2026年学生期中考试试题及答案

2026年学生期中考试试题及答案考试时长：120分钟满分：100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，通过机器行为无法完全模拟人类思维的关键挑战在于？A.计算资源限制B.语义理解偏差C.硬件架构差异D.数据标注质量4.在决策树算法中，选择分裂属性时常用的指标是？A.信息熵B.决策规则C.算法复杂度D.预测误差5.下列哪种方法不属于强化学习的模型无关型算法？A.Q-learningB.SARSAC.DQND.A3C6.在卷积神经网络中，用于提取局部特征并保持空间不变性的结构是？A.全连接层B.批归一化C.卷积核D.池化层7.根据奥卡姆剃刀原则，在模型选择时应优先考虑哪种策略？A.参数量最大的模型B.训练误差最小的模型C.简单且有效的模型D.计算效率最高的模型8.在生成对抗网络（GAN）中，判别器的主要作用是？A.生成数据样本B.判定样本真实性C.优化生成器参数D.收集训练数据9.根据深度学习迁移学习的定义，以下哪种场景不属于其典型应用？A.图像分类任务B.语音识别系统C.模型压缩技术D.独立数据采集10.在自然语言处理中，用于衡量句子语义相似度的方法不包括？A.余弦相似度B.编辑距离C.互信息D.逻辑回归二、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______机制实现梯度更新。3.根据图灵测试的提出者，通过机器行为判断智能的关键标准是______。4.决策树算法中，节点分裂的依据是______的降低程度。5.强化学习中，智能体通过______与环境交互并获取奖励信号。6.卷积神经网络中，______层负责对特征图进行下采样操作。7.奥卡姆剃刀原则的核心思想是“______”。8.生成对抗网络中，生成器与判别器通过______博弈实现模型优化。9.迁移学习通过______知识来提升新任务的模型性能。10.自然语言处理中，词嵌入技术常用于将______映射到低维向量空间。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.深度学习模型必须依赖大规模数据集才能发挥性能优势。（√）3.图灵测试的通过标准要求机器在5分钟内通过90%的交互。（×）4.决策树算法的过拟合问题通常通过剪枝策略解决。（√）5.Q-learning属于值函数近似方法，不依赖环境模型。（√）6.卷积神经网络中的池化操作会降低特征图的分辨率。（√）7.奥卡姆剃刀原则在模型选择中优先考虑复杂度最低的方案。（×）8.生成对抗网络中，生成器的目标是欺骗判别器。（√）9.迁移学习适用于数据量不足但特征相似的跨任务场景。（√）10.自然语言处理中的BERT模型属于Transformer架构的变体。（√）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主要区别。2.解释图灵测试的评估流程及其局限性。3.描述决策树算法的递归分裂过程。4.列举强化学习在游戏AI中的应用实例。五、应用题（总共4题，每题6分，总分24分）1.假设某图像分类任务需要处理包含1000张样本的数据集，已知数据集中包含猫、狗、鸟三类图像，且每类样本数量均衡。请设计一个简单的卷积神经网络结构，并说明各层的作用。2.某自然语言处理任务需要将用户输入的文本转换为向量表示，已知词汇表大小为3000，请简述词嵌入技术的原理，并说明如何计算“今天天气很好”这句话的向量表示。3.假设某强化学习任务要求智能体在迷宫环境中从起点到达终点，请设计一个Q-learning算法的参数更新策略，并说明如何评估算法的收敛性。4.某公司需要开发一个推荐系统，现有用户历史行为数据包含商品购买记录和评分信息，请简述迁移学习在该场景中的应用方法，并说明如何解决数据稀疏性问题。【标准答案及解析】一、单选题1.D解析：生物遗传算法属于进化计算的范畴，与人工智能的核心技术领域（机器学习、自然语言处理、大数据分析）无直接关联。