2026年人工智能期末试题及答案

2026年人工智能期末试题及答案一、单项选择题（每题2分，共20分）1.人工智能领域中，著名的“图灵测试”是为了判断机器是否具有什么能力而提出的？A.计算能力B.记忆能力C.思维/智能D.运动控制能力答案C2.在状态空间搜索中，A*算法是一种启发式搜索算法，其评估函数f(n)A.初始节点到节点n的实际代价B.节点n到目标节点的估计代价C.节点n到目标节点的实际代价D.初始节点到节点n的估计代价答案B3.某监督学习算法在训练集上表现很好，但在测试集上表现较差，这种现象通常被称为：A.欠拟合B.过拟合C.偏差过大D.方差过小答案B4.在感知机模型中，如果输入样本是线性可分的，则感知机学习算法能够保证：A.在有限次迭代后收敛B.在无限次迭代后收敛C.一定不收敛D.无法判断是否收敛答案A5.下列哪种激活函数常用于解决深层神经网络的梯度消失问题，并被广泛用于LSTM门控结构中？A.SigmoidB.TanhC.ReLUD.Softmax答案A6.卷积神经网络（CNN）中，池化层的主要作用是：A.增加网络参数数量B.提取特征C.降低特征图维度，减少计算量D.增加非线性变换答案C7.在循环神经网络（RNN）中，为了解决长序列训练时的梯度消失或梯度爆炸问题，通常采用哪种改进结构？A.LeNetB.AlexNetC.LSTMD.ResNet答案C8.Transformer模型完全基于注意力机制，摒弃了传统的循环结构，其核心组件是：A.卷积层B.自注意力层C.全连接层D.池化层答案B9.在强化学习中，智能体通过与环境交互，目标是最大化什么之和？A.惩罚B.奖励C.损失D.误差答案B10.下列关于生成式人工智能的描述，错误的是：A.能够学习数据的分布并生成新的样本B.GPT是一种典型的生成式预训练模型C.只能用于文本生成，不能用于图像生成D.扩散模型是近年来生成式模型的重要突破答案C二、填空题（每题2分，共20分）1.人工智能发展的三个主要学派通常指：符号主义、连接主义和  。答案行为主义2.在使用ID3算法构建决策树时，核心思想是选择信息增益最大的属性进行划分，信息增益是基于  的概念计算得出的。答案熵3.在线性回归模型中，为了防止过拟合，通常在损失函数中加入L2正则化项，这种方法也被称为  回归。答案岭4.梯度下降算法中，学习率是一个超参数。如果学习率过大，可能会导致损失函数  。答案发散（或震荡）5.神经网络的反向传播算法主要用于计算损失函数关于网络参数的  ，进而利用梯度下降更新参数。答案梯度6.在卷积神经网络中，假设输入图像大小为32×32，使用3×答案307.支持向量机（SVM）中，分类间隔越大，模型的泛化能力通常越  。答案强8.K-均值聚类算法是一种无监督学习算法，其核心步骤包括：初始化质心、分配样本到最近的质心、  。答案更新质心9.在自然语言处理中，Word2Vec模型主要包含CBOW和  两种训练架构。答案Skip-gram10.贝叶斯分类器基于  定理，通过计算后验概率来进行分类预测。答案贝叶斯三、简答题（每题5分，共20分）1.简述广度优先搜索（BFS）和深度优先搜索（DFS）的主要区别。答案(1)搜索策略不同：BFS是尽可能早地访问离起始节点近的节点，按层遍历；DFS是沿着一条路径一直走到底，再回溯。(2)数据结构不同：BFS通常使用队列实现；DFS通常使用栈（或递归调用栈）实现。(3)适用场景不同：BFS适用于求无权图的最短路径；DFS适用于求解连通性、拓扑排序等问题。2.什么是过拟合？请列举两种防止过拟合的方法。答案过拟合是指模型在训练数据上表现很好，但在未知测试数据上表现较差的现象，通常是因为模型过于复杂，学习到了训练数据中的噪声和细节。防止方法：(1)获取更多的训练数据。(2)正则化（如L1、L2正则化）。(3)Dropout（随机丢弃神经元）。(4)早停法。(5)简化模型结构（减少网络层数或参数量）。3.简述卷积神经网络中“局部感受野”和“权值共享”的概念及其作用。答案(1)局部感受野：卷积层中的神经元只连接输入数据的一个局部区域。作用：提取局部特征（如边缘、纹理），保留空间结构信息。(2)权值共享：同一个卷积核的参数在输入图像的不同位置滑动时保持不变。作用：大幅减少模型参数数量，降低计算复杂度，并使模型具有平移等变性。4.解释强化学习中的“探索”与“利用”的矛盾。答案(1)利用：指智能体根据已有的经验，选择当前已知奖励最高的动作，以获得短期最大收益。(2)探索：指智能体尝试选择未尝试过的动作，以获取更多环境信息，可能发现更好的策略。(3)矛盾：如果只利用，可能陷入局部最优；如果只探索，会浪费大量时间在低效动作上。需要在两者之间寻找平衡。四、计算题（每题10分，共20分）1.已知一个二分类问题，真实的标签y和模型预测的概率y如下：样本1：y1=1,y1=答案计算过程：样本1损失：L1=−[1×log解析交叉熵损失衡量的是预测概率分布与真实标签分布之间的距离。预测越准确，损失越低。2.假设我们有一个简单的状态空间图，包含节点S,A,B,G（目标）。各边代价如下：S→A(代价2),S→B(代价4)A→G(代价3),B→答案评估函数公式：f(n)=g(n)+h(n)解析A*算法每次从优先队列中取出f(n)值最小的节点进行扩展。f五、综合应用题（每题10分，共20分）1.某电商公司希望构建一个推荐系统，向用户推荐他们可能感兴趣的商品。请设计一个基于深度学习的推荐系统架构方案，说明输入数据、模型结构及输出。答案(1)输入数据：•用户特征：用户ID（Embedding）、年龄、性别、历史购买序列等。•商品特征：商品ID（Embedding）、类别、价格、品牌、文本描述等。•上下文特征：时间、设备、地点等。(2)模型结构：•Embedding层：将稀疏的用户ID和商品ID映射为低维稠密向量。•特征交互层：使用DeepCrossing、DeepFM或Transformer结构。将用户向量和商品向量进行交互（如点积、拼接或多层感知机MLP），捕捉用户与商品之间的复杂非线性关系。•全连接层（MLP）：对交互后的特征进行深层处理，提取高阶抽象特征。(3)输出：•输出层通常使用Sigmoid激活函数，输出一个0到1之间的概率值，表示用户对特定商品的点击率（CTR）或购买概率。(4)训练：使用历史点击/购买日志作为训练集，以二元交叉熵为损失函数进行训练。2.随着大语言模型（LLM）的广泛应用，AI安全和伦理问题日益凸显。请列举至少三个主要的安全或伦理风险，并针对其中一个风险提出具体的缓解措施。答案主要风险：(1)幻觉：模型生成看似合理但实际上错误或虚构的内容。(2)数据偏见：模型训练数据中包含性别、种族等刻板印象，导致输出歧视性内容。(3)提示注入攻击：恶意用户通过精心设计的提示词绕过安全限制，诱导模型输出有害信息。(4)隐私泄露：模型可能记忆并泄露训练数据中的个人敏感信息。缓解措施（以“提示注入攻击”为例）：•输入过滤与清洗：在将用户输入传递给核心模型前，使用独立