習(xí)題三在AI中如何讓機(jī)器習(xí)得知識(shí)一、單項(xiàng)選擇題1、標(biāo)簽在機(jī)器學(xué)習(xí)中主要扮演什么角色？A．?dāng)?shù)據(jù)預(yù)處理B．模型評(píng)估C．特征提取D．模型預(yù)測(cè)2、在分類問(wèn)題中，標(biāo)簽是：A．連續(xù)的數(shù)值B．離散的類別C．模糊的概率D．統(tǒng)計(jì)的結(jié)果3、哪種特征類型不能直接用于數(shù)值計(jì)算？A．?dāng)?shù)值型特征B．分類型特征C．文本型特征D．時(shí)間序列特征4、K-means聚類算法的特點(diǎn)是：A．不需要指定簇的數(shù)量B．基于密度的聚類C．計(jì)算復(fù)雜度高D．通過(guò)迭代更新簇中心優(yōu)化聚類5、在監(jiān)督學(xué)習(xí)中，哪個(gè)是用于分類任務(wù)的常用算法？A．線性回歸B．決策樹(shù)C．K-meansD．ARIMA6、以下哪個(gè)特征類型最適合用獨(dú)熱編碼？A．?dāng)?shù)值型特征B．分類型特征C．文本型特征D．圖像型特征7、特征工程中，特征構(gòu)造的目的是：A．直接從數(shù)據(jù)中提取有意義的模式B．創(chuàng)建新的特征來(lái)改善模型性能C．將原始特征轉(zhuǎn)換為新的特征D．從特征集中挑選最重要的特征8、哪種聚類算法對(duì)噪聲和異常值有較好的魯棒性？A．K-meansB．層次聚類C．DBSCAND．密度估計(jì)9、機(jī)器學(xué)習(xí)的核心要素不包括以下哪一項(xiàng)？A．?dāng)?shù)據(jù)B．算法C．模型D．硬件10、數(shù)據(jù)的多樣性、質(zhì)量和規(guī)模對(duì)機(jī)器學(xué)習(xí)模型的性能有什么影響？A．沒(méi)有影響B(tài)．間接影響C．直接影響D．不相關(guān)二、填空題1、回歸問(wèn)題中的標(biāo)簽是_______值。2、在機(jī)器學(xué)習(xí)中，特征是指從_______數(shù)據(jù)中提取出來(lái)的、用于表示數(shù)據(jù)內(nèi)在特性的信息單元。3、獨(dú)熱編碼常用于對(duì)_______型特征進(jìn)行編碼處理。4、K-means聚類算法通過(guò)_______來(lái)優(yōu)化簇的劃分。5、特征工程包括特征提取、特征構(gòu)造、特征選擇和_______。6、模型訓(xùn)練中的_______是衡量模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間差異的函數(shù)。7、機(jī)器學(xué)習(xí)的核心要素是數(shù)據(jù)、_______和模型。8、數(shù)據(jù)的多樣性、質(zhì)量和規(guī)模直接影響機(jī)器學(xué)習(xí)模型的_______。9、機(jī)器學(xué)習(xí)能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)規(guī)律并構(gòu)建______，無(wú)需人工編寫(xiě)復(fù)雜的規(guī)則集。10、機(jī)器學(xué)習(xí)的三個(gè)特性包括自動(dòng)性、適應(yīng)性和_______。三、判斷題1、數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化可以消除不同量綱對(duì)模型訓(xùn)練的影響。2、在數(shù)據(jù)劃分時(shí)，隨機(jī)劃分通常的比例為60%：20%：20%。3、有監(jiān)督學(xué)習(xí)的目標(biāo)是通過(guò)已標(biāo)注數(shù)據(jù)學(xué)習(xí)輸入與輸出之間的映射關(guān)系。4、無(wú)監(jiān)督學(xué)習(xí)可以通過(guò)分析無(wú)標(biāo)簽數(shù)據(jù)來(lái)發(fā)現(xiàn)其中的潛在結(jié)構(gòu)和規(guī)律。5、強(qiáng)化學(xué)習(xí)中的狀態(tài)是智能體感知到的環(huán)境信息的集合。四、簡(jiǎn)答題1、簡(jiǎn)述分類標(biāo)簽與回歸標(biāo)簽的主要區(qū)別。2、解釋什么是機(jī)器學(xué)習(xí)中的“模型”。3、強(qiáng)化學(xué)習(xí)中的獎(jiǎng)勵(lì)機(jī)制有什么作用？4、簡(jiǎn)述支持向量機(jī)中的核技巧及其作用。5、什么是決策樹(shù)剪枝？簡(jiǎn)述預(yù)剪枝和后剪枝的區(qū)別。五、上機(jī)題1、構(gòu)建并訓(xùn)練一個(gè)交通標(biāo)識(shí)識(shí)別模型任務(wù)描述交通標(biāo)識(shí)識(shí)別系統(tǒng)是智能駕駛技術(shù)中至關(guān)重要的組成部分，也是人工智能領(lǐng)域的一項(xiàng)關(guān)鍵應(yīng)用。