2025年大學(xué)認(rèn)知科學(xué)與技術(shù)專業(yè)題庫(kù)——機(jī)器學(xué)習(xí)與認(rèn)知科學(xué)知識(shí)庫(kù)考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分。請(qǐng)將正確選項(xiàng)的字母填在題干后的括號(hào)內(nèi)）1.下列哪種機(jī)器學(xué)習(xí)任務(wù)是旨在發(fā)現(xiàn)數(shù)據(jù)中隱藏的潛在模式或結(jié)構(gòu)？()A.分類B.回歸C.聚類D.關(guān)聯(lián)規(guī)則挖掘2.在監(jiān)督學(xué)習(xí)中，如果模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)差，這通常被稱為？()A.高方差（過(guò)擬合）B.高偏差（欠擬合）C.標(biāo)準(zhǔn)差過(guò)大D.數(shù)據(jù)噪聲3.決策樹算法在構(gòu)建過(guò)程中，通常采用哪種策略來(lái)選擇分裂屬性？()A.隨機(jī)選擇B.選擇信息增益最大的屬性C.選擇方差最小的屬性D.選擇與目標(biāo)變量相關(guān)性最弱的屬性4.支持向量機(jī)（SVM）通過(guò)尋找一個(gè)最優(yōu)超平面來(lái)分離不同類別的數(shù)據(jù)點(diǎn)，該超平面到最近數(shù)據(jù)點(diǎn)的距離被稱為？()A.準(zhǔn)確率B.實(shí)體C.支持向量D.橡皮擦半徑（Margin）5.無(wú)監(jiān)督學(xué)習(xí)中，K-均值聚類算法是一種常用的算法，其主要目標(biāo)是？()A.最小化樣本點(diǎn)到其所屬聚類中心的距離平方和B.最大化不同聚類之間的距離C.最小化樣本點(diǎn)之間的距離D.最大化聚類內(nèi)部的相似度6.知識(shí)圖譜是一種用于表示和存儲(chǔ)知識(shí)的結(jié)構(gòu)化知識(shí)庫(kù)，它通常使用什么來(lái)表示實(shí)體和實(shí)體之間的關(guān)系？()A.鏈接列表B.關(guān)系矩陣C.實(shí)體-關(guān)系-實(shí)體三元組D.樹狀結(jié)構(gòu)7.在機(jī)器學(xué)習(xí)模型評(píng)估中，交叉驗(yàn)證的主要目的是？()A.減少模型訓(xùn)練時(shí)間B.提高模型的泛化能力C.選擇最佳的模型參數(shù)D.避免數(shù)據(jù)過(guò)擬合8.以下哪種技術(shù)通常用于處理文本數(shù)據(jù)，將其轉(zhuǎn)換為機(jī)器學(xué)習(xí)模型可以處理的數(shù)值特征？()A.主成分分析（PCA）B.特征選擇C.詞嵌入（WordEmbedding）D.決策樹回歸9.深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），在哪些領(lǐng)域取得了顯著成功？()A.自然語(yǔ)言處理B.語(yǔ)音識(shí)別C.圖像識(shí)別與生成D.時(shí)間序列預(yù)測(cè)10.從認(rèn)知科學(xué)的角度來(lái)看，機(jī)器學(xué)習(xí)模型（如神經(jīng)網(wǎng)絡(luò)）被用于模擬人類認(rèn)知過(guò)程，例如學(xué)習(xí)或記憶，這體現(xiàn)了什么理念？()A.計(jì)算主義（Computationalism）B.行為主義（Behaviorism）C.奧卡姆剃刀原則D.類人機(jī)器人學(xué)二、填空題（每空1分，共15分。請(qǐng)將答案填在橫線上）1.機(jī)器學(xué)習(xí)算法根據(jù)數(shù)據(jù)是否帶有標(biāo)簽可以分為________學(xué)習(xí)和________學(xué)習(xí)。2.決策樹模型具有天然的________結(jié)構(gòu)，可以直觀地展示決策過(guò)程。3.在知識(shí)表示中，RDF（ResourceDescriptionFramework）是一種常用的模型，它使用________來(lái)表示知識(shí)。4.評(píng)價(jià)分類模型性能的指標(biāo)包括準(zhǔn)確率、精確率、召回率和________。5.神經(jīng)網(wǎng)絡(luò)中的“深度”指的是網(wǎng)絡(luò)中________的層數(shù)。