案：模型压缩；性能9.AI安全的核心挑战包括对抗样本攻击、________和________（任写两点）。答案：模型后门；数据投毒三、简答题（每题6分，共30分）1.简述监督学习、无监督学习和强化学习的主要区别。答案：监督学习使用带标签数据（如输入x与输出y的对应关系），目标是学习x到y的映射（如分类、回归）；无监督学习处理无标签数据，目标是发现数据内在结构（如聚类、降维）；强化学习通过智能体与环境交互，基于延迟奖励信号学习最优策略（如游戏AI、机器人控制）。三者的核心差异在于数据标签的有无及学习目标的导向（监督：标签驱动；无监督：结构驱动；强化：奖励驱动）。2.解释卷积神经网络（CNN）中“感受野”的概念，并说明其对特征提取的意义。答案：感受野指卷积神经网络中某一层特征图上的一个神经元对应输入图像的区域范围。感受野越大，该神经元能捕获的图像上下文信息越丰富（如全局结构）；感受野越小，更关注局部细节（如边缘、纹理）。通过多层卷积叠加，感受野逐渐扩大，使模型能同时提取局部和全局特征，适应不同尺度的目标检测与识别任务。3.自然语言处理中，词嵌入（WordEmbedding）的作用是什么？与传统的One-Hot编码相比有何优势？答案：词嵌入将离散的词语映射到连续的低维向量空间，捕捉词语间的语义相似性（如同义词、上下位词）。与One-Hot编码相比，优势包括：（1）解决维度灾难（One-Hot维度等于词汇表大小，词嵌入维度通常为100-512）；（2）隐含语义信息（如“国王-男人+女人=女王”的向量运算）；（3）提升模型泛化能力（相似词的向量接近，模型可学习到未登录词的语义）。4.决策树算法容易过拟合的原因是什么？可通过哪些方法缓解？答案：过拟合原因：决策树倾向于完全拟合训练数据，形成复杂的树结构（如叶子节点仅包含1-2个样本），导致对噪声敏感，泛化能力差。缓解方法：（1）剪枝（预剪枝：限制树深度、叶子节点样本数；后剪枝：基于验证集删除冗余分支）；（2）使用信息增益率或基尼指数替代信息增益（减少对高基数属性的偏好）；（3）集成学习（如随机森林通过多棵决策树投票降低过拟合风险）。5.简述提供对抗网络（GAN）的基本原理，并举例说明其应用场景。答案：GAN由提供器（Generator）和判别器（Discriminator）组成，二者通过对抗训练优化：提供器尝试提供与真实数据分布一致的样本（如假图片、假文本），判别器尝试区分真实样本与提供样本。训练过程中，提供器优化目标是“欺骗”判别器（使判别器将提供样本误判为真实），判别器优化目标是“不被欺骗”。最终提供器能提供高保真样本。应用场景：图像提供（如AI绘画）、数据增强（提供合成数据弥补真实数据不足）、风格迁移（如将照片转换为油画风格）。四、算法题（每题10分，共30分）1.假设线性回归模型为y=w₀+w₁x₁+w₂x₂，损失函数采用均方误差（MSE）。请推导梯度下降法中参数w₁的更新公式（要求写出梯度计算过程）。答案：均方误差损失函数：L=1/(2m)Σ(yᵢŷᵢ)²=1/(2m)Σ(yᵢ(w₀+w₁x₁ᵢ+w₂x₂ᵢ))²（m为样本数）。对w₁求偏导：∂L/∂w₁=1/mΣ(yᵢŷᵢ)(-x₁ᵢ)。梯度下降更新公式：w₁=w₁η·∂L/∂w₁=w₁+η/mΣ(yᵢŷᵢ)x₁ᵢ（η为学习率）。2.给定下表数据（是否购买某商品，“是”为正类，“否”为负类），计算“年龄”属性的信息增益（要求写出熵、条件熵的计算步骤）。年龄收入购买青年高否青年中否中年高是中年低是老年中是老年低否答案：总样本数m=6，正类（是）3个，负类（否）3个。总熵H(D)=(3/6)log₂(3/6)(3/6)log₂(3/6)=-0.5(-1)-0.5(-1)=1bit。“年龄”分3个取值：青年（2样本）、中年（2样本）、老年（2样本）。青年组：负类2个（否），正类0个，熵H(D₁)=(0/2)log₂(0/2)(2/2)log₂(2/2)=0。中年组：正类2个（是），负类0个，熵H(D₂)=0。