人工智能导论-技术、应用及伦理 习题及答案 倪波 第3、4章 低代码开发智能体、机器学习

第3章低代码开发智能体题库一、单项选择题（共29题）1.智能体（Agent）的核心特征是？

A.指令驱动，按步骤执行

B.目标驱动，自主规划完成任务

C.只能处理文本数据

D.需要人工每一步指导

2.智能体工作原理的闭环是？

A.输入-输出

B.感知-决策-行动-反馈

C.训练-测试

D.编码-解码

3.智能体的哪个模块相当于'大脑核心'，负责任务拆解与逻辑推理？

A.感知模块

B.决策模块

C.行动模块

D.记忆模块

4.智能体的哪个模块负责'记住'用户的偏好和历史对话？

A.感知模块

B.决策模块

C.记忆模块

D.反馈模块

5.以下哪类是'最简单反射智能体'的特点？

A.有长期记忆，能持续学习

B.无记忆，按预设规则条件反射式响应

C.能自主规划多步任务

D.能与其他智能体协同

6.'目标导向智能体'的特点是？

A.无记忆，条件反射

B.有明确目标，能自主规划任务步骤

C.追求多目标最优解

D.通过强化学习持续进化

7.'学习型智能体'的核心能力是？

A.按固定规则执行

B.通过数据持续进化，改进策略

C.只能执行预设指令

D.不需要任何训练

8.低代码开发平台的核心优势是？

A.需要精通编程

B.通过可视化拖拽减少代码编写，降低门槛

C.只能开发简单应用

D.开发周期比传统代码更长

9.Coze（扣子）平台的主要特点是？

A.只支持英文，适合海外用户

B.零代码门槛，支持多渠道发布

C.只能开发游戏

D.不支持插件扩展

10.在Coze平台搭建智能体的第一步是？

A.直接发布

B.创建智能体并填写基本信息

C.编写复杂代码

D.购买服务器

11.Coze平台中，'人设与回复逻辑'面板的作用是？

A.配置数据库连接

B.编写提示词，定义智能体的行为和风格

C.上传图片素材

D.设置支付接口

12.Coze平台中，为智能体添加'插件'的目的是？

A.改变智能体名称

B.拓展智能体的能力边界（如联网搜索、文件处理）

C.删除智能体

D.仅用于美化界面

13.智能体与生成式大模型的核心区别是？

A.智能体不能处理文本

B.智能体能自主执行多步任务并交付结果，大模型只给文字建议

C.大模型比智能体更智能

D.两者没有区别

14.以下哪种智能体适合'自动化客服'场景？

A.简单反射智能体

B.目标导向智能体或基于效用的智能体

C.实体机器人智能体

D.只有基于模型的反射智能体

15.低代码开发相比传统代码开发，开发周期通常？

A.更长

B.更短（数天甚至数小时）

C.一样长

D.无法确定

16.Coze平台支持将智能体发布到哪些渠道？（单选）

A.仅限Coze官网

B.微信、抖音、飞书等多个渠道

C.仅限PC端

D.不能发布

17.智能体的'反馈模块'的作用是？

A.接收外部信息

B.执行具体操作

C.评估结果并优化策略，让智能体持续进化

D.存储历史数据

18.在Coze平台调试智能体时，应该？

A.只测试一个场景

B.覆盖核心功能和边缘情况，反复测试

C.不需要调试直接发布

D.只让开发者自己试用

19.'基于效用的智能体'的特点是？

A.只达到目标即可，不关心质量

B.在保证目标达成的同时，追求最优解（如成本最低、效率最高）

C.完全没有目标

D.只能执行单一任务

20.低代码开发平台的核心价值是？

A.让人人都能开发AI应用

B.完全替代专业程序员

C.只能开发玩具应用

D.让开发变得更复杂

21.智能体的'感知模块'相当于？

A.大脑

B.五官（接收信息）

C.手脚（执行动作）

D.记忆系统

22.智能体的'行动模块'相当于？

A.大脑

B.五官

C.手脚（调用工具执行动作）

D.记忆系统

23.Coze平台的'知识库'功能适用于？

A.存储模型参数

B.上传专业文档，让智能体回答垂直领域问题

C.存储用户密码

D.没有实际用途

24.在Coze平台，'自动优化提示词'按钮的作用是？

A.删除提示词

B.用大模型重构提示词为结构化内容

C.自动发布智能体

D.没有任何作用

25.以下哪种场景最适合使用低代码智能体？

A.开发操作系统内核

B.快速搭建课程作业批改助手

C.设计CPU芯片

D.编写操作系统驱动程序

26.智能体开发的主要技术路线有几种？

A.一种（只能写代码）

B.两种：基于框架开发和低代码开发

C.三种：C++、Java、Python

D.无数种

27.LangChain/LangGraph框架适合哪种开发者？

A.完全零基础的用户

B.有Python编程基础，需深度定制功能

C.不适合开发智能体

D.只能用于游戏开发

28.Coze国内版和国际版的主要区别是？

A.没有区别

B.支持的底层大模型和登录方式不同

C.国际版不支持中文