2.C解析：权重矩阵用于存储层间连接的参数值，是计算加权和的核心工具；激活函数、梯度下降、反向传播均属于算法或过程范畴。3.B解析：语义理解偏差是图灵测试难以通过的关键，因为机器难以完全模拟人类语言的模糊性和多义性。4.A解析：信息熵是决策树常用的分裂指标，通过衡量分裂前后的不确定性降低程度来选择最优属性。5.D解析：A3C（AsynchronousAdvantageActor-Critic）属于异步算法，其余均为同步算法。6.C解析：卷积核是提取局部特征的核心结构，通过滑动窗口计算区域响应；池化层、全连接层、批归一化均非此功能。7.C解析：奥卡姆剃刀原则强调“如无必要，勿增实体”，即优先选择简单有效的模型。8.B解析：判别器在GAN中负责判断输入样本是否为真实数据，是生成器与判别器博弈的关键角色。9.D解析：独立数据采集不属于迁移学习的范畴，其余均为典型应用场景。10.D解析：逻辑回归属于监督学习算法，不属于语义相似度计算方法。二、填空题1.机器学习、计算机视觉、自然语言处理解析：人工智能的三大支柱通常指上述三个核心领域。2.误差反向传播解析：神经网络通过误差反向传播机制将梯度信息传递至各层参数。3.行为模拟解析：图灵测试通过行为模拟方式判断机器是否具备智能。4.信息熵解析：决策树分裂依据属性导致的信息熵降低程度。5.奖励函数解析：强化学习中智能体通过奖励函数与环境交互。6.最大池化解析：最大池化层常用于下采样操作。7.简约原则解析：奥卡姆剃刀原则的核心是“简约优于复杂”。8.对抗博弈解析：生成器与判别器通过对抗博弈实现模型优化。9.预训练解析：迁移学习通过预训练知识迁移到新任务。10.词语解析：词嵌入技术将词语映射到向量空间。三、判断题1.×解析：机器学习是人工智能的重要分支，两者概念存在包含关系。2.√解析：深度学习模型依赖大规模数据集才能通过特征层次化学习。3.×解析：图灵测试通过持续交互评估，无固定通过标准。4.√解析：决策树过拟合可通过剪枝策略缓解。5.√解析：Q-learning属于值函数近似方法，不依赖环境模型。6.√解析：池化操作会降低特征图分辨率。7.×解析：奥卡姆剃刀优先考虑简单且有效的模型，而非最低复杂度。8.√解析：生成器目标是通过生成数据欺骗判别器。9.√解析：迁移学习适用于数据量不足但特征相似的跨任务场景。10.√解析：BERT属于Transformer架构的BERT变体。四、简答题1.机器学习与深度学习的主要区别：（1）数据规模：机器学习通常处理中小规模数据，深度学习依赖大规模数据；（2）模型复杂度：机器学习模型较简单（如线性回归、决策树），深度学习模型层次化复杂；（3）特征工程：机器学习需人工设计特征，深度学习可自动学习特征；（4）计算资源：深度学习需GPU等高性能计算设备。2.图灵测试的评估流程及其局限性：流程：人类裁判与机器、人类分别进行文本交互，若裁判无法区分机器，则通过；局限性：无法评估机器的推理能力、缺乏客观标准、易被设计绕过。3.决策树算法的递归分裂过程：（1）选择最优分裂属性（如信息熵最低）；（2）按属性值划分数据集；（3）对子集递归执行分裂，直至满足停止条件（如节点纯度足够高或深度达到上限）。4.强化学习在游戏AI中的应用实例：（1）AlphaGo（围棋AI）；（2）OpenAIFive（国际象棋）；（3）自动驾驶环境中的路径规划。五、应用题1.卷积神经网络结构设计：输入层：224×224×3（RGB图像）；卷积层1：32个3×3卷积核，步长1，激活ReLU；池化层1：2×2最大池化，步长2；卷积层2：64个3×3卷积核，步长1，激活ReLU；池化层2：2×2最大池化，步长2；全连接层1：1024个神经元，激活ReLU；全连接层2：3个神经元（猫/狗/鸟），激活softmax。2.词嵌入技术原理及计算：原理：将词语映射到低维向量空间，保留语义关系；计算：（1）初始化3000×50的词向量矩阵；（2）对“今天天气很好”中的每个词查找向量；（3）计算向量平均值作为句子表示：向量=(今天+天气+很好)/3。3.Q-learning算法参数更新策略：（1）初始化Q(s,a)为0；（2）对于