2025年大學(xué)《信息與計(jì)算科學(xué)》專業(yè)題庫(kù)——人工智能與機(jī)器學(xué)習(xí)技術(shù)考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每小題2分，共20分。請(qǐng)將正確選項(xiàng)的字母填在題后的括號(hào)內(nèi)）1.下列哪一項(xiàng)不屬于人工智能的主要研究領(lǐng)域？(A)機(jī)器學(xué)習(xí)(B)自然語言處理(C)計(jì)算機(jī)視覺(D)數(shù)據(jù)庫(kù)管理系統(tǒng)2.在機(jī)器學(xué)習(xí)的分類中，下列哪一項(xiàng)屬于無監(jiān)督學(xué)習(xí)方法？(A)線性回歸(B)邏輯回歸(C)K-均值聚類(D)支持向量機(jī)3.決策樹算法中，常用的信息增益（InformationGain）度量基于哪種信息理論概念？(A)熵（Entropy）(B)聯(lián)合概率(C)最大似然估計(jì)(D)梯度下降4.下列哪種情況通常被認(rèn)為是機(jī)器學(xué)習(xí)模型欠擬合（Underfitting）的表現(xiàn)？(A)模型在訓(xùn)練集和測(cè)試集上都取得了很高的誤差。(B)模型在訓(xùn)練集上的誤差很低，但在測(cè)試集上的誤差很高。(C)模型對(duì)訓(xùn)練數(shù)據(jù)中的噪聲過于敏感。(D)模型過于復(fù)雜，學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲。5.支持向量機(jī)（SVM）通過尋找一個(gè)最優(yōu)超平面來劃分不同類別的數(shù)據(jù)點(diǎn)，該超平面旨在最大化什么？(A)分類邊界上的數(shù)據(jù)點(diǎn)數(shù)量。(B)所有關(guān)類數(shù)據(jù)點(diǎn)到超平面的最小距離。(C)所有關(guān)類數(shù)據(jù)點(diǎn)到超平面的最大距離（即間隔）。(D)模型的預(yù)測(cè)速度。6.在樸素貝葉斯分類器中，“樸素”指的是假設(shè)特征之間具有怎樣的關(guān)系？(A)線性關(guān)系(B)相互獨(dú)立(C)復(fù)雜依賴(D)共同影響7.主成分分析（PCA）的主要目的是什么？(A)對(duì)數(shù)據(jù)進(jìn)行分類。(B)對(duì)數(shù)據(jù)進(jìn)行聚類。(C)降低數(shù)據(jù)的維度，同時(shí)保留盡可能多的信息。(D)對(duì)數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)。8.下列哪種評(píng)估指標(biāo)最適合用于不平衡數(shù)據(jù)集的分類任務(wù)，以衡量模型的泛化能力？(A)準(zhǔn)確率（Accuracy）(B)精確率（Precision）(C)召回率（Recall）(D)F1分?jǐn)?shù)9.在使用梯度下降法優(yōu)化機(jī)器學(xué)習(xí)模型參數(shù)時(shí)，學(xué)習(xí)率（LearningRate）的選擇對(duì)模型收斂有何影響？(A)學(xué)習(xí)率過大可能導(dǎo)致模型無法收斂。(B)學(xué)習(xí)率過小可能導(dǎo)致收斂速度過慢。(C)學(xué)習(xí)率過大可能導(dǎo)致收斂到局部最優(yōu)解。(D)以上都是。10.集成學(xué)習(xí)方法（如隨機(jī)森林）通常比單一模型具有更好的泛化能力和魯棒性，主要原因是什么？(A)集成方法可以處理非線性關(guān)系。(B)集成方法通過組合多個(gè)模型，可以降低過擬合的風(fēng)險(xiǎn)。(C)集成方法可以自動(dòng)進(jìn)行特征選擇。(D)集成方法的計(jì)算效率更高。二、填空題（每空2分，共20分。請(qǐng)將答案填在題后的橫線上）1.人工智能的發(fā)展經(jīng)歷了符號(hào)主義、連接主義和______等主要階段。2.機(jī)器學(xué)習(xí)算法通過從______中學(xué)習(xí)規(guī)律，以預(yù)測(cè)或決策新輸入。3.