D.国内版不能发布

29.智能体'多轮对话能力'主要依赖于哪个模块？

A.感知模块

B.记忆模块

C.行动模块

D.反馈模块

二、多项选择题（共20题）1.智能体的核心构成模块包括？（多选）

A.感知模块

B.决策模块

C.行动模块

D.记忆模块与反馈模块

2.智能体按自主能力分类，包括以下哪些类型？（多选）

A.简单反射智能体

B.基于模型的反射智能体

C.目标导向智能体

D.基于效用的智能体和学习型智能体

3.低代码开发平台的核心优势包括？（多选）

A.门槛极低，新手可快速上手

B.开发效率高，周期短

C.支持灵活扩展，适配多场景

D.必须精通Python才能使用

4.Coze（扣子）平台的核心特色包括？（多选）

A.零代码门槛，10分钟即可搭建基础智能体

B.内置60余种插件，支持自定义插件

C.支持多格式知识库上传

D.只支持英文，不适合国内用户

5.在Coze平台搭建智能体的主要步骤包括？（多选）

A.创建智能体（基础初始化）

B.编写提示词（定义核心逻辑）

C.添加技能（插件+知识库）

D.调试与发布

6.智能体相比传统工具有以下优势？（多选）

A.目标驱动，无需逐步指令

B.具备自主决策与规划能力

C.可通过反馈持续进化

D.只能执行预设的固定流程

7.以下哪些属于智能体的典型应用场景？（多选）

A.旅行规划（自动查询天气、景点、规划路线）

B.文档整理（自动解析、提取、总结）

C.桌面整理机器人（识别物品、分类收纳）

D.只能用于玩游戏

8.智能体开发的技术路线包括？（多选）

A.代码原生开发（需精通编程）

B.低代码开发（可视化拖拽）

C.不需要任何开发

D.只能使用汇编语言

9.Coze平台支持发布的渠道包括？（多选）

A.Coze商店

B.微信小程序

C.抖音

D.飞书和API集成

10.使用低代码平台开发智能体时，'技能配置'包括？（多选）

A.插件集成（如搜索、OCR、语音）

B.知识库添加（上传专业文档）

C.改写底层大模型算法

D.配置交互设置（如开场白）

11.智能体的'反馈模块'可以实现？（多选）

A.根据用户评价优化输出质量

B.调整决策策略，下次表现更好

C.完全删除用户数据

D.自动重新训练底层大模型

12.以下哪些是智能体与大模型的主要区别？（多选）

A.大模型只给文字建议，智能体可执行多步任务

B.智能体有多模态交互能力

C.智能体可调用工具完成具体操作

D.两者完全没有区别

13.低代码智能体的典型应用案例包括？（多选）

A.有声单词卡（教育场景）

B.文档整理智能体（办公场景）

C.旅行规划智能体（生活场景）

D.只能用于挖矿

14.在Coze平台，提示词编写需要明确？（多选）

A.智能体身份（如'英语学习助手'）

B.语言风格（如'活泼亲切'）

C.功能范围（如'只回答英语相关问题'）

D.底层神经网络的层数

15.智能体'感知模块'可以接收的信息类型包括？（多选）

A.文本输入

B.图片/图像

C.语音输入

D.传感器数据（如激光雷达）

16.使用智能体时的数据伦理要求包括？（多选）

A.不上传敏感个人隐私信息

B.遵守数据合规要求

C.不进行非法监控或侵犯他人隐私

D.可以随意使用他人数据

17.以下哪些平台是国内主流的低代码AI开发平台？（多选）

A.Coze（扣子）

B.百度文心智能体平台

C.华为云Versatile

D.只有国外的平台才好用

18.智能体开发中常见的'逻辑缺失'问题是指？（多选）

A.提示词未明确任务边界

B.决策流程存在漏洞

C.插件调用顺序错误

D.模型参数设置过多

19.评价一个智能体好坏的标准包括？（多选）

A.任务完成准确率

B.响应速度

C.用户体验（交互流畅度）

D.参数规模大小

20.低代码开发对AI产业的主要影响是？（多选）

A.降低了AI应用开发门槛

B.加速了AI应用的普及和落地

C.让更多人能参与AI生态建设

D.没有任何影响

三、填空题（共20题）1.智能体的核心工作闭环是：感知→______→行动→反馈。

2.智能体中负责'接收并解析外部信息'的模块是______模块。

3.智能体中负责'将决策落地为具体操作，如调用API'的模块是______模块。

4.智能体中负责'存储短期上下文和长期用户数据'的模块是______模块。

5.简单反射智能体：无记忆，按______响应，是最基础的类型。

6.______智能体不仅达成目标，还追求成本最低、效率最高的'最优解'。

7.低代码开发平台的核心价值是让______都能开发______应用。

8.Coze（扣子）平台中，______面板用于编写提示词，定义智能体的人设与回复逻辑。

9.Coze平台支持将智能体发布到微信、抖音、______等多个渠道。

10.在Coze平台，为智能体添加______可以使其具备联网查询、文件处理等能力。

