2026年人工智能導論期末考試試卷(附答案)

2026年人工智能導論期末考試試卷(附答案)一、單項選擇題（每題2分，共20分）1.以下哪種學習方式的訓練數據同時包含輸入和期望輸出？A.無監督學習B.強化學習C.半監督學習D.監督學習2.感知機（Perceptron）無法解決以下哪種問題？A.二分類線性可分問題B.異或（XOR）問題C.多分類線性可分問題D.二分類非線性可分問題3.在隱馬爾可夫模型（HMM）中，“已知觀測序列和模型參數，計算觀測序列出現的概率”屬于以下哪類問題？A.解碼問題B.學習問題C.評估問題D.預測問題4.以下關于支持向量機（SVM）的描述中，錯誤的是？A.目標是最大化分類間隔B.核函數用于處理非線性可分數據C.對噪聲不敏感，無需正則化D.硬間隔SVM假設數據完全線性可分5.Transformer模型中，自注意力（Self-Attention）機制的核心作用是？A.提取局部特征B.捕捉序列中長距離依賴關系C.降低模型參數量D.加速前向傳播6.以下哪項不是神經網絡中激活函數的作用？A.引入非線性B.防止梯度消失C.控制輸出范圍D.替代線性變換7.在決策樹ID3算法中，劃分屬性的依據是？A.信息增益率B.基尼指數C.信息增益D.均方誤差8.以下哪種方法屬于提供式模型？A.邏輯回歸B.樸素貝葉斯C.支持向量機D.線性回歸9.強化學習中的“獎勵函數”主要用于？A.定義狀態轉移概率B.評估策略的優劣C.提供訓練數據D.優化值函數10.BERT模型的預訓練任務不包括？A.掩碼語言模型（MLM）B.下一句預測（NSP）C.序列到序列提供D.詞元級預測二、填空題（每題3分，共15分）1.機器學習中，欠擬合現象通常是由于模型復雜度______（填“過高”或“過低”）導致的。2.卷積神經網絡（CNN）中，池化層的主要作用是______（寫出一個核心作用即可）。3.強化學習的三要素包括狀態空間、動作空間和______。4.在梯度下降優化中，每次僅用一個樣本計算梯度的方法稱為______。5.自然語言處理中，將文本轉換為向量的常用方法包括詞袋模型、詞嵌入（如Word2Vec）和______（寫出一種基于上下文的模型）。三、簡答題（每題8分，共40分）1.簡述監督學習與無監督學習的區別，并各舉一個典型應用場景。2.解釋“過擬合”現象及其常見解決方法。3.說明循環神經網絡（RNN）的結構特點，并分析其在處理長序列時的主要缺陷。4.對比深度神經網絡（DNN）與傳統機器學習模型（如決策樹）在特征處理上的差異。5.簡述知識圖譜的基本概念及其在智能搜索中的應用價值。四、計算題（每題15分，共30分）1.給定數據集如下表（目標屬性為“是否購買”），計算屬性“年齡”的信息增益（要求寫出計算步驟）。編號年齡（青年/中年/老年）收入（高/中/低）是否購買1青年高否2青年中否3中年高是4中年中是5老年低是6老年低是7老年中否8中年低是（注：總樣本數N=8，年齡分為青年、中年、老年三類，各類樣本數分別為2、3、3）2.假設有一個簡單的兩層神經網絡，輸入層2個神經元（x?=1,x?=2），隱藏層2個神經元（激活函數為sigmoid），輸出層1個神經元（激活函數為sigmoid）。權重矩陣如下：輸入層到隱藏層：w??=0.1,w??=0.2（x?到隱藏層神經元h?、h?）；w??=0.3,w??=0.4（x?到隱藏層神經元h?、h?）；隱藏層偏置b?=0.5,b?=0.6。隱藏層到輸出層：w?=0.7,w?=0.8（h?、h?到輸出層o）；輸出層偏置b?=0.9。