決策樹在劃分節(jié)點(diǎn)時(shí)，常用的分裂標(biāo)準(zhǔn)除了信息增益外，還有______。4.支持向量機(jī)中，核函數(shù)的主要作用是將原始輸入空間映射到高維特征空間，常用的核函數(shù)有線性核、多項(xiàng)式核、______和RBF核。5.在進(jìn)行機(jī)器學(xué)習(xí)建模前，通常需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括處理缺失值、異常值以及進(jìn)行______和特征編碼等。6.評(píng)估分類模型性能時(shí)，混淆矩陣（ConfusionMatrix）是一個(gè)重要的工具，它可以幫助計(jì)算準(zhǔn)確率、精確率、召回率等指標(biāo)。對(duì)于一個(gè)二分類問題，混淆矩陣有______個(gè)象限。7.神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基礎(chǔ)，其基本單元是______。8.特征工程是機(jī)器學(xué)習(xí)流程中的關(guān)鍵環(huán)節(jié)，其目標(biāo)是通過______、特征構(gòu)造等方法，創(chuàng)造對(duì)機(jī)器學(xué)習(xí)模型更有用的輸入特征。9.交叉驗(yàn)證（Cross-Validation）是一種常用的模型評(píng)估方法，它有助于減少______帶來的評(píng)估偏差。10.強(qiáng)化學(xué)習(xí)（ReinforcementLearning）的核心思想是通過一個(gè)______與環(huán)境交互，根據(jù)獲得的獎(jiǎng)勵(lì)或懲罰來學(xué)習(xí)最優(yōu)策略。三、簡(jiǎn)答題（每小題5分，共15分。請(qǐng)簡(jiǎn)要回答下列問題）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的主要區(qū)別。2.什么是過擬合？請(qǐng)簡(jiǎn)述至少兩種解決過擬合問題的常用方法。3.簡(jiǎn)述使用交叉驗(yàn)證評(píng)估機(jī)器學(xué)習(xí)模型性能的基本步驟。四、計(jì)算題（每小題10分，共20分。請(qǐng)寫出詳細(xì)的計(jì)算過程）1.假設(shè)有一個(gè)二分類問題，模型對(duì)10個(gè)樣本進(jìn)行了預(yù)測(cè)，結(jié)果如下：正確預(yù)測(cè)為正類的有6個(gè)，正確預(yù)測(cè)為負(fù)類的有4個(gè)，但將負(fù)類錯(cuò)誤預(yù)測(cè)為正類的有1個(gè)。請(qǐng)計(jì)算該模型的準(zhǔn)確率、精確率和召回率。2.已知一個(gè)線性回歸模型的最優(yōu)參數(shù)為θ?=3,θ?=2。請(qǐng)計(jì)算當(dāng)輸入特征x=4時(shí)，模型的預(yù)測(cè)輸出y的值。五、綜合應(yīng)用題（共25分。請(qǐng)結(jié)合所學(xué)知識(shí)，分析并回答下列問題）假設(shè)我們想構(gòu)建一個(gè)機(jī)器學(xué)習(xí)模型來預(yù)測(cè)房屋的價(jià)格（目標(biāo)變量），可用的特征包括：房屋面積（平方米）、房間數(shù)量、建造年份、地理位置（用虛擬變量表示）、是否靠近地鐵站（是/否）。請(qǐng)簡(jiǎn)述你會(huì)如何設(shè)計(jì)這個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的流程，包括：(1)數(shù)據(jù)準(zhǔn)備階段（如何獲取和初步處理數(shù)據(jù)？需要考慮哪些數(shù)據(jù)預(yù)處理步驟？）；(2)模型選擇階段（你會(huì)考慮哪些類型的模型？為什么？）；(3)模型訓(xùn)練與評(píng)估階段（如何訓(xùn)練模型？選擇哪些指標(biāo)來評(píng)估模型性能？如何進(jìn)行模型調(diào)優(yōu)？）；(4)簡(jiǎn)述你會(huì)如何利用該模型進(jìn)行實(shí)際的房屋價(jià)格預(yù)測(cè)。試卷答案一、選擇題1.