11.Coze平台的______功能支持上传PDF、Word等文档，让智能体回答垂直领域问题。

12.智能体与大模型的核心区别：大模型只给______，智能体能自主执行任务并交付结果。

13.低代码开发的主要技术实现方式是______和组件配置。

14.智能体开发中，______模板适用于'已有初稿需要持续改进'的场景。

15.Coze平台提供______和______两个版本，分别使用不同的底层大模型。

16.智能体的______模块根据任务完成情况和用户反馈，调整策略实现持续进化。

17.使用低代码平台开发智能体，开发周期通常只需要数天甚至______。

18.在Coze平台调试智能体时，需要覆盖______和边缘情况，确保稳定运行。

19.智能体按开发模式可分为：代码原生开发和______开发。

20.使用智能体时，需注意数据伦理，不上传______信息，遵守合规要求。

四、场景分析题（共10题）1.你要为班级设计一个'课程作业提交助手'智能体，请描述它的核心功能设计和主要工作流程。

2.使用Coze平台搭建一个'英语单词学习助手'智能体，请列出关键配置步骤。

3.分析：一个'图书馆自习室座位预约智能体'需要具备哪些模块？每个模块的具体功能是什么？

4.你要向一位完全没有编程基础的同学介绍'低代码智能体开发'，请用生活类比的方式解释其核心价值。

5.描述一个智能体处理'帮我规划北京3日游'这个请求的完整工作流程。

6.你在开发一个'宿舍电费查询智能体'时，发现它总是返回错误数据。请描述你的排查和优化思路。

7.比较'传统编程开发智能体'和'低代码开发智能体'的优缺点，并说明各自适合的场景。

8.设计一个'校园食堂人流预警智能体'，描述它需要感知哪些数据，如何决策，如何行动。

9.你要向学校建议引入低代码智能体平台，请写一份简短的'应用价值分析'（150字以内）。

10.分析：智能体开发中，如何避免'过度依赖AI'导致学生思维能力下降？提出至少3条具体措施。

第3章低代码开发智能体参考答案与解析一、单项选择题答案1.答案：B

解析：智能体是目标驱动的，只需给出目标，它能自主规划完成任务，而非逐步指令驱动。

2.答案：B

解析：智能体核心闭环：感知（接收信息）→决策（规划任务）→行动（执行操作）→反馈（优化策略）。

3.答案：B

解析：决策模块是智能体的'大脑'，负责任务拆解、逻辑推理和策略制定。

4.答案：C

解析：记忆模块存储短期上下文和长期用户数据，使智能体服务更个性化。

5.答案：B

解析：简单反射智能体是最基础类型，无记忆，仅按预设规则做条件反射式响应。

6.答案：B

解析：目标导向智能体有明确目标，能将大目标拆解为子任务并自主规划执行顺序。

7.答案：B

解析：学习型智能体通过强化学习等技术，从数据中持续学习并改进决策策略。

8.答案：B

解析：低代码通过可视化拖拽和预置组件，减少70%以上代码编写，大幅降低开发门槛。

9.答案：B

解析：Coze（扣子）是零代码AI应用开发平台，支持多渠道发布，适合国内用户。

10.答案：B

解析：第一步：访问Coze官网，注册登录后创建智能体，填写名称和简介。

11.答案：B

解析：'人设与回复逻辑'面板用于编写提示词，定义智能体的身份、语言风格和功能边界。

12.答案：B

解析：插件为智能体添加具体能力，如联网搜索、OCR识别、语音合成等。

13.答案：B

解析：智能体不仅能对话，还能调用工具自主执行多步任务，直接交付可用结果。

14.答案：B

解析：客服场景需要理解用户意图、规划回复策略，目标导向型智能体最为适合。

15.答案：B

解析：低代码开发周期通常为数天甚至数小时，远低于传统代码开发的月级周期。

16.答案：B

解析：Coze支持多渠道发布，包括微信小程序、抖音、飞书等国内主流平台。

17.答案：C

解析：反馈模块根据任务完成情况和用户评价，调整智能体策略，实现持续进化。

18.答案：B

解析：调试时应模拟多种使用场景，覆盖核心功能和边缘情况，确保智能体稳定可靠。

19.答案：B

解析：基于效用的智能体不仅达成目标，还追求多目标的最优平衡。

20.答案：A

解析：低代码的核心是降低门槛，让非专业人士也能将想法转化为可用的AI应用。

21.答案：B

解析：感知模块是智能体的'五官'，负责接收并解析外部信息。

22.答案：C

解析：行动模块是智能体的'手脚'，通过调用API或插件执行具体操作。

23.答案：B

解析：知识库用于上传专业文档，使智能体能够基于指定资料回答垂直领域问题。

24.答案：B

解析：'自动优化提示词'功能利用大模型将混乱的提示词重构为结构清晰的内容。

25.答案：B

解析：低代码智能体适合快速搭建应用型工具，如作业批改助手、客服机器人等。

26.答案：B

解析：主流技术路线：基于框架开发（需编程）和低代码开发（可视化拖拽）。

27.答案：B

解析：LangChain等框架适合有编程基础的开发者，可实现高度定制化的智能体。