該系統(tǒng)通過(guò)攝像頭采集道路交通標(biāo)識(shí)的圖像，并利用深度學(xué)習(xí)模型對(duì)其進(jìn)行分類和識(shí)別，從而為自動(dòng)駕駛系統(tǒng)提供實(shí)時(shí)的交通標(biāo)識(shí)信息。本任務(wù)中，我們需要使用Python程序設(shè)計(jì)語(yǔ)言及深度學(xué)習(xí)框架TensorFlow和Keras來(lái)構(gòu)建并訓(xùn)練一個(gè)交通標(biāo)識(shí)識(shí)別模型。任務(wù)目標(biāo)（1）通過(guò)命令行安裝TensorFlow、NumPy、Scipy、Pillow第三方庫(kù)（2）下載并解壓GTSRB數(shù)據(jù)集，數(shù)據(jù)集下載鏈接如下：https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/GTSRB_Final_Training_Images.zip（3）使用Keras的ImageDataGenerator進(jìn)行數(shù)據(jù)增強(qiáng)和預(yù)處理（4）構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，包括添加卷積層和池化層、添加全連接層、編譯模型等操作。（5）完成模型訓(xùn)練、保存模型、模型評(píng)估以及測(cè)試模型的相關(guān)代碼。習(xí)題三答案解析一、單項(xiàng)選擇題1.B2.B3.B4.D5.B6.B7.B8.C9.D10.C二、填空題1.連續(xù) 2.原始3.分類 4.迭代更新簇中心5.特征轉(zhuǎn)換 6.損失函數(shù)7.算法 8.性能9.模型 10.泛化能力三、判斷題1.正確2.錯(cuò)誤（在數(shù)據(jù)劃分時(shí)，隨機(jī)劃分通常的比例為70%：15%：15%，而非60%：20%：20%）3.正確4.正確5.錯(cuò)誤（強(qiáng)化學(xué)習(xí)中的狀態(tài)是環(huán)境當(dāng)前的特征表示，而非智能體感知到的環(huán)境信息的集合）四、簡(jiǎn)答題1、（1）分類標(biāo)簽是離散的，表示數(shù)據(jù)樣本所屬的類別。（2）回歸標(biāo)簽是連續(xù)的數(shù)值，表示預(yù)測(cè)目標(biāo)的實(shí)際值。（3）分類用于將樣本分類為預(yù)定義類別，回歸用于預(yù)測(cè)連續(xù)數(shù)值。2、模型是機(jī)器學(xué)習(xí)中的算法和數(shù)據(jù)結(jié)合的產(chǎn)物，通常以數(shù)學(xué)函數(shù)或計(jì)算圖的形式存在。它用于接收輸入數(shù)據(jù)并產(chǎn)生輸出預(yù)測(cè)，表示了數(shù)據(jù)中的規(guī)律和模式。3、獎(jiǎng)勵(lì)機(jī)制用于評(píng)估智能體動(dòng)作的好壞，告訴智能體某個(gè)動(dòng)作是有利的還是不利的。通過(guò)獎(jiǎng)勵(lì)機(jī)制，智能體能夠通過(guò)試錯(cuò)和調(diào)整策略，逐漸學(xué)習(xí)到最優(yōu)行為，以最大化長(zhǎng)期累積獎(jiǎng)勵(lì)。4、核技巧通過(guò)將輸入數(shù)據(jù)映射到一個(gè)更高維的特征空間，使得在這個(gè)新空間中數(shù)據(jù)變得線性可分。它通過(guò)核函數(shù)來(lái)定義輸入空間中數(shù)據(jù)點(diǎn)之間的相似性或距離，從而幫助SVM在處理線性不可分的數(shù)據(jù)時(shí)仍然能夠找到一個(gè)最優(yōu)超平面。5、決策樹(shù)剪枝是防止決策樹(shù)過(guò)擬合的一種技術(shù)。預(yù)剪枝是在構(gòu)建決策樹(shù)的過(guò)程中提前停止樹(shù)的生長(zhǎng)，通常通過(guò)設(shè)定最大深度或最小樣本數(shù)來(lái)實(shí)現(xiàn)；后剪枝是在決策樹(shù)構(gòu)建完成后，通過(guò)刪除一些子樹(shù)或葉節(jié)點(diǎn)來(lái)簡(jiǎn)化模型。預(yù)剪枝直接限制樹(shù)的復(fù)雜度，而后剪枝通過(guò)分析已有樹(shù)結(jié)構(gòu)來(lái)簡(jiǎn)化模型。