2026年人工智能导论期末考试试卷(附答案)

2026年人工智能导论期末考试试卷(附答案)一、单项选择题（每题2分，共20分）1.以下哪种学习方式的训练数据同时包含输入和期望输出？A.无监督学习B.强化学习C.半监督学习D.监督学习2.感知机（Perceptron）无法解决以下哪种问题？A.二分类线性可分问题B.异或（XOR）问题C.多分类线性可分问题D.二分类非线性可分问题3.在隐马尔可夫模型（HMM）中，“已知观测序列和模型参数，计算观测序列出现的概率”属于以下哪类问题？A.解码问题B.学习问题C.评估问题D.预测问题4.以下关于支持向量机（SVM）的描述中，错误的是？A.目标是最大化分类间隔B.核函数用于处理非线性可分数据C.对噪声不敏感，无需正则化D.硬间隔SVM假设数据完全线性可分5.Transformer模型中，自注意力（Self-Attention）机制的核心作用是？A.提取局部特征B.捕捉序列中长距离依赖关系C.降低模型参数量D.加速前向传播6.以下哪项不是神经网络中激活函数的作用？A.引入非线性B.防止梯度消失C.控制输出范围D.替代线性变换7.在决策树ID3算法中，划分属性的依据是？A.信息增益率B.基尼指数C.信息增益D.均方误差8.以下哪种方法属于提供式模型？A.逻辑回归B.朴素贝叶斯C.支持向量机D.线性回归9.强化学习中的“奖励函数”主要用于？A.定义状态转移概率B.评估策略的优劣C.提供训练数据D.优化值函数10.BERT模型的预训练任务不包括？A.掩码语言模型（MLM）B.下一句预测（NSP）C.序列到序列提供D.词元级预测二、填空题（每题3分，共15分）1.机器学习中，欠拟合现象通常是由于模型复杂度______（填“过高”或“过低”）导致的。2.卷积神经网络（CNN）中，池化层的主要作用是______（写出一个核心作用即可）。3.强化学习的三要素包括状态空间、动作空间和______。4.在梯度下降优化中，每次仅用一个样本计算梯度的方法称为______。5.自然语言处理中，将文本转换为向量的常用方法包括词袋模型、词嵌入（如Word2Vec）和______（写出一种基于上下文的模型）。三、简答题（每题8分，共40分）1.简述监督学习与无监督学习的区别，并各举一个典型应用场景。2.解释“过拟合”现象及其常见解决方法。3.说明循环神经网络（RNN）的结构特点，并分析其在处理长序列时的主要缺陷。4.对比深度神经网络（DNN）与传统机器学习模型（如决策树）在特征处理上的差异。5.简述知识图谱的基本概念及其在智能搜索中的应用价值。四、计算题（每题15分，共30分）1.给定数据集如下表（目标属性为“是否购买”），计算属性“年龄”的信息增益（要求写出计算步骤）。编号年龄（青年/中年/老年）收入（高/中/低）是否购买1青年高否2青年中否3中年高是4中年中是5老年低是6老年低是7老年中否8中年低是（注：总样本数N=8，年龄分为青年、中年、老年三类，各类样本数分别为2、3、3）2.假设有一个简单的两层神经网络，输入层2个神经元（x₁=1,x₂=2），隐藏层2个神经元（激活函数为sigmoid），输出层1个神经元（激活函数为sigmoid）。权重矩阵如下：输入层到隐藏层：w₁₁=0.1,w₁₂=0.2（x₁到隐藏层神经元h₁、h₂）；w₂₁=0.3,w₂₂=0.4（x₂到隐藏层神经元h₁、h₂）；隐藏层偏置b₁=0.5,b₂=0.6。隐藏层到输出层：w₃=0.7,w₄=0.8（h₁、h₂到输出层o）；输出层偏置b₃=0.9。