2026年人工智能基础课程考试卷及答案

2026年人工智能基础课程考试卷及答案一、单项选择题（每题2分，共20分）1.在人工智能发展历程中，首次提出“人工智能”这一术语的会议是（）。A.达特茅斯会议B.香农信息论研讨会C.麦卡锡与明斯基的学术沙龙D.图灵测试研讨会2.以下关于监督学习与无监督学习的描述，正确的是（）。A.聚类分析通常属于监督学习范畴B.无监督学习不需要任何输入数据C.分类问题是典型的监督学习任务D.强化学习是监督学习的一个子集3.在机器学习中，“过拟合”现象是指模型（）。A.在训练集和测试集上表现均不佳B.过于简单，无法捕捉数据中的基本规律C.在训练集上表现很好，但在未见过的数据上表现很差D.参数数量少于数据特征数量4.卷积神经网络（CNN）中，池化层（PoolingLayer）的主要作用是（）。A.增加特征图的通道数B.进行非线性变换C.减少参数数量，降低过拟合风险，并保持特征不变性D.将特征图展平为一维向量5.以下算法中，通常不用于解决分类问题的是（）。A.支持向量机（SVM）B.逻辑回归（LogisticRegression）C.K均值聚类（K-Means）D.决策树（DecisionTree）6.在自然语言处理中，将词语转换为计算机可处理的数值向量的过程称为（）。A.语法分析B.词性标注C.词嵌入（WordEmbedding）D.句法解析7.关于反向传播算法，以下说法错误的是（）。A.它是一种用于训练人工神经网络的有效方法B.它通过计算损失函数对网络权重的梯度来更新权重C.它只能用于全连接神经网络，不能用于卷积神经网络D.其核心是链式求导法则8.在强化学习中，智能体通过与环境交互来学习策略，其核心要素不包括（）。A.状态（State）B.动作（Action）C.奖励（Reward）D.数据集（Dataset）9.以下关于生成对抗网络（GAN）的描述，正确的是（）。A.生成器和判别器的目标一致，都是为了让生成的数据更真实B.训练过程中，只训练生成器，判别器参数固定C.它包含一个生成网络和一个判别网络，二者在对抗中共同进步D.GAN只能用于生成图像，不能用于其他类型数据10.以下关于人工智能伦理问题的讨论，不直接相关的是（）。A.算法偏见与公平性B.自动驾驶汽车的道德决策困境C.深度伪造技术的社会影响D.提高计算机CPU的主频以加速训练二、多项选择题（每题3分，共15分。全部选对得3分，选对但不全得1分，有选错得0分）1.以下哪些是机器学习中常用的损失函数？（）A.均方误差（MeanSquaredError）B.交叉熵损失（Cross-EntropyLoss）C.准确率（Accuracy）D.铰链损失（HingeLoss）E.F1分数（F1-Score）2.关于神经网络中的激活函数，以下描述正确的有（）。A.Sigmoid函数容易导致梯度消失问题B.ReLU函数在输入为负时梯度为零，可能导致“神经元死亡”C.Tanh函数是零中心化的，其输出范围在(-1,1)之间D.线性函数（如f(x)=x）因其非线性特性而被广泛用于隐藏层E.LeakyReLU是对ReLU的改进，旨在解决负区间梯度为零的问题3.以下属于自然语言处理（NLP）下游任务的有（）。A.机器翻译B.情感分析C.词向量预训练（如Word2Vec）D.文本摘要E.命名实体识别4.关于决策树算法，以下说法正确的有（）。A.信息增益或基尼不纯度常用于选择分裂属性B.剪枝（Pruning）是防止决策树过拟合的重要手段C.随机森林（RandomForest）通过构建多个决策树并集成其结果来提高性能D.决策树只能处理分类问题，不能处理回归问题E.决策树对数据中的缺失值非常敏感，必须进行预处理5.以下关于人工智能中“可解释性”的陈述，正确的有（）。A.深度学习模型通常被认为是“黑箱”，缺乏可解释性B.