2026年青岛大学函授考试试题及答案

2026年青岛大学函授考试试题及答案考试时长：120分钟满分：100分班级：__________姓名：__________学号：__________得分：__________一、单选题（总共10题，每题2分，总分20分）1.下列哪项不属于人工智能的核心技术领域？A.机器学习B.自然语言处理C.大数据分析D.生物遗传算法2.在神经网络中，用于计算输入层与隐藏层之间加权和的数学工具是？A.激活函数B.梯度下降C.权重矩阵D.反向传播3.根据图灵测试的定义，通过文字交互判断机器是否具备人类智能的关键标准是？A.计算速度B.知识储备C.语言流畅度D.逻辑推理能力4.在强化学习中，智能体通过试错学习最优策略，其核心奖励机制通常采用？A.动态规划B.Q-学习C.贝叶斯估计D.蒙特卡洛模拟5.下列哪种算法不属于监督学习范畴？A.决策树B.支持向量机C.K-近邻D.K-均值聚类6.在深度学习模型中，用于降低模型过拟合的常见技术是？A.数据增强B.正则化C.批归一化D.自编码器7.根据冯•诺依曼架构，计算机存储器的主要功能是？A.处理指令B.存储数据C.输出结果D.控制运算8.在自然语言处理中，用于将文本转换为数值向量的技术是？A.主题模型B.词嵌入C.逻辑回归D.生成对抗网络9.下列哪项是深度强化学习中的典型应用场景？A.图像分类B.策略游戏C.文本生成D.推荐系统10.根据香农信息论，信息熵的主要作用是？A.衡量数据冗余B.提升传输速率C.压缩文件大小D.增强系统稳定性二、填空题（总共10题，每题2分，总分20分）1.人工智能的“三大支柱”包括______、______和______。2.神经网络的反向传播算法通过______更新权重，以最小化损失函数。3.图灵测试由英国科学家______于1950年提出，用于评估机器的______。4.强化学习中的“马尔可夫决策过程”简称______，其核心要素包括______、______和______。5.支持向量机通过寻找最优超平面将不同类别的数据______。6.在深度学习中，卷积神经网络（CNN）主要适用于______任务，而循环神经网络（RNN）则擅长处理______序列。7.计算机硬件的“冯•诺依曼结构”包含______、______和______三大部件。8.自然语言处理中的“词袋模型”（Bag-of-Words）假设文本中的词语______。9.强化学习中的“Q-学习”算法通过______表记录状态-动作价值，逐步优化策略。10.信息熵的单位是______，其值越大表示信息的不确定性______。三、判断题（总共10题，每题2分，总分20分）1.机器学习属于人工智能的子领域，但两者概念完全独立。（×）2.深度学习模型必须包含至少一个隐藏层才能称为“深度”网络。（√）3.图灵测试的成功标准是机器能通过所有人类提问的90%。（×）4.强化学习中的“折扣因子”γ取值范围为[0,1]，越大表示更重视未来奖励。（√）5.决策树算法属于无监督学习方法。（×）6.正则化技术（如L2惩罚）通过限制模型参数数量来防止过拟合。（×）7.计算机存储器分为RAM和ROM，其中ROM是可读写的。（×）8.词嵌入技术（如Word2Vec）能将语义相近的词语映射到同一向量空间。（√）9.策略游戏（如围棋）是深度强化学习的典型应用，AlphaGo是代表性模型。（√）10.信息熵在信息论中用于衡量消息的平均信息量，单位是比特（bit）。（√）四、简答题（总共4题，每题4分，总分16分）1.简述机器学习与深度学习的区别与联系。答：机器学习是人工智能的子领域，通过算法从数据中学习规律；深度学习是机器学习的一个分支，利用多层神经网络自动提取特征，两者联系在于深度学习依赖机器学习理论，但更侧重于大规模数据和高层次抽象。2.解释强化学习中的“折扣因子”γ的作用。答：折扣因子γ用于平衡即时奖励与未来奖励的重要性，0表示只关注当前收益，1表示同等重视所有时间步的奖励，取值范围[0,1]可调整策略的长期规划能力。3.描述自然语言处理中“词嵌入”技术的意义。答：词嵌入将离散词语映射为连续向量，保留语义关系（如“国王-皇后”≈“男人-女人”），使模型能处理文本数据，是文本分类、情感分析等任务的基础。4.列举三种常见的深度学习模型，并说明其典型应用场景。答：-卷积神经网络（CNN）：图像识别（如人脸检测）；-循环神经网络（RNN）：时间序列预测（如股票价格）；-生成对抗网络（GAN）：图像生成（如风格迁移）。五、应用题（总共4题，每题6分，总分24分）1.假设一个简单的Q-学习算法用于训练智能体在迷宫中寻找出口，状态空间为{A,B,C,D,E,F}，动作空间为{↑,↓,←,→}，初始状态为A，奖励函数为到达F时奖励+10，其他状态奖励为-1。请写出Q表的初始状态-动作价值矩阵（假设学习率α=0.1，折扣因子γ=0.9）。