28.答案：B

解析：国内版使用国内大模型（如Qwen），国际版使用GPT/Claude，登录方式也不同。

29.答案：B

解析：记忆模块存储对话上下文，是实现多轮对话连贯性的关键。

二、多项选择题答案1.答案：A,B,C,D

解析：五大模块：感知、决策、行动、记忆、反馈，共同构成完整的智能体系统。

2.答案：A,B,C,D

解析：按自主能力分为五类：简单反射、基于模型反射、目标导向、基于效用、学习型。

3.答案：A,B,C

解析：低代码三大优势：低门槛、高效率、灵活扩展，无需精通编程。

4.答案：A,B,C

解析：Coze特色：零代码、丰富插件生态、便捷知识管理、多渠道部署。

5.答案：A,B,C,D

解析：五步流程：创建→编写提示词→添加技能→调试→发布，完整覆盖开发全生命周期。

6.答案：A,B,C

解析：智能体三大核心特征：目标驱动、自主决策、可进化，区别于传统工具。

7.答案：A,B,C

解析：智能体已应用于旅行规划、文档处理、实体机器人等多个领域。

8.答案：A,B

解析：两条主流技术路线：代码原生开发（灵活但门槛高）和低代码开发（高效且低门槛）。

9.答案：A,B,C,D

解析：Coze支持多渠道发布，覆盖国内主流平台和API集成方式。

10.答案：A,B,D

解析：技能配置主要通过插件和知识库拓展能力，无需改写底层算法。

11.答案：A,B

解析：反馈模块根据用户评价调整策略，实现智能体的持续进化。

12.答案：A,B,C

解析：智能体=大模型+工具调用+任务规划，能交付实际结果，而不仅是文字建议。

13.答案：A,B,C

解析：低代码智能体已应用于教育、办公、生活服务等多个场景，普惠AI能力。

14.答案：A,B,C

解析：提示词三要素：身份、风格、功能范围，共同定义智能体的行为边界。

15.答案：A,B,C,D

解析：感知模块可通过多种接口接收文本、图像、语音及传感器数据。

16.答案：A,B,C

解析：智能体开发需遵守数据伦理，保护隐私、合规使用数据。

17.答案：A,B,C

解析：国内主流低代码AI平台包括Coze、文心智能体、华为云Versatile等。

18.答案：A,B,C

解析：逻辑缺失主要指提示词或决策流程设计不完善，导致智能体行为异常。

19.答案：A,B,C

解析：评价智能体应关注任务效果、响应速度和用户体验，而非单纯看参数规模。

20.答案：A,B,C

解析：低代码开发通过降低门槛，加速了AI技术普惠和产业落地。

三、填空题答案1.答案：决策

解析：智能体工作原理：感知-决策-行动-反馈。

2.答案：感知

解析：感知模块是智能体的'五官'。

3.答案：行动

解析：行动模块是智能体的'手脚'。

4.答案：记忆

解析：记忆模块使智能体能记住历史对话和用户偏好。

5.答案：预设规则（或条件反射）

解析：简单反射智能体只按预设规则做条件反射式响应。

6.答案：基于效用（或效用导向）

解析：基于效用的智能体追求多目标最优解。

7.答案：人人（或非专业人士）、AI（或智能体）

解析：低代码让非专业人士也能开发AI应用。

8.答案：人设与回复逻辑

解析：人设与回复逻辑面板是提示词编写入口。

9.答案：飞书（或API）

解析：Coze支持多渠道发布，包括飞书等。

10.答案：插件

解析：插件拓展智能体的能力边界。

11.答案：知识库

解析：知识库功能让智能体掌握专业知识。

12.答案：文字建议（或文本回复）

解析：智能体不仅能对话，还能执行实际操作。

13.答案：可视化拖拽

解析：低代码通过可视化拖拽实现快速开发。

14.答案：迭代优化

解析：迭代优化模板用于持续改进输出质量。

15.答案：国内版、国际版

解析：Coze有国内版（Qwen等）和国际版（GPT等）。

16.答案：反馈

解析：反馈模块是智能体的'成长引擎'。

17.答案：数小时

解析：低代码开发效率极高，周期可缩短至数小时。

18.答案：核心功能

解析：调试需覆盖核心功能和边缘情况。

19.答案：低代码（或零代码）

解析：两种开发模式：代码原生和低代码。

20.答案：敏感隐私（或个人隐私）

解析：数据伦理要求保护隐私，不上传敏感信息。

四、场景分析题参考答案1.参考答案：

参考答案：功能设计：1）接收学生上传的作业文件；2）自动检查文件格式和命名规范；3）记录提交时间；4）向教师发送汇总报告。工作流程：感知（接收文件）→决策（检查格式）→行动（记录+通知）→反馈（异常提醒）。评分要点：体现感知-决策-行动-反馈闭环。

2.参考答案：

参考答案：1）创建智能体，名称'英语单词助手'；2）编写提示词：身份为'英语学习助手'，风格'活泼亲切'，功能'生成单词卡片、例句、发音指导'；3）添加插件：语音合成（TTS）、在线词典API；4）上传知识库：四六级核心词汇表；5）调试后发布到微信小程序。评分要点：步骤完整，配置合理。