线性回归模型具有较好的可解释性C.提升模型的可解释性有助于发现模型偏差、增加用户信任D.LIME和SHAP是两种主流的模型可解释性方法E.模型性能（如准确率）永远比可解释性更重要三、填空题（每空1分，共10分）1.图灵在1950年发表的论文《________________》中提出了著名的“图灵测试”，作为判断机器是否具有智能的标准。2.在机器学习中，将数据集划分为训练集、验证集和________集是一种常见的做法，用于评估模型的最终性能。3.支持向量机（SVM）在寻找最优分类超平面时，旨在最大化两类支持向量之间的间隔，这个间隔被称为________。4.在循环神经网络（RNN）中，________结构被设计用来解决长期依赖问题，能够更好地记忆长期信息。5.准确率（Accuracy）是分类任务中最简单的评估指标，但当数据类别不均衡时，通常需要结合查准率（Precision）和________（Recall）进行综合评估。6.强化学习中的________算法，是一种基于价值迭代的方法，其名称来源于其更新公式类似于贝尔曼方程。7.在计算机视觉中，目标检测任务不仅需要识别图像中物体的类别，还需要用________标出其位置。8.知识图谱通常采用________（RDF）三元组的形式来表示实体、属性及实体间的关系。9.Transformer模型的核心机制是________注意力机制，它使得模型能够并行处理序列数据，大大提升了训练效率。10.人工智能研究的一个主要分支是符号主义，其基础是物理符号系统假设和________原理。四、简答题（共35分）1.（封闭型，5分）简述监督学习、无监督学习和强化学习三者之间的核心区别。2.（封闭型，6分）什么是梯度下降法？请简要描述批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降（Mini-batchGD）的主要区别。3.（开放型，8分）请阐述过拟合（Overfitting）产生的主要原因，并列举至少三种常见的防止或减轻过拟合的技术。4.（封闭型，8分）请解释什么是Transformer模型中的“自注意力（Self-Attention）”机制，并说明其相比循环神经网络（RNN）在处理序列数据时的两个主要优势。5.（开放型，8分）请从技术和社会两个层面，简要论述当前人工智能发展面临的主要挑战或风险。五、应用题（共20分）1.（计算分析类，10分）假设你正在构建一个垃圾邮件分类系统。已知在历史数据中，正常邮件占总数的90%，垃圾邮件占10%。你训练了一个分类模型，其混淆矩阵如下表所示（单位：封）：实际\预测预测为正常邮件预测为垃圾邮件实际为正常邮件85050实际为垃圾邮件3070请根据上表计算：(1)该模型在“正常邮件”类别上的查准率（Precision）和查全率（Recall）。(2)该模型在“垃圾邮件”类别上的查准率（Precision）和查全率（Recall）。(3)该模型的整体准确率（Accuracy）。(4)基于计算结果，简要分析该模型在识别垃圾邮件任务上的表现可能存在的问题，并提出一个改进思路。2.（综合分析类，10分）现有一个简单的全连接神经网络，用于二分类任务。网络结构为：输入层（2个神经元）->隐藏层（3个神经元，使用ReLU激活函数）->输出层（1个神经元，使用Sigmoid激活函数）。损失函数采用二元交叉熵。请回答以下问题：(1)写出该网络前向传播过程中，隐藏层输出h和最终输出ŷ的计算公式（用矩阵形式表示，需包含权重矩阵、偏置向量及激活函数）。(2)假设一次训练中，输入样本为x=[1.0,-0.5]^T，真实标签y=1。