中國大學(xué)MOOC人人必修的人工智能課考核作業(yè)參考原題試題及答案一、單項選擇題（每題2分，共20分）1.以下哪項是圖靈測試的核心目的？A.測試計算機(jī)的運算速度B.驗證計算機(jī)能否表現(xiàn)出與人類無異的智能行為C.評估計算機(jī)的存儲容量D.比較不同編程語言的效率2.監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的主要區(qū)別在于：A.監(jiān)督學(xué)習(xí)需要標(biāo)簽數(shù)據(jù)，無監(jiān)督學(xué)習(xí)不需要B.監(jiān)督學(xué)習(xí)用于分類，無監(jiān)督學(xué)習(xí)用于回歸C.監(jiān)督學(xué)習(xí)基于統(tǒng)計，無監(jiān)督學(xué)習(xí)基于規(guī)則D.監(jiān)督學(xué)習(xí)的模型更復(fù)雜3.以下哪種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最適合處理圖像識別任務(wù)？A.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）B.卷積神經(jīng)網(wǎng)絡(luò)（CNN）C.自編碼器（Autoencoder）D.深度置信網(wǎng)絡(luò)（DBN）4.在決策樹算法中，信息增益的計算基于：A.基尼系數(shù)B.熵（Entropy）C.均方誤差D.交叉熵?fù)p失5.強(qiáng)化學(xué)習(xí)中的“獎勵函數(shù)”主要用于：A.定義智能體的目標(biāo)B.優(yōu)化模型的參數(shù)C.預(yù)處理輸入數(shù)據(jù)D.加速訓(xùn)練過程6.以下哪項是支持向量機(jī)（SVM）的核心思想？A.最大化類別間的間隔B.最小化訓(xùn)練誤差C.構(gòu)建多層非線性映射D.利用隱變量建模7.在梯度下降法中，“學(xué)習(xí)率”設(shè)置過大會導(dǎo)致：A.模型收斂速度變慢B.模型陷入局部最優(yōu)C.參數(shù)更新步長過大，可能無法收斂D.模型過擬合8.自然語言處理（NLP）中，詞嵌入（WordEmbedding）的主要作用是：A.將文本轉(zhuǎn)換為結(jié)構(gòu)化表格B.捕捉詞語的語義關(guān)聯(lián)C.統(tǒng)計詞頻分布D.去除文本中的停用詞9.以下哪項不屬于生成式對抗網(wǎng)絡(luò)（GAN）的組成部分？A.生成器（Generator）B.判別器（Discriminator）C.損失函數(shù)（LossFunction）D.注意力機(jī)制（Attention）10.在知識圖譜中，“實體關(guān)系實體”的三元組結(jié)構(gòu)用于表示：A.數(shù)據(jù)的統(tǒng)計分布B.概念間的邏輯關(guān)聯(lián)C.模型的參數(shù)配置D.圖像的像素特征二、填空題（每題2分，共20分）1.人工智能的三大分支是__________、__________和__________（按技術(shù)路徑分類）。2.機(jī)器學(xué)習(xí)中，常見的性能評估指標(biāo)包括準(zhǔn)確率、__________、__________和F1分?jǐn)?shù)（任填兩個）。3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積層的核心作用是__________，池化層的主要作用是__________。4.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的局限性是__________，長短期記憶網(wǎng)絡(luò)（LSTM）通過引入__________解決了這一問題。5.隱馬爾可夫模型（HMM）的三要素是__________、__________和初始狀態(tài)概率分布。6.梯度下降法的三種變體是__________、__________和__________（按更新方式分類）。7.Transformer模型的核心機(jī)制是__________，其計算公式為__________（寫出數(shù)學(xué)表達(dá)式）。8.強(qiáng)化學(xué)習(xí)中的“狀態(tài)動作獎勵”序列構(gòu)成__________，其數(shù)學(xué)建模工具是__________。9.過擬合的本質(zhì)是模型__________，常用的解決方法包括__________、__________（任填兩種）。