答：初始Q表（部分示例）：|状态\动作|↑|↓|←|→||----------|---|---|---|---||A|0|0|0|0||B|0|0|0|0||C|0|0|0|0||D|0|0|0|0||E|0|0|0|0||F|10|10|10|10|更新规则：Q(s,a)←Q(s,a)+α[r+γmax_a'Q(s',a')-Q(s,a)]，其中s'为s执行a后的下一状态。2.设计一个简单的词嵌入模型，输入为“我喜欢吃饭”，输出为每个词的二维向量，假设词表大小为5，初始向量随机生成，使用Skip-gram模型进行训练。答：-词表：{"我":0,"喜欢":1,"吃":2,"饭":3,"<UNK>":4}；-Skip-gram目标：通过上下文预测中心词，如“喜欢”的上下文为“我”和“吃”；-训练过程：1.将“我喜欢吃饭”转为索引[0,1,2,3]；2.对每个中心词生成上下文窗口，如“喜欢”的上下文为[0,2]；3.计算中心词向量与上下文词向量的内积，通过反向传播更新权重。3.某公司希望利用深度学习预测用户购买行为，数据集包含用户年龄、性别、浏览时长等特征，请简述如何构建预测模型。答：-数据预处理：标准化数值特征，独热编码分类特征；-模型选择：可采用全连接神经网络（MLP）或梯度提升树（如XGBoost）；-训练过程：1.将数据分为训练集和测试集；2.使用交叉熵损失函数训练分类模型；3.评估指标为准确率、召回率或AUC。4.解释图灵测试的局限性，并提出改进方向。答：-局限性：1.仅依赖语言交互，无法测试机器的感知、推理等能力；2.人类评分主观性强，易受文化背景影响；-改进方向：1.结合多模态交互（如语音、图像）；2.使用标准化评分标准（如BLEU、ROUGE）；3.引入跨领域测试（如科学推理）。【标准答案及解析】一、单选题1.C机器学习、自然语言处理、大数据分析是AI核心领域，生物遗传算法属于进化计算。2.C权重矩阵存储输入层与隐藏层连接的系数，用于加权求和。3.C图灵测试通过自然语言交互判断机器能否“像人一样思考”，核心标准是语言流畅度。4.BQ-学习通过更新Q表（状态-动作价值）学习最优策略，属于值函数方法。5.DK-均值聚类属于无监督学习，其余为监督学习。6.B正则化（如L2）通过惩罚项限制参数大小，防止过拟合。7.B冯•诺依曼架构以存储器为核心，用于存放指令和数据。8.B词嵌入（如Word2Vec）将词语映射为向量，保留语义关系。9.B策略游戏（如AlphaGo）是深度强化学习的典型应用。10.A信息熵衡量信息的不确定性，值越大冗余越高。二、填空题1.机器学习、深度学习、计算机视觉2.梯度下降3.阿兰•图灵，智能4.MarkovDecisionProcess（MDP），状态，动作，奖励5.分离6.图像识别，序列数据7.运算器，控制器，存储器8.独立9.Q10.比特，越高三、判断题1.×机器学习依赖AI，但AI包含更广泛领域（如专家系统）。2.√深度网络至少包含一个隐藏层，层数越多越“深”。3.×成功标准是机器能通过人类30%的提问。4.√γ=1时完全重视未来奖励，γ=0时仅关注当前收益。5.×决策树依赖标签数据学习分类规则。6.×正则化限制参数大小，而非数量。7.×ROM是只读存储器，不可写。8.√词嵌入通过向量距离反映语义相似度。9.√AlphaGo使用深度神经网络和强化学习击败人类。10.√信息熵单位为比特，衡量信息量。四、简答题1.机器学习通过算法从数据中学习模式，深度学习使用多层神经网络自动提取特征，两者联系在于深度学习依赖机器学习理论，但更擅长处理大规模数据和高层次抽象。2.折扣因子γ平衡即时与未来奖励，0表示只看当前收益，1表示同等重视所有时间步，取值[0,1]可调整策略的长期规划能力。3.词嵌入将离散词语映射为连续向量，保留语义关系（如“国王-皇后”≈“男人-女人”），使模型能处理文本数据，是文本分类、情感分析等任务的基础。4.-CNN：图像识别（如人脸检测）；-RNN：时间序列预测（如股票价格）；-GAN：图像生成（如风格迁移）。五、应用题1.Q表初始状态-动作价值矩阵示例：|状态\动作|↑|↓|←|→||----------|---|---|---|---||A|0|0|0|0||B|0|0|0|0||C|0|0|0|0||D|0|0|0|0||E|0|0|0|0||F|10|10|10|10|更新规则：Q(s,a)←Q(s,a)+α[r+γmax_a'Q(s',a')-Q(s,a)]，其中s'为s执行a后的下一状态。2.Skip-gram模型设计：-词表：{"我":0,"喜欢":1,"吃":2,"饭":3,"<UNK>":4}；-训练过程：1.将“我喜欢吃饭”转为索引[0,1,2,3]；2.上下文窗口：如“喜欢”的上下文为[0,2]；3.计算中心词向量与上下文词向量的内积，通过反向传播更新权重。3.预测用户购买行为模型构建：-数据预处理：标准化数值特征（年龄、浏览时长），独热编码分类特征（性别）；