计算该网络的前向传播输出值（要求写出每一步计算过程，sigmoid函数公式：σ(z)=1/(1+e⁻ᶻ)）。五、综合题（15分）设计一个基于深度学习的图像分类系统，需包含以下关键环节的说明：（1）数据预处理步骤；（2）模型架构选择（需说明选择理由）；（3）训练策略（包括优化器、损失函数、迭代次数等）；（4）评估指标（至少列出3个）。答案一、单项选择题1.D2.B3.C4.C5.B6.D7.C8.B9.B10.C二、填空题1.过低2.降低特征维度（或保留主要特征、平移不变性）3.奖励函数4.随机梯度下降（SGD）5.BERT（或ELMo、GPT等）三、简答题（要点）1.区别：监督学习使用带标签数据，目标是学习输入到输出的映射；无监督学习使用无标签数据，目标是发现数据内在结构。应用场景：监督学习（如垃圾邮件分类）；无监督学习（如用户群体聚类）。2.过拟合：模型在训练集上表现好，但在新数据上泛化能力差，原因是模型过度学习了训练数据的噪声或细节。解决方法：增加数据量、正则化（L1/L2）、早停法、特征选择、降低模型复杂度。3.结构特点：RNN包含循环连接，允许信息在时间步之间传递，适用于序列数据。缺陷：长序列中梯度消失/爆炸问题，导致无法有效捕捉长距离依赖关系。4.差异：传统模型依赖人工特征工程（需领域知识设计特征）；DNN通过多层非线性变换自动学习特征，无需人工干预，可提取从底层到高层的抽象特征。5.基本概念：知识图谱是结构化的语义网络，用实体-关系-实体三元组表示知识，描述现实世界中的关联。应用价值：在智能搜索中，通过实体链接和语义推理，理解用户查询意图，提供更精准的关联信息（如搜索“苹果”时区分水果和公司）。四、计算题1.步骤1：计算原始熵H(D)。总样本中“是”的数量=5（编号3、4、5、6、8），“否”=3。H(D)=(5/8)log₂(5/8)(3/8)log₂(3/8)≈-0.625×(-0.678)0.375×(-1.415)≈0.954。步骤2：计算年龄各子集的条件熵H(D|年龄)。青年（2个样本）：“否”=2，“是”=0→H(D₁)=(2/2)log₂(2/2)0=0。中年（3个样本）：“是”=3（编号3、4、8），“否”=0→H(D₂)=0。老年（3个样本）：“是”=2（编号5、6），“否”=1（编号7）→H(D₃)=(2/3)log₂(2/3)(1/3)log₂(1/3)≈-0.667×(-0.585)0.333×(-1.585)≈0.918。H(D|年龄)=(2/8)×0+(3/8)×0+(3/8)×0.918≈0.344。步骤3：信息增益Gain(年龄)=H(D)-H(D|年龄)=0.954-0.344=0.61。2.隐藏层神经元计算：h₁的输入z₁=x₁w₁₁+x₂w₂₁+b₁=1×0.1+2×0.3+0.5=0.1+0.6+0.5=1.2→σ(z₁)=1/(1+e⁻¹·²)≈0.769。h₂的输入z₂=x₁w₁₂+x₂w₂₂+b₂=1×0.2+2×0.4+0.6=0.2+0.8+0.6=1.6→σ(z₂)=1/(1+e⁻¹·⁶)≈0.833。输出层计算：输出o的输入z₃=h₁w₃+h₂w₄+b₃=0.769×0.7+0.833×0.8+0.9≈0.538+0.666+0.9≈2.104→σ(z₃)=1/(1+e⁻²·¹⁰⁴)≈0.890。五、综合题（要点）（1）数据预处理：包括归一化（如将像素值缩放到[0,1]）、数据增强（翻转、旋转、裁剪增加多样性）、划分训练集/验证集/测试集（如7:2:1）。（2）模型架构：选择ResNet（如ResNet-50），理由：残差连接解决深层网络梯度消失问题，适合图像分类任务