10.自然語言處理中的“分詞”任務(wù)是指__________，中文分詞的難點在于__________。三、簡答題（每題6分，共30分）1.簡述“人工智能”與“機(jī)器學(xué)習(xí)”的關(guān)系，并舉例說明機(jī)器學(xué)習(xí)在人工智能中的具體應(yīng)用。2.比較邏輯回歸（LogisticRegression）與支持向量機(jī)（SVM）在分類任務(wù)中的異同。3.解釋“神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)”的作用，并列舉三種常見激活函數(shù)及其特點。4.什么是“遷移學(xué)習(xí)”？它解決了傳統(tǒng)機(jī)器學(xué)習(xí)中的什么問題？請結(jié)合實際場景說明其應(yīng)用價值。5.請描述“自動駕駛系統(tǒng)中，計算機(jī)視覺技術(shù)如何輔助決策”的技術(shù)流程（至少包含3個關(guān)鍵步驟）。四、算法分析與計算題（每題10分，共20分）1.假設(shè)有一個二分類問題，訓(xùn)練數(shù)據(jù)集包含4個樣本：樣本1：特征x=[1,2]，標(biāo)簽y=1樣本2：特征x=[2,1]，標(biāo)簽y=1樣本3：特征x=[1,1]，標(biāo)簽y=0樣本4：特征x=[2,2]，標(biāo)簽y=0假設(shè)使用決策樹算法，計算根節(jié)點選擇特征x?（第一個維度）時的信息增益（要求寫出熵、條件熵的計算過程）。2.考慮一個簡單的前饋神經(jīng)網(wǎng)絡(luò)：輸入層2個神經(jīng)元，隱藏層2個神經(jīng)元（激活函數(shù)為sigmoid），輸出層1個神經(jīng)元（激活函數(shù)為sigmoid）。假設(shè)輸入x=[0.5,0.8]，隱藏層權(quán)重矩陣W?=[[0.2,0.3],[0.4,0.1]]，偏置b?=[0.1,0.2]；輸出層權(quán)重向量W?=[0.6,0.5]，偏置b?=0.3。（1）計算隱藏層神經(jīng)元的輸出值（保留3位小數(shù)）；（2）計算輸出層的最終輸出值（保留3位小數(shù)）。五、綜合應(yīng)用題（10分）請設(shè)計一個基于機(jī)器學(xué)習(xí)的“智能垃圾分類系統(tǒng)”，要求：（1）明確系統(tǒng)的輸入（數(shù)據(jù)類型）與輸出（分類結(jié)果）；（2）描述核心技術(shù)流程（包括數(shù)據(jù)采集、預(yù)處理、模型選擇、訓(xùn)練與評估）；（3）分析可能遇到的挑戰(zhàn)及解決方案（至少2項）。參考答案一、單項選擇題1.B2.A3.B4.B5.A6.A7.C8.B9.D10.B二、填空題1.符號主義、連接主義、行為主義2.精確率（Precision）、召回率（Recall）（或其他合理答案）3.提取局部特征、降低特征維度（或“平移不變性”）4.長距離依賴問題、門控機(jī)制（或“遺忘門、輸入門、輸出門”）5.狀態(tài)轉(zhuǎn)移概率矩陣、觀測概率矩陣（或“發(fā)射概率矩陣”）6.批量梯度下降（BGD）、隨機(jī)梯度下降（SGD）、小批量梯度下降（MBGD）7.自注意力機(jī)制（SelfAttention）、\(\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V\)8.馬爾可夫決策過程（MDP）、貝爾曼方程（BellmanEquation）9.對訓(xùn)練數(shù)據(jù)過度擬合、增加正則化項、提前停止（或“數(shù)據(jù)增強(qiáng)”“降低模型復(fù)雜度”）10.將連續(xù)文本分割為有意義的詞語序列、分詞歧義性（或“未登錄詞處理”）三、簡答題1.關(guān)系：人工智能是研究使機(jī)器具備智能的理論與技術(shù)，機(jī)器學(xué)習(xí)是實現(xiàn)人工智能的核心方法之一（通過數(shù)據(jù)自動學(xué)習(xí)規(guī)律）。應(yīng)用：如語音識別（通過深度學(xué)習(xí)模型從語音數(shù)據(jù)中學(xué)習(xí)特征）、推薦系統(tǒng)（通過協(xié)同過濾或神經(jīng)網(wǎng)絡(luò)預(yù)測用戶偏好）。2.相同點：均用于二分類任務(wù)，目標(biāo)是找到分類超平面；均基于線性模型（SVM可通過核函數(shù)擴(kuò)展為非線性）。