計算該網絡的前向傳播輸出值（要求寫出每一步計算過程，sigmoid函數公式：σ(z)=1/(1+e??)）。五、綜合題（15分）設計一個基于深度學習的圖像分類系統，需包含以下關鍵環節的說明：（1）數據預處理步驟；（2）模型架構選擇（需說明選擇理由）；（3）訓練策略（包括優化器、損失函數、迭代次數等）；（4）評估指標（至少列出3個）。答案一、單項選擇題1.D2.B3.C4.C5.B6.D7.C8.B9.B10.C二、填空題1.過低2.降低特征維度（或保留主要特征、平移不變性）3.獎勵函數4.隨機梯度下降（SGD）5.BERT（或ELMo、GPT等）三、簡答題（要點）1.區別：監督學習使用帶標簽數據，目標是學習輸入到輸出的映射；無監督學習使用無標簽數據，目標是發現數據內在結構。應用場景：監督學習（如垃圾郵件分類）；無監督學習（如用戶群體聚類）。2.過擬合：模型在訓練集上表現好，但在新數據上泛化能力差，原因是模型過度學習了訓練數據的噪聲或細節。解決方法：增加數據量、正則化（L1/L2）、早停法、特征選擇、降低模型復雜度。3.結構特點：RNN包含循環連接，允許信息在時間步之間傳遞，適用于序列數據。缺陷：長序列中梯度消失/爆炸問題，導致無法有效捕捉長距離依賴關系。4.差異：傳統模型依賴人工特征工程（需領域知識設計特征）；DNN通過多層非線性變換自動學習特征，無需人工干預，可提取從底層到高層的抽象特征。5.基本概念：知識圖譜是結構化的語義網絡，用實體-關系-實體三元組表示知識，描述現實世界中的關聯。應用價值：在智能搜索中，通過實體鏈接和語義推理，理解用戶查詢意圖，提供更精準的關聯信息（如搜索“蘋果”時區分水果和公司）。四、計算題1.步驟1：計算原始熵H(D)。總樣本中“是”的數量=5（編號3、4、5、6、8），“否”=3。H(D)=(5/8)log?(5/8)(3/8)log?(3/8)≈-0.625×(-0.678)0.375×(-1.415)≈0.954。步驟2：計算年齡各子集的條件熵H(D|年齡)。青年（2個樣本）：“否”=2，“是”=0→H(D?)=(2/2)log?(2/2)0=0。中年（3個樣本）：“是”=3（編號3、4、8），“否”=0→H(D?)=0。老年（3個樣本）：“是”=2（編號5、6），“否”=1（編號7）→H(D?)=(2/3)log?(2/3)(1/3)log?(1/3)≈-0.667×(-0.585)0.333×(-1.585)≈0.918。H(D|年齡)=(2/8)×0+(3/8)×0+(3/8)×0.918≈0.344。步驟3：信息增益Gain(年齡)=H(D)-H(D|年齡)=0.954-0.344=0.61。2.隱藏層神經元計算：h?的輸入z?=x?w??+x?w??+b?=1×0.1+2×0.3+0.5=0.1+0.6+0.5=1.2→σ(z?)=1/(1+e?1·2)≈0.769。h?的輸入z?=x?w??+x?w??+b?=1×0.2+2×0.4+0.6=0.2+0.8+0.6=1.6→σ(z?)=1/(1+e?1·?)≈0.833。輸出層計算：輸出o的輸入z?=h?w?+h?w?+b?=0.769×0.7+0.833×0.8+0.9≈0.538+0.666+0.9≈2.104→σ(z?)=1/(1+e?2·1??)≈0.890。五、綜合題（要點）（1）數據預處理：包括歸一化（如將像素值縮放到[0,1]）、數據增強（翻轉、旋轉、裁剪增加多樣性）、劃分訓練集/驗證集/測試集（如7:2:1）。（2）模型架構：選擇ResNet（如ResNet-50），理由：殘差連接解決深層網絡梯度消失問題，適合圖像分類任務