(D)解析：人工智能的主要研究領(lǐng)域包括機(jī)器學(xué)習(xí)、自然語言處理、計(jì)算機(jī)視覺、機(jī)器人學(xué)等。數(shù)據(jù)庫(kù)管理系統(tǒng)屬于計(jì)算機(jī)科學(xué)中的數(shù)據(jù)庫(kù)領(lǐng)域，不是人工智能的主要研究領(lǐng)域。2.(C)解析：機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。K-均值聚類是一種典型的無監(jiān)督學(xué)習(xí)算法，用于數(shù)據(jù)聚類。線性回歸和邏輯回歸屬于監(jiān)督學(xué)習(xí)。支持向量機(jī)也屬于監(jiān)督學(xué)習(xí)。3.(A)解析：決策樹算法通過計(jì)算信息增益或增益率來選擇分裂屬性，信息增益是基于熵的概念來度量的。熵用于衡量樣本集合的混亂程度或不確定性。4.(A)解析：欠擬合是指模型的復(fù)雜度不夠，無法捕捉到數(shù)據(jù)中的基本模式，導(dǎo)致在訓(xùn)練集和測(cè)試集上都有較高的誤差。選項(xiàng)B描述的是過擬合的表現(xiàn)。選項(xiàng)C和D是過擬合的一些特征。5.(C)解析：SVM的目標(biāo)是找到一個(gè)最優(yōu)超平面，使得該超平面到兩類數(shù)據(jù)點(diǎn)的最小距離（即間隔）最大化，從而提高模型的泛化能力。6.(B)解析：樸素貝葉斯分類器的“樸素”假設(shè)是指它假設(shè)所有特征之間相互獨(dú)立。這個(gè)假設(shè)簡(jiǎn)化了計(jì)算，但實(shí)際中特征之間可能存在復(fù)雜的依賴關(guān)系。7.(C)解析：主成分分析（PCA）的主要目的是通過線性變換將原始數(shù)據(jù)投影到低維空間，同時(shí)盡可能保留數(shù)據(jù)的方差（信息量），常用于數(shù)據(jù)降維。8.(D)解析：在不平衡數(shù)據(jù)集中，準(zhǔn)確率可能被少數(shù)類性能誤導(dǎo)。精確率關(guān)注預(yù)測(cè)為正類的樣本中實(shí)際為正類的比例，召回率關(guān)注所有實(shí)際為正類的樣本中被正確預(yù)測(cè)的比例。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均，能更均衡地反映模型在不平衡數(shù)據(jù)集上的表現(xiàn)。9.(D)解析：梯度下降法的收斂性對(duì)學(xué)習(xí)率非常敏感。學(xué)習(xí)率過大可能導(dǎo)致參數(shù)在最優(yōu)解附近來回震蕩，無法收斂；學(xué)習(xí)率過小會(huì)導(dǎo)致收斂速度極慢，需要大量迭代；同時(shí)，學(xué)習(xí)率過大也可能導(dǎo)致收斂到局部最優(yōu)解而不是全局最優(yōu)解。10.(B)解析：集成學(xué)習(xí)方法通過組合多個(gè)學(xué)習(xí)器（如決策樹）的預(yù)測(cè)結(jié)果，可以減少單個(gè)模型可能出現(xiàn)的過擬合問題，因?yàn)榧审w通常比單個(gè)模型更穩(wěn)定，泛化能力更強(qiáng)。二、填空題1.深度學(xué)習(xí)解析：人工智能的發(fā)展歷程通常被劃分為符號(hào)主義、連接主義和深度學(xué)習(xí)三個(gè)主要階段。2.經(jīng)驗(yàn)數(shù)據(jù)（或訓(xùn)練數(shù)據(jù)）解析：機(jī)器學(xué)習(xí)算法從經(jīng)驗(yàn)數(shù)據(jù)（即歷史數(shù)據(jù)或訓(xùn)練集）中學(xué)習(xí)規(guī)律和模式，以便對(duì)新的、未見過的數(shù)據(jù)進(jìn)行預(yù)測(cè)或決策。3.基尼不純度（或GiniImpurity）解析：決策樹在劃分節(jié)點(diǎn)時(shí)，除了常用的信息增益，還可以使用基尼不純度作為分裂標(biāo)準(zhǔn)來衡量節(jié)點(diǎn)的純度。4.徑向基函數(shù)（或RBF）解析：支持向量機(jī)中常用的核函數(shù)包括線性核、多項(xiàng)式核、徑向基函數(shù)（RadialBasisFunction）核等。