6.為了讓機(jī)器學(xué)習(xí)模型有更好的泛化能力，除了使用交叉驗(yàn)證外，還可以采用________或________等技術(shù)。7.知識(shí)推理是指從已有的知識(shí)中推導(dǎo)出新的知識(shí)，常見的推理方式包括確定性推理和________推理。8.在自然語(yǔ)言處理任務(wù)中，機(jī)器學(xué)習(xí)模型被用于識(shí)別和提取文本中的________和________。9.認(rèn)知科學(xué)研究表明，人類的學(xué)習(xí)和記憶過(guò)程與大腦的________活動(dòng)密切相關(guān)。10.機(jī)器學(xué)習(xí)與認(rèn)知科學(xué)的交叉研究旨在理解人類認(rèn)知的奧秘，并開發(fā)更智能的________系統(tǒng)。三、簡(jiǎn)答題（每題5分，共20分）1.簡(jiǎn)述過(guò)擬合和欠擬合的概念，并分別說(shuō)明可能導(dǎo)致這兩種情況的原因。2.知識(shí)圖譜在認(rèn)知科學(xué)研究中可能有哪些具體應(yīng)用？3.解釋什么是特征工程，并列舉至少三種常見的特征工程方法。4.強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)的主要區(qū)別是什么？四、計(jì)算題/算法實(shí)現(xiàn)題（8分）假設(shè)有一個(gè)簡(jiǎn)單的數(shù)據(jù)集，包含兩個(gè)特征X1和X2，以及對(duì)應(yīng)的類別標(biāo)簽Y。數(shù)據(jù)集如下：|X1|X2|Y||----|----|----||2|3|A||5|4|B||3|2|A||7|8|B||4|3|A|請(qǐng)使用K-均值聚類算法對(duì)這個(gè)數(shù)據(jù)集進(jìn)行聚類，設(shè)置K=2。請(qǐng)寫出你選擇的初始聚類中心（從數(shù)據(jù)點(diǎn)中隨機(jī)選擇兩個(gè)），以及聚類迭代的過(guò)程（至少展示一次迭代后各數(shù)據(jù)點(diǎn)所屬的簇和新的聚類中心）。五、論述題（7分）結(jié)合認(rèn)知科學(xué)中關(guān)于注意力的理論，討論機(jī)器學(xué)習(xí)（特別是深度學(xué)習(xí)）技術(shù)如何被用于研究或模擬人類注意力的機(jī)制。請(qǐng)舉例說(shuō)明。---試卷答案一、選擇題1.C2.A3.B4.D5.A6.C7.B8.C9.C10.A二、填空題1.監(jiān)督無(wú)監(jiān)督2.樹3.三元組4.F1分?jǐn)?shù)5.隱藏6.數(shù)據(jù)增強(qiáng)降維7.不確定性8.實(shí)體關(guān)系9.神經(jīng)10.人工智能三、簡(jiǎn)答題1.解析思路：過(guò)擬合指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)極好，但在新數(shù)據(jù)上表現(xiàn)差；欠擬合指模型在訓(xùn)練數(shù)據(jù)上就表現(xiàn)不佳。原因：過(guò)擬合通常是模型復(fù)雜度過(guò)高，學(xué)習(xí)了噪聲；欠擬合通常是模型過(guò)于簡(jiǎn)單，未能學(xué)習(xí)到數(shù)據(jù)的主要模式。*過(guò)擬合：模型復(fù)雜度高，學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲和隨機(jī)波動(dòng)，導(dǎo)致泛化能力差。原因：訓(xùn)練數(shù)據(jù)量不足、模型參數(shù)過(guò)多、特征維度過(guò)高。*欠擬合：模型過(guò)于簡(jiǎn)單，未能捕捉到數(shù)據(jù)的基本規(guī)律或趨勢(shì)。原因：模型復(fù)雜度低（如線性模型擬合非線性數(shù)據(jù)）、正則化過(guò)強(qiáng)、特征選擇不當(dāng)。2.解析思路：知識(shí)圖譜可以將復(fù)雜的概念、實(shí)體及其關(guān)系結(jié)構(gòu)化，便于機(jī)器理解和推理。在認(rèn)知科學(xué)研究中，可用于：構(gòu)建認(rèn)知模型（如知識(shí)表示記憶）、模擬推理過(guò)程（如基于本體進(jìn)行推論）、分析概念關(guān)系（如發(fā)現(xiàn)概念間的關(guān)聯(lián)）、支持智能問(wèn)答系統(tǒng)（回答基于知識(shí)庫(kù)的事實(shí)性問(wèn)題）、輔助教育（構(gòu)建領(lǐng)域知識(shí)圖譜進(jìn)行教學(xué)）。