已知当前网络参数为：W^(1)=[[0.5,-0.2],[0.1,0.3],[-0.4,0.6]]（连接输入层到隐藏层的权重矩阵），b^(1)=[0.1,-0.1,0.2]^T（隐藏层偏置），W^(2)=[0.8,-0.5,0.3]（连接隐藏层到输出层的权重行向量），b^(2)=0.05（输出层偏置）。请逐步计算该样本通过网络得到的预测输出ŷ。(3)基于(2)中计算出的ŷ和真实标签y=1，计算此次预测的二元交叉熵损失值（给出计算过程）。(4)简述反向传播算法在此网络中的作用和基本步骤。参考答案及评分标准一、单项选择题1.A2.C3.C4.C5.C6.C7.C8.D9.C10.D二、多项选择题1.ABD（解析：准确率和F1分数是评估指标，不是损失函数）2.ABCE（解析：线性函数是线性的，缺乏非线性能力，一般不单独用于隐藏层）3.ABDE（解析：词向量预训练属于上游的表示学习任务，为下游任务提供基础）4.ABC（解析：决策树可以处理回归问题，如CART算法；决策树对缺失值有一定处理能力，并非必须预处理）5.ABCD（解析：模型性能和可解释性需要权衡，取决于应用场景，并非永远性能优先）三、填空题1.计算机器与智能2.测试3.间隔（Margin）4.长短期记忆网络（LSTM）或门控循环单元（GRU）5.查全率6.Q-Learning7.边界框（BoundingBox）8.资源描述框架9.自注意力（Self-Attention）10.启发式搜索四、简答题1.（5分）监督学习：从带有标签的训练数据中学习输入到输出的映射关系。核心是“有导师”，任务包括分类、回归等。（2分）无监督学习：从无标签的数据中发现内在结构或模式。核心是“无导师”，任务包括聚类、降维、关联规则挖掘等。（2分）强化学习：智能体通过与环境交互，根据获得的奖励或惩罚信号，学习一系列动作以达成长期回报最大化。核心是“试错”与“延迟奖励”。（1分）2.（6分）梯度下降法是一种通过迭代方式，沿着目标函数（通常是损失函数）梯度反方向更新模型参数，以寻找函数极小值的优化算法。（2分）主要区别：批量梯度下降（BGD）：每次更新使用全部训练数据计算梯度。优点：梯度方向准确，收敛稳定；缺点：计算开销大，速度慢。（1.5分）随机梯度下降（SGD）：每次更新只使用一个随机样本计算梯度。优点：更新速度快，可在线学习；缺点：梯度噪声大，收敛不稳定。（1.5分）小批量梯度下降（Mini-batchGD）：每次更新使用一个小批量（Batch）样本计算梯度。综合了BGD和SGD的优点，是深度学习中最常用的方法。（1分）3.（8分）主要原因：模型复杂度过高，相对于训练数据量过大；训练数据中包含噪声或无关特征；训练迭代次数过多。（答出两点即可，2分）防止或减轻技术：1.获取更多高质量的训练数据。（1分）2.降低模型复杂度（如减少神经网络层数、神经元数，决策树剪枝）。（1分）3.正则化（如L1、L2正则化，在损失函数中加入惩罚项）。（1分）4.集成方法（如Bagging，随机森林）。（1分）5.Dropout（在神经网络训练中随机丢弃部分神经元）。（1分）6.早停法（EarlyStopping，根据验证集性能提前终止训练）。（1分）（列举并简要解释任意三种即可，每种1分，共3分。其他合理答案亦可酌情给分）4.（8分）自注意力机制：是一种允许序列中每个位置在计算其表示时，关注序列中所有其他位置信息的机制。通过计算查询（Query）、键（Key）、值（Value）之间的相关性得分，对值进行加权求和，从而得到当前位置的上下文感知表示。（4分）相比RNN的两个主要优势：1.并行化能力强：自注意力可以同时计算序列所有位置之间的关系，而RNN必须按时间步顺序计算，因此Transformer训练速度更快。（2分）2.缓解长期依赖问题：自注意力机制能够直接建模序列中任意两个位置的关系，无论其距离多远，避免了RNN中可能出现的梯度消失/爆炸问题对长程信息传递的影响。