5.特征縮放（或標(biāo)準(zhǔn)化/歸一化）解析：數(shù)據(jù)預(yù)處理是機(jī)器學(xué)習(xí)的重要步驟，特征縮放（如標(biāo)準(zhǔn)化或歸一化）可以統(tǒng)一不同特征尺度的量綱，防止某些特征由于數(shù)值范圍過大而對(duì)模型產(chǎn)生不成比例的影響。6.四解析：對(duì)于一個(gè)二分類問題，混淆矩陣是一個(gè)2x2的矩陣，包含四個(gè)象限：真正例（TP）、真負(fù)例（TN）、假正例（FP）、假負(fù)例（FN）。7.神經(jīng)元（或Node）解析：神經(jīng)網(wǎng)絡(luò)由大量相互連接的單元組成，這些基本單元稱為神經(jīng)元或節(jié)點(diǎn)。8.特征選擇（或特征工程/特征提?。┙馕觯禾卣鞴こ痰哪繕?biāo)是通過選擇最相關(guān)的特征、剔除不相關(guān)的特征、特征構(gòu)造（創(chuàng)建新特征）等方法，提升模型的性能。9.隨機(jī)性（或評(píng)估偏差）解析：交叉驗(yàn)證通過將數(shù)據(jù)劃分為多個(gè)子集進(jìn)行多次訓(xùn)練和驗(yàn)證，可以有效減少單一劃分方式帶來的隨機(jī)性對(duì)模型評(píng)估結(jié)果的影響，從而得到更穩(wěn)健的模型性能估計(jì)。10.策略（或Agent）解析：在強(qiáng)化學(xué)習(xí)中，智能體（Agent）是與環(huán)境交互的主體，它通過觀察環(huán)境狀態(tài)并執(zhí)行動(dòng)作來獲取獎(jiǎng)勵(lì)或懲罰，目的是學(xué)習(xí)一個(gè)最優(yōu)策略以最大化累積獎(jiǎng)勵(lì)。三、簡(jiǎn)答題1.監(jiān)督學(xué)習(xí)需要使用帶有標(biāo)簽（即輸入-輸出對(duì)）的數(shù)據(jù)集進(jìn)行訓(xùn)練，模型學(xué)習(xí)輸入到輸出的映射關(guān)系，目的是預(yù)測(cè)新輸入的輸出。無監(jiān)督學(xué)習(xí)則使用沒有標(biāo)簽的數(shù)據(jù)集，模型的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)或模式，如聚類或降維。2.過擬合是指模型學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，導(dǎo)致在訓(xùn)練集上表現(xiàn)很好，但在未見過的測(cè)試數(shù)據(jù)上表現(xiàn)很差。解決過擬合的方法包括：降低模型復(fù)雜度（如減少層數(shù)或節(jié)點(diǎn)數(shù)）、增加訓(xùn)練數(shù)據(jù)量（數(shù)據(jù)增強(qiáng)）、使用正則化技術(shù)（如L1、L2正則化）、采用交叉驗(yàn)證選擇最優(yōu)參數(shù)、早停法（EarlyStopping）等。3.交叉驗(yàn)證評(píng)估模型性能的基本步驟通常包括：將原始數(shù)據(jù)集隨機(jī)劃分為k個(gè)大小相等的子集（稱為折疊）；輪流將每個(gè)子集作為驗(yàn)證集，其余k-1個(gè)子集合并作為訓(xùn)練集；使用訓(xùn)練集訓(xùn)練模型，并在驗(yàn)證集上評(píng)估模型性能，計(jì)算k次評(píng)估結(jié)果的平均值作為模型的整體性能估計(jì)。常用的有k折交叉驗(yàn)證（k=5或10）和留一交叉驗(yàn)證（Leave-One-OutCV）。四、計(jì)算題1.根據(jù)題目信息：*真正例（TP）：6*真負(fù)例（TN）：4-1=3*假正例（FP）：1*假負(fù)例（FN）：6-1=5計(jì)算各項(xiàng)指標(biāo)：*準(zhǔn)確率（Accuracy）=(TP+TN)/(TP+TN+FP+FN)=(6+3)/(6+3+1+5)=9/15=0.6*精確率（Precision）=TP/(TP+FP)=6/(6+1)=6/7≈0.857*召回率（Recall）=TP/(TP+FN)=6/(6+5)=6/11≈0.5452.根據(jù)線性回歸模型參數(shù)θ?=3,θ?=2和輸入特征x=4，預(yù)測(