五、上機(jī)題參考答案importosimporturllib.requestimportzipfilefromtensorflow.keras.preprocessing.imageimportImageDataGeneratorfromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportConv2D,MaxPooling2D,Flatten,Dense,Dropoutfromtensorflow.keras.preprocessingimportimageimportnumpyasnp#步驟1：下載并解壓GTSRB數(shù)據(jù)集url='https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/GTSRB_Final_Training_Images.zip'dataset_path='GTSRB.zip'#檢查數(shù)據(jù)集是否已下載ifnotos.path.exists(dataset_path):print("正在下載數(shù)據(jù)集...")urllib.request.urlretrieve(url,dataset_path)#解壓數(shù)據(jù)集ifnotos.path.exists('GTSRB'):withzipfile.ZipFile(dataset_path,'r')aszip_ref:zip_ref.extractall('GTSRB')print("數(shù)據(jù)集解壓完成。")#步驟2：數(shù)據(jù)預(yù)處理#使用Keras的ImageDataGenerator進(jìn)行數(shù)據(jù)增強(qiáng)和預(yù)處理datagen=ImageDataGenerator(rescale=1./255,#數(shù)據(jù)歸一化rotation_range=10,#隨機(jī)旋轉(zhuǎn)角度width_shift_range=0.1,#隨機(jī)水平平移height_shift_range=0.1,#隨機(jī)垂直平移zoom_range=0.2,#隨機(jī)縮放horizontal_flip=False,#不進(jìn)行水平翻轉(zhuǎn)validation_split=0.2#劃分20%數(shù)據(jù)為驗(yàn)證集)train_generator=datagen.flow_from_directory('GTSRB/Final_Training/Images',target_size=(32,32),#調(diào)整圖像大小batch_size=32,class_mode='categorical',#多類別標(biāo)簽subset='training')validation_generator=datagen.flow_from_directory('GTSRB/Final_Training/Images',target_size=(32,32),batch_size=32,class_mode='categorical',subset='validation')#步驟3：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型model=Sequential()#添加卷積層和池化層model.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))model.add(Conv2D(64,(3,3),activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))model.add(Conv2D(128,(3,3),activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))#添加全連接層model.add(Flatten())model.add(Dense(128,activation='relu'))model.add(Dropout(0.5))model.add(Dense(43,activation='softmax'))#43類交通標(biāo)識(shí)#編譯模型pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])#步驟4：模型訓(xùn)練history=model.fit(train_generator,epochs=30,#迭代次數(shù)，可以根據(jù)實(shí)際情況調(diào)整validation_data=validation_generator)#步驟5：保存模型model.save('traffic_sign_recognition_model.h5')print("模型已保存為'traffic_sign_recognition_model.h5'。")#步驟6：模型評(píng)估#評(píng)估模型在驗(yàn)證集上的表現(xiàn)loss,accuracy=model.evaluate(validation_generator)print(f'驗(yàn)證集準(zhǔn)確率:{accuracy:.4f}')#步驟7：測(cè)試模型#加載并測(cè)試單張圖像sample_image_path='GTSRB/Final_Training/Images/00000/00000_00001.ppm'#替換為自己本地的測(cè)試圖像路徑img