3.解析思路：特征工程是將原始數(shù)據(jù)轉(zhuǎn)換為適合機(jī)器學(xué)習(xí)模型輸入的數(shù)值特征的過(guò)程。目的是提高模型性能。方法：特征提?。◤脑紨?shù)據(jù)中提取有用信息）、特征編碼（如獨(dú)熱編碼、標(biāo)簽編碼）、特征構(gòu)造（創(chuàng)建新的、更有預(yù)測(cè)能力的特征，如組合特征）、特征選擇（選擇最相關(guān)的特征，減少維度和噪聲）。4.解析思路：監(jiān)督學(xué)習(xí)使用帶標(biāo)簽的數(shù)據(jù)學(xué)習(xí)映射函數(shù)；無(wú)監(jiān)督學(xué)習(xí)使用無(wú)標(biāo)簽數(shù)據(jù)發(fā)現(xiàn)數(shù)據(jù)結(jié)構(gòu)或模式；強(qiáng)化學(xué)習(xí)通過(guò)智能體與環(huán)境的交互，根據(jù)獲得的獎(jiǎng)勵(lì)或懲罰學(xué)習(xí)最優(yōu)策略。區(qū)別在于學(xué)習(xí)數(shù)據(jù)類型（標(biāo)簽、無(wú)標(biāo)簽、交互）、目標(biāo)（預(yù)測(cè)輸出、發(fā)現(xiàn)模式、學(xué)習(xí)策略）、學(xué)習(xí)方式（教師指導(dǎo)、無(wú)指導(dǎo)、試錯(cuò)學(xué)習(xí)）。四、計(jì)算題/算法實(shí)現(xiàn)題*解析思路：K-means聚類核心是初始化中心點(diǎn)，分配樣本到最近的中心點(diǎn)形成簇，然后更新中心點(diǎn)，重復(fù)直到收斂。選擇初始中心點(diǎn)：隨機(jī)選擇K個(gè)不同的數(shù)據(jù)點(diǎn)作為初始中心。迭代過(guò)程：計(jì)算每個(gè)點(diǎn)到各中心點(diǎn)的距離，將點(diǎn)分配給最近的中心點(diǎn)形成的簇，重新計(jì)算每個(gè)簇的中心點(diǎn)（簇內(nèi)所有點(diǎn)的均值），如果中心點(diǎn)不變或達(dá)到最大迭代次數(shù)，則停止。*答案：*初始中心點(diǎn)選擇：假設(shè)隨機(jī)選擇數(shù)據(jù)集第一行(2,3,A)和第三行(3,2,A)作為初始中心點(diǎn)C1=(2,3)和C2=(3,2)。*第一次迭代分配：*計(jì)算各點(diǎn)到C1(2,3)和C2(3,2)的距離：*點(diǎn)(2,3):|2-2|2+|3-3|2=0+0=0(距離C1=0,距離C2=2.24)->分配到簇1*點(diǎn)(5,4):|5-2|2+|4-3|2=9+1=10(距離C1=10,距離C2=5)->分配到簇2*點(diǎn)(3,2):|3-2|2+|2-3|2=1+1=2(距離C1=2,距離C2=0)->分配到簇1*點(diǎn)(7,8):|7-2|2+|8-3|2=25+25=50(距離C1=50,距離C2=13)->分配到簇2*點(diǎn)(4,3):|4-2|2+|3-3|2=4+0=4(距離C1=4,距離C2=2.24)->分配到簇1*分配結(jié)果：簇1包含{(2,3),(3,2),(4,3)}；簇2包含{(5,4),(7,8)}。*更新中心點(diǎn)：*新C1=((2+3+4)/3,(3+2+3)/3)=(3,2.666...)*新C2=((5+7)/2,(4+8)/2)=(6,6)*第二次迭代（或繼續(xù)迭代）：使用新的中心點(diǎn)(3,2.666...)和(6,6)重復(fù)計(jì)算距離和分配過(guò)程。通常在有限的數(shù)據(jù)集和迭代次數(shù)下，聚類結(jié)果會(huì)穩(wěn)定。最終結(jié)果可能會(huì)是：簇1包含{(2,3),(3,2),(4,3)}，簇2包含{(5,4),(7,8)}，中心點(diǎn)分別為(3,~2.67)和(6,6)。(具體數(shù)值可能因初始中心點(diǎn)不同而略有差異)五、論述題*解析思路：將注意力機(jī)制類比于人腦的注意力。人類的注意力允許大腦優(yōu)先處理重要信息，忽略無(wú)關(guān)干擾。機(jī)器學(xué)習(xí)中的注意力機(jī)制（AttentionMechanism）也實(shí)現(xiàn)