（2分）5.（8分）技术层面：1.数据依赖与偏见：模型性能严重依赖大规模高质量数据，数据中的偏见会被模型学习并放大。（1分）2.可解释性差：特别是深度学习模型，决策过程不透明，在医疗、司法等高风险领域应用受限。（1分）3.鲁棒性与安全性：模型易受对抗性攻击（微小扰动导致错误分类），且泛化能力有待提高。（1分）4.能耗与算力需求：大模型训练消耗巨大能源和计算资源。（1分）社会与伦理层面：1.就业冲击与结构转型：自动化可能导致部分传统岗位消失，引发就业和社会结构问题。（1分）2.隐私侵犯：数据收集与分析可能侵犯个人隐私。（1分）3.算法公平与歧视：算法可能在不同种族、性别群体间产生不公平结果。（1分）4.责任归属与安全：如自动驾驶事故的责任认定，自主武器系统的伦理风险等。（1分）（每个层面至少答出两点，每点1分，共4分。论述需简要，其他合理答案亦可酌情给分）五、应用题1.（10分）(1)正常邮件查准率=TP/(TP+FP)=850/(850+30)=850/880≈0.9659或96.59%（1分）正常邮件查全率=TP/(TP+FN)=850/(850+50)=850/900≈0.9444或94.44%（1分）(2)垃圾邮件查准率=TP‘/(TP’+FP‘)=70/(70+50)=70/120≈0.5833或58.33%（1分）垃圾邮件查全率=TP‘/(TP’+FN‘)=70/(70+30)=70/100=0.7或70%（1分）(3)整体准确率=(TP+TP‘)/总数=(850+70)/1000=920/1000=0.92或92%（1分）(4)分析：模型整体准确率较高（92%），但这主要得益于正确分类了大量占多数的正常邮件。（1分）对于垃圾邮件（少数类），其查准率（58.33%）较低，意味着模型预测为垃圾邮件的邮件中，有近一半其实是正常邮件（误报率高），这在实际应用中可能导致用户错过重要邮件，体验不佳。（1分）查全率（70%）也有提升空间，有30%的垃圾邮件未被识别（漏报）。（1分）改进思路：由于数据类别不均衡（正常:垃圾=9:1），可以尝试以下方法：在损失函数中使用类别权重，给予少数类（垃圾邮件）更高的错分惩罚。（1分）对少数类进行过采样（如SMOTE）或对多数类进行欠采样，以平衡训练数据分布。（1分）使用更专注于少数类性能的评估指标（如F1-scoreoftheminorityclass）来指导模型选择。（1分）（答出任意一种合理思路即可得1分）2.（10分）(1)设输入向量为x(2维)，隐藏层权重矩阵为W^(1)(3x2)，隐藏层偏置为b^(1)(3维)，输出层权重向量为W^(2)(1x3)，输出层偏置为b^(2)(标量)。隐藏层预激活：z^(1)=W^(1)x+b^(1)（1分）隐藏层输出：h=ReLU(z^(1))（其中ReLU对向量按元素操作）（0.5分）输出层预激活：z^(2)=W^(2)h+b^(2)（1分）最终输出：ŷ=Sigmoid(z^(2))（0.5分）(2)逐步计算：步骤1：计算z^(1)=W^(1)x+b^(1)W^(1)x=[[0.5,-0.2],[0.1,0.3],[-0.4,0.6]]*[1.0,-0.5]^T=[0.5*1.0+(-0.2)*(-0.5),0.1*1.0+0.3*(-0.5),(-0.4)1.0+0.6(-0.5)]^T=[0.5+0.1,0.1-0.15,-0.4-0.3]^T=[0.6,-0.05,-0.7]^T（1分）则z^(1)=[0.6,-0.05,-0.7]^T+[0.1,-0.1,0.2]^T=[0.7,-0.15,-0.5]^T（0.5分）步骤2：计算h=ReLU(z^(1))=ReLU([0.7,-0.15,-0.5]^T)=[0.7,0,0]^T（