不同點：邏輯回歸優(yōu)化交叉熵?fù)p失，關(guān)注概率輸出；SVM優(yōu)化間隔最大化，對異常值更魯棒；SVM的核技巧可處理非線性問題，而邏輯回歸需手動特征工程。3.作用：引入非線性變換，使神經(jīng)網(wǎng)絡(luò)能擬合復(fù)雜非線性關(guān)系（若僅用線性變換，多層網(wǎng)絡(luò)等價于單層）。常見激活函數(shù)：Sigmoid：輸出范圍(0,1)，用于二分類輸出層，但存在梯度消失問題；ReLU（修正線性單元）：輸出max(0,x)，計算簡單，緩解梯度消失，但可能導(dǎo)致“神經(jīng)元死亡”；Tanh：輸出(1,1)，零中心，比Sigmoid收斂更快，但仍存在梯度消失。4.遷移學(xué)習(xí)：將已訓(xùn)練模型在源任務(wù)上的知識遷移到目標(biāo)任務(wù)，解決目標(biāo)任務(wù)數(shù)據(jù)量少的問題。傳統(tǒng)問題：傳統(tǒng)機(jī)器學(xué)習(xí)要求源任務(wù)與目標(biāo)任務(wù)數(shù)據(jù)分布一致且數(shù)據(jù)量充足，實際中常不滿足。應(yīng)用：如醫(yī)療影像診斷（用大量自然圖像預(yù)訓(xùn)練的CNN遷移到少量醫(yī)學(xué)影像數(shù)據(jù)，提升小樣本下的診斷準(zhǔn)確率）。5.技術(shù)流程：（1）圖像采集：通過車載攝像頭獲取道路、車輛、行人等實時圖像；（2）目標(biāo)檢測：使用YOLO或FasterRCNN模型識別障礙物、交通標(biāo)志等（定位+分類）；（3）場景理解：結(jié)合語義分割（如UNet）標(biāo)注道路區(qū)域，通過光流法分析物體運動軌跡；（4）決策生成：將檢測與理解結(jié)果輸入決策模型（如強(qiáng)化學(xué)習(xí)或規(guī)則引擎），輸出加速、剎車或轉(zhuǎn)向指令。四、算法分析與計算題1.計算過程：總樣本數(shù)N=4，正類（y=1）樣本數(shù)2，負(fù)類（y=0）樣本數(shù)2。根節(jié)點的熵：\(H(D)=\left(\frac{2}{4}\log_2\frac{2}{4}+\frac{2}{4}\log_2\frac{2}{4}\right)=1\)。選擇特征x?，其取值為[1,2,1,2]，需劃分閾值。假設(shè)以x?=0為分界點（因樣本1、2的x?>0，樣本3、4的x?<0），則：子集D?（x?>0）：樣本1、2，y=1（2/2），熵\(H(D?)=0\)；子集D?（x?<0）：樣本3、4，y=0（2/2），熵\(H(D?)=0\)；條件熵：\(H(D|x?)=\frac{2}{4}H(D?)+\frac{2}{4}H(D?)=0\)；信息增益：\(IG(x?)=H(D)H(D|x?)=10=1\)。2.計算步驟：（1）隱藏層輸入：\(z_{1}^{(1)}=0.5×0.2+0.8×(0.3)+0.1=0.10.24+0.1=0.04\)\(z_{2}^{(1)}=0.5×0.4+0.8×0.1+(0.2)=0.2+0.080.2=0.08\)隱藏層輸出（sigmoid激活）：\(a_{1}^{(1)}=\frac{1}{1+e^{(0.04)}}≈0.490\)\(a_{2}^{(1)}=\frac{1}{1+e^{0.08}}≈0.520\)（2）輸出層輸入：\(z^{(2)}=0.490×0.6+0.520×(0.5)+0.3=0.2940.26+0.3=0.334\)輸出層輸出（sigmoid激活）：\(a^{(2)}=\frac{1}{1+e^{0.334}}≈0.582\)五、綜合應(yīng)用題系統(tǒng)設(shè)計：（1）輸入：垃圾圖片（RGB圖像，分辨率≥224×224）、可能的文本描述（如“塑料瓶”）；輸出：分類結(jié)果（可回收物、有害垃圾、廚余垃圾、其他垃圾）。（2）技術(shù)流程：數(shù)據(jù)采集：通過垃圾桶攝像頭、公開數(shù)據(jù)集（如GarbageClassificationDataset）收集圖片，標(biāo)注類別；預(yù)處理：圖像歸一化（調(diào)整尺寸、亮度）、數(shù)據(jù)增強(qiáng)（翻轉(zhuǎn)、旋轉(zhuǎn)、添加噪聲）；模型選擇：采用遷移學(xué)習(xí)，基于預(yù)訓(xùn)練的ResNet50（在ImageNet上訓(xùn)練），凍結(jié)前幾層，微調(diào)最后全連接層；訓(xùn)練與評估：劃分訓(xùn)練集（70%）、驗證集（20%）、測試集（10%），使用交叉熵?fù)p失函數(shù)，Adam優(yōu)化器，