老年组：正类1个（是），负类1个（否），熵H(D₃)=(1/2)log₂(1/2)(1/2)log₂(1/2)=1bit。条件熵H(D|年龄)=(2/6)H(D₁)+(2/6)H(D₂)+(2/6)H(D₃)=(2/6)0+(2/6)0+(2/6)1=2/6≈0.333bit。信息增益Gain(年龄)=H(D)-H(D|年龄)=1-0.333≈0.667bit。3.某神经网络结构为输入层（2神经元）→隐藏层（3神经元，激活函数为sigmoid）→输出层（1神经元，激活函数为sigmoid）。假设输入x=[0.5,0.8]，隐藏层权重矩阵W¹=[[0.2,-0.1],[0.4,0.3],[-0.5,0.6]]（行对应隐藏层神经元），偏置b¹=[0.1,-0.2,0.3]；输出层权重W²=[0.7,-0.4,0.5]，偏置b²=0.2。计算前向传播的输出值（保留3位小数），并写出隐藏层到输出层的梯度反向传播公式（假设损失函数为MSE，真实输出y=1）。答案：隐藏层输入z¹=W¹·x+b¹：z₁¹=0.20.5+(-0.1)0.8+0.1=0.1-0.08+0.1=0.12z₂¹=0.40.5+0.30.8+(-0.2)=0.2+0.24-0.2=0.24z₃¹=(-0.5)0.5+0.60.8+0.3=-0.25+0.48+0.3=0.53隐藏层输出a¹=sigmoid(z¹)=[1/(1+e^-0.12)≈0.530,1/(1+e^-0.24)≈0.560,1/(1+e^-0.53)≈0.629]输出层输入z²=W²·a¹+b²=0.70.530+(-0.4)0.560+0.50.629+0.2≈0.371-0.224+0.314+0.2=0.661输出a²=sigmoid(z²)=1/(1+e^-0.661)≈0.659反向传播梯度（MSE损失L=0.5(y-a²)²）：输出层梯度δ²=(a²y)a²(1a²)=(0.659-1)0.659(1-0.659)=(-0.341)0.6590.341≈-0.076隐藏层梯度δ¹=δ²W²⊙a¹(1a¹)（⊙为逐元素乘）：δ₁¹=δ²0.70.530(1-0.530)=-0.0760.70.5300.470≈-0.013δ₂¹=δ²(-0.4)0.560(1-0.560)=-0.076(-0.4)0.5600.440≈0.0075δ₃¹=δ²0.50.629(1-0.629)=-0.0760.50.6290.371≈-0.0089五、综合分析题（15分）随着2025年AI技术普及，某企业计划开发“智能客服助手”，需支持多轮对话、意图识别、知识问答等功能。请结合AI基础理论，分析该系统的核心技术需求、数据要求及可能面临的挑战，并提出至少2项优化建议。答案：核心技术需求：（1）自然语言理解（NLU）：需实现意图识别（如“查询物流”“投诉”）、槽位填充（如提取“订单号”“商品型号”），可采用BERT、RoBERTa等预训练模型；（2）对话管理：设计对话状态跟踪（记录用户历史意图与参数）和策略提供（决定回复内容），可结合规则引擎与强化学习；（3）知识问答：构建知识库（结构化如知识图谱，非结构化如文档），通过检索或提供模型（如T5、GPT-4）返回答案；（4）多模态支持：未来可能扩展语音、图片输入，需集成语音识别（ASR）、图像理解模型。数据要求：（1）标注数据：大量对话样本（用户提问-客服回复对），需标注意图、槽位、对话状态；（2）领域知识库：企业业务规则、产品信息、常见问题（FAQ）；（3）多轮对话数据：覆盖上下文依赖场景（如“之前的订单”需关联历史对话）；（4）噪声数据：模拟用户口语化表达、拼写错误、方言等，提升鲁棒性。挑战：（1）领域适应性：企业业务术语可能与通用语料差异大，模型需快速适配（如小样本学习）；（2）多轮对话连贯性：长对话中状态跟踪易出错（如用户中途切换话题）；（3）安全与隐私：对话可能包含用户敏感信息（如手机号、地址），