3.参考答案：

参考答案：感知模块：接收学生预约请求（时间、座位号）；决策模块：判断座位是否已被预约，规划预约记录；行动模块：调用数据库API完成预约登记，发送确认通知；记忆模块：存储学生的预约历史和偏好；反馈模块：根据预约成功率优化推荐策略。评分要点：五大模块功能描述准确。

4.参考答案：

参考答案：类比：传统代码开发就像从零开始用砖头盖房子，需要专业建筑师（程序员）；低代码开发就像用乐高积木搭房子，只要会看图纸（拖拽组件），谁都能搭出可用的小屋。核心价值：让每个人都能把想法变成实际可用的AI工具，不再被编程门槛挡在门外。评分要点：类比生动，体现低代码普惠价值。

5.参考答案：

参考答案：1）感知：接收用户请求，提取关键信息（目的地：北京，时长：3天）；2）决策：拆解为子任务——查天气、筛景点、规划路线、整理清单；3）行动：调用天气插件查北京天气，调用景点API获取推荐，规划每日行程；4）反馈：如用户对行程不满意，记录反馈，调整后续规划策略（如增加休息时间）。评分要点：完整体现闭环逻辑。

6.参考答案：

参考答案：排查思路：1）检查感知模块：是否正确接收了宿舍号和查询月份；2）检查决策模块：API调用逻辑是否正确；3）检查行动模块：API返回数据是否解析正确；4）检查反馈模块：是否记录了历史错误。优化方案：增加数据校验规则，添加异常提示，引入用户反馈机制。评分要点：系统性排查思路，体现反馈优化意识。

7.参考答案：

参考答案：传统编程：优点（灵活性强、可深度定制）；缺点（门槛高、周期长）。适合：复杂企业级应用。低代码：优点（门槛低、速度快）；缺点（灵活性受限）。适合：快速原型、教学演示、中小型应用。评分要点：能客观比较两种方式，并结合场景选择。

8.参考答案：

参考答案：感知：各食堂安装了摄像头的人流计数、历史就餐高峰数据、当日天气（影响就餐选择）；决策：分析当前人流是否超载，预测未来30分钟人流趋势，推荐最佳就餐食堂和时间；行动：通过校园APP向用户推送预警通知，更新食堂电子屏显示；反馈：根据实际就餐人数与预测对比，优化预测算法。评分要点：体现数据驱动决策和闭环优化。

9.参考答案：

参考答案：低代码智能体平台可降低AI应用开发门槛，让师生无需编程基础即可搭建教学助手、校园服务等智能应用。它能提升教务管理效率（如自动答疑、作业提醒），丰富教学形式（如互动学习智能体），培养学生AI素养。建议选择支持多渠道发布的国内平台（如Coze），快速落地试点场景。评分要点：体现应用价值，有明确建议。

10.参考答案：

参考答案：措施：1）设置'AI辅助模式'和'独立模式'切换，关键考核环节强制独立模式；2）要求学生在提交AI辅助作业时，同时提交'思路说明'，证明自己理解解题过程；3）设计'AI协作'类考题，考察学生评价和引导AI的能力，而非单纯使用AI。核心：AI是副驾驶，学生是驾驶员。评分要点：措施具体可行，体现正确的人机协作观。第4章机器学习题库一、单项选择题（共29题）1.机器学习的核心思想是？

A.人工编写所有规则

B.从数据中自动学习规律

C.只能处理图像数据

D.不需要任何数据

2.以下哪种学习方式是'有标签'的学习？

A.无监督学习

B.监督学习

C.强化学习

D.迁移学习

3.以下哪种学习方式是'无标签'的学习？

A.监督学习

B.无监督学习

C.半监督学习

D.强化学习

4.K-Means是一种典型的______算法。

A.分类

B.聚类（无监督学习）

C.回归

D.降维

5.决策树的核心思想是？

A.随机猜测

B.通过一系列判定规则对数据进行划分

C.只能处理连续变量

D.不需要训练

6.过拟合是指模型？

A.在训练集上表现差

B.在训练集上表现太好，泛化能力差

C.参数太少

D.训练速度太慢

7.交叉验证的主要目的是？

A.增加训练时间

B.评估模型的泛化能力

C.减少数据量

D.让模型更复杂

8.特征工程是指？

A.删除所有特征

B.对原始特征进行处理，提取更有价值的特征

C.随机生成新特征

D.不需要特征

9.线性回归适用于哪种任务？

A.分类任务

B.回归任务（连续值预测）

C.聚类任务

D.降维任务

10.逻辑回归虽然叫'回归'，但实际上是一种______算法。

A.回归

B.分类

C.聚类

D.降维

11.以下哪种算法可以自然地处理多分类问题？

A.简单线性回归

B.Softmax回归

C.岭回归

D.Lasso

12.支持向量机（SVM）的核心思想是？

A.找到一条曲线分隔数据

B.找到使间隔最大的超平面

C.随机分割数据

D.只关注局部数据

13.朴素贝叶斯分类器基于______定理。

A.贝叶斯

B.泰勒

C.傅里叶

D.贝叶斯和泰勒

14.集成学习的主要思想是？

A.使用单个强模型

B.结合多个弱模型提升整体性能

C.减少数据量

D.增加模型复杂度

15.Bagging的核心思想是？

A.串行训练多个模型

B.并行训练多个独立模型并投票

C.只用一个模型

D.不需要训练

16.Boosting的核心思想是？

A.并行训练

B.串行训练，每轮关注前一轮的错误样本

C.随机删除样本

D.不需要标签

17.随机森林是______和______的结合。

A.决策树和Bagging

B.SVM和神经网络

C.K-Means和PCA

D.线性回归和逻辑回归

18.梯度下降算法中，学习率过大可能导致？

A.收敛更快

B.震荡不收敛

C.完全无影响

D.自动停止

19.梯度下降算法中，学习率过小可能导致？

A.不收敛

B.收敛极慢，计算效率低

C.自动跳出局部最优

D.无任何影响

20.批量梯度下降（BatchGD）的特点是？

A.每次更新用全部训练数据

B.每次更新用一个样本

C.每次更新用随机子集

D.不需要计算梯度

21.随机梯度下降（SGD）的特点是？

A.每次更新用全部数据

B.每次更新用一个样本

C.内存消耗最大

D.一定能找到全局最优

22.机器学习项目的标准流程是？

A.数据采集→数据预处理→特征工程→模型训练→模型评估

B.直接训练模型

C.不需要评估

D.只关注模型复杂度

23.训练集、验证集、测试集的主要区别在于？

A.数据量大小

B.用途不同：训练用、调参用、最终评估用

C.数据格式不同

D.没有区别

24.ROC曲线下的面积（AUC）用于衡量什么？

A.模型训练速度

B.二分类模型的性能

C.数据量大小

D.特征维度

25.混淆矩阵中，真正例（TP）是指？

A.负样本被预测为负

B.正样本被预测为正

C.正样本被预测为负

D.负样本被预测为正

26.召回率（Recall）的计算公式是？

A.TP/(TP+FP)

B.TP/(TP+FN)

C.TN/(TN+FP)

D.Accuracy

27.精确率（Precision）的计算公式是？

A.TP/(TP+FP)

B.TP/(TP+FN)

C.TN/(TN+FP)

D.Accuracy

28.F1分数是______和______的调和平均数。

A.精确率，召回率

B.准确率和错误率

C.真正例和假正例

D.训练集和测试集

29.机器学习中，'维度灾难'是指？

A.特征太多导致模型难以训练

B.维度低导致信息丢失

C.数据量太少

D.模型太简单

二、多项选择题（共20题）1.机器学习的主要学习方式包括？（多选）

A.监督学习

B.无监督学习

C.强化学习

D.情感学习

2.常见的监督学习任务包括？（多选）

A.分类（Classification）

B.回归（Regression）

C.聚类（Clustering）

D.降维（DimensionalityReduction）

3.常见的无监督学习任务包括？（多选）

A.聚类

B.降维

C.密度估计

D.分类

4.防止过拟合的方法包括？（多选）

A.增加训练数据

B.正则化（L1/L2）

C.交叉验证

D.减少模型复杂度

5.常见的特征处理方法包括？（多选）

A.归一化/标准化

B.特征选择

C.特征提取（如PCA）

D.随机删除特征

6.以下哪些是集成学习方法？（多选）

A.随机森林（Bagging）

B.AdaBoost（Boosting）

C.梯度提升树（GBDT）

D.K-Means

7.评估分类模型的常用指标包括？（多选）

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.F1分数

8.线性回归的假设包括？（多选）

A.线性关系

B.误差项独立同分布

C.多重共线性不影响

D.误差项服从正态分布

9.决策树的优点包括？（多选）

A.可解释性强

B.对特征缩放不敏感

C.能处理非线性关系

D.训练速度最快

10.机器学习项目的标准流程步骤包括？（多选）

A.数据采集与清洗

B.特征工程

C.模型选择与训练

D.模型评估与部署

11.以下哪些算法可用于分类任务？（多选）

A.逻辑回归

B.支持向量机（SVM）

C.决策树

D.K-Means

12.梯度下降的变体包括？（多选）

A.批量梯度下降（BatchGD）

B.随机梯度下降（SGD）

C.小批量梯度下降（Mini-batchGD）

D.牛顿梯度下降

13.正则化方法包括？（多选）

A.L1正则化（Lasso）

B.L2正则化（Ridge）

C.丢弃法（Dropout）

D.数据增强

14.交叉验证的常用方法包括？（多选）

A.K折交叉验证

B.留出法（Hold-out）

C.留一交叉验证（LOOCV）

D.不做验证

15.机器学习中，常见的性能评估场景包括？（多选）

A.二分类评估（AUC-ROC）

B.多分类评估（混淆矩阵）

C.回归评估（MSE、R²）

D.聚类评估（轮廓系数）

16.以下哪些是处理类别型特征的方法？（多选）

A.独热编码（One-HotEncoding）

B.标签编码（LabelEncoding）

C.目标编码（TargetEncoding）

D.直接删除

17.神经网络中的激活函数包括？（多选）

A.Sigmoid

B.Tanh

C.ReLU

D.Softmax

18.Boosting算法家族包括？（多选）

A.AdaBoost

B.梯度提升树（GBDT）

C.XGBoost

D.LightGBM

19.机器学习中，数据预处理步骤包括？（多选）

A.缺失值处理

B.异常值处理

C.数据归一化/标准化

D.特征编码

20.以下哪些场景适合使用机器学习？（多选）

A.图像分类（如手写数字识别）

B.自然语言处理（如情感分析）

C.推荐系统（如商品推荐）

D.纯数学定理证明

三、填空题（共20题）1.机器学习三大主要学习方式：______、______和强化学习。

2.监督学习分为______任务和______任务两大类。

3.______学习使用无标签数据，发现数据内在结构。

4.过拟合是指模型在______上表现太好，在______上表现差。

5.交叉验证最常用的是______折交叉验证。

6.线性回归的loss函数通常使用______误差（MSE）。

7.逻辑回归使用______函数将线性输出映射到(0,1)概率区间。

8.决策树通过______和______两个指标进行特征选择。

9.随机森林是______和______的结合。

10.梯度下降更新参数公式：θ=θ-______×梯度。

11.批量梯度下降每次更新使用______个样本。

12.SGD每次更新使用______个样本。

13.Mini-batchGD每次更新使用______个样本。

14.L1正则化（Lasso）可以使部分权重变为______。

15.L2正则化（Ridge）使权重趋向于______，但不为0。

16.AUC-ROC的取值范围是从______到______。

17.混淆矩阵中，FP表示______样本被预测为______。

18.特征工程中的PCA是一种______方法。

19.在模型评估中，______集用于调整超参数，______集用于最终评估。

20.机器学习项目流程：数据采集→______→特征工程→模型训练→______→部署。

四、场景分析题（共10题）1.你要解决一个'根据历史数据预测房价'的任务，应该选用哪种机器学习方法？描述完整建模流程。

2.解释监督学习中的'偏差-方差困境'，并说明如何通过模型选择和正则化来平衡。

3.比较KNN、决策树、SVM三种分类算法的优缺点及适用场景。

4.你要处理一个类别极不平衡的数据集（如欺诈检测，欺诈仅占1%）。描述你会采取哪些策略来提升模型性能。

5.描述如何使用交叉验证进行模型选择和超参数调优。

6.解释神经网络中的'梯度消失'问题，以及如何缓解。

7.你要向一位高中生解释'机器学习'和'传统编程'的区别，请用生活类比。

8.分析：一个垃圾邮件分类器在测试集上准确率99%，但实际使用时效果很差。可能的原因有哪些？如何解决？

9.描述如何使用逻辑回归进行二分类，包括：Sigmoid函数的作用、损失函数、梯度下降更新公式。

10.你要为班级同学讲解'为什么需要训练集、验证集、测试集三个数据集'，请用通俗易懂的方式解释。

第4章机器学习参考答案与解析一、单项选择题答案1.答案：B

解析：机器学习通过算法让计算机从数据中自动学习规律，而非人工编写规则。

2.答案：B

解析：监督学习使用带标签的训练数据，学习输入到输出的映射关系。

3.答案：B

解析：无监督学习处理无标签数据，发现数据内在结构和模式。

4.答案：B

解析：K-Means是无监督学习中的经典聚类算法。

5.答案：B

解析：决策树通过递归划分特征空间，生成易解释的判定规则。

6.答案：B

解析：过拟合指模型过度记忆训练数据，导致在新数据上泛化能力差。

7.答案：B

解析：交叉验证通过多次划分训练/验证集，准确评估模型泛化能力。

8.答案：B

解析：特征工程通过预处理、选择、变换等方式，提升特征对任务的表达能力。

9.答案：B

解析：线性回归用于预测连续数值，是回归任务的基础算法。

10.答案：B

解析：逻辑回归用于二分类任务，通过Sigmoid函数输出概率值。

11.答案：B

解析：Softmax回归（多分类逻辑回归）可自然处理多分类问题。

12.答案：B

解析：SVM通过最大化分类间隔，提升模型的泛化能力和鲁棒性。

13.答案：A

解析：朴素贝叶斯基于贝叶斯定理，假设特征条件独立。

14.答案：B

解析：集成学习通过组合多个基模型，降低方差或偏差，提升泛化能力。

15.答案：B

解析：Bagging（如随机森林）并行训练多个模型，通过投票降低方差。

16.答案：B

解析：Boosting（如AdaBoost、GBDT）串行训练，每轮调整样本权重关注难样本。

17.答案：A

解析：随机森林=决策树+Bagging，通过多棵决策树的投票提升性能。

18.答案：B

解析：学习率过大导致参数更新步长太大，损失函数震荡甚至不收敛。

19.答案：B

解析：学习率过小导致收敛速度极慢，需要更多迭代次数。

20.答案：A

解析：BatchGD每次更新使用全部数据，稳定但计算开销大。

21.答案：B

解析：SGD每次使用一个样本更新，速度快但震荡较大。

22.答案：A

解析：标准流程：采集→预处理→特征工程→训练→评估→部署。

23.答案：B

解析：训练集用于学习参数，验证集用于调超参数，测试集用于最终评估。

24.答案：B

解析：AUC-ROC衡量二分类模型在不同阈值下的综合性能，AUC=1表示完美分类。

25.答案：B

解析：TP=TruePositive，实际为正且预测为正的样本数。

26.答案：B

解析：召回率=TP/(TP+FN)，衡量模型找出所有正样本的能力。

27.答案：A

解析：精确率=TP/(TP+FP)，衡量预测为正的样本中有多少是真正的正样本。

28.答案：A

解析：F1=2×(Precision×Recall)/(Precision+Recall)，综合精确率和召回率。

29.答案：A

解析：维度灾难指特征维度过高时，数据稀疏、计算困难、过拟合风险增加。

二、多项选择题答案1.答案：A,B,C

解析：三大主要学习方式：监督学习（有标签）、无监督学习（无标签）、强化学习（奖励信号）。

2.答案：A,B

解析：监督学习主要包括分类（预测类别）和回归（预测连续值）。

3.答案：A,B,C

解析：无监督学习包括聚类、降维、密度估计等，无需标签数据。

4.答案：A,B,C,D

解析：防止过拟合：更多数据、正则化、交叉验证、简化模型、早停等。

5.答案：A,B,C

解析：特征工程包括归一化、标准化、特征选择、特征提取等方法。

6.答案：A,B,C

解析：集成学习主要方法：Bagging（随机森林）、Boosting（AdaBoost、GBDT、XGBoost）。

7.答案：A,B,C,D

解析：分类任务常用指标：准确率、精确率、召回率、F1、AUC-ROC等。

8.答案：A,B,D

解析：线性回归假设：线性关系、误差独立同分布、无多重共线性、误差正态等。

9.答案：A,B,C

解析：决策树优点：可解释、无需特征缩放、能捕捉非线性关系。

10.答案：A,B,C,D

解析：标准流程：数据采集→清洗→特征工程→模型训练→评估→部署。

11.答案：A,B,C

解析：逻辑回归、SVM、决策树可用于分类；K-Means是聚类算法。

12.答案：A,B,C

解析：三大变体：BatchGD、SGD、Mini-batchGD，平衡收敛稳定性和计算效率。

13.答案：A,B,C

解析：正则化方法：L1/L2（线性回归、逻辑回归）、Dropout（神经网络）等。

14.答案：A,B,C

解析：常用交叉验证：K折、留出法、LOOCV，评估模型泛化能力。

15.答案：A,B,C,D

解析：不同任务有不同评估指标：分类用AUC/混淆矩阵，回归用MSE/R²，聚类用轮廓系数。

16.答案：A,B,C

解析：类别特征处理：独热编码、标签编码、目标编码等，根据模型选择合适方法。

17.答案：A,B,C,D

解析：常见激活函数：Sigmoid、Tanh、ReLU、LeakyReLU、Softmax等。

18.答案：A,B,C,D

解析：Boosting家族：AdaBoost、GBDT、XGBoost、LightGBM、CatBoost等。

19.答案：A,B,C,D

解析：数据预处理：缺失值填充、异常值处理、归一化、标准化、特征编码等。

20.答案：A,B,C

解析：机器学习适合图像分类、NLP、推荐系统等数据驱动任务；定理证明更适合符号推理。

三、填空题答案1.答案：监督学习、无监督学习

解析：三大学习方式：监督、无监督、强化学习。

2.答案：分类、回归

解析：监督学习包括分类（类别预测）和回归（连续值预测）。

3.答案：无监督（或聚类）

解析：无监督学习处理无标签数据。

4.答案：训练集、测试集（或新数据）

解析：过拟合：训练集好，测试集差。

5.答案：K（或10）

解析：K折交叉验证最常用，如10折交叉验证。

6.答案：均方（或平方）

解析：线性回归常用均方误差MSE作为损失函数。

7.答案：Sigmoid

解析：逻辑回归用Sigmoid函数输出概率值。

8.答案：信息增益、基尼系数

解析：决策树用信息增益（ID3）或基尼系数（CART）选择特征。

9.答案：决策树、Bagging

解析：随机森林=决策树+Bagging集成。

10.答案：学习率（或α）

解析：梯度下降：θ_new=θ_old-α×∇J(θ)。

11.答案：全部（或所有）

解析：BatchGD使用全部训练样本更新一次参数。

12.答案：1（或一个）

解析：SGD每次使用一个样本进行参数更新。

13.答案：一小批（或若干个，如32/64/128）

解析：Mini-batchGD使用一小批样本，平衡稳定性和效率。

14.答案：零（或0）

解析：L1正则化具有稀疏性，可使部分权重变为0，实现特征选择。

15.答案：零（或接近0）

解析：L2正则化使权重接近0但不为0，防止过拟合。

16.答案：0、1

解析：AUC取值范围[0,1]，AUC=1表示完美分类，AUC=0.5表示随机分类。

17.答案：负、正（或假正例）

解析：FP=FalsePositive，实际为负但预测为正。

18.答案：降维（或特征提取）

解析：PCA（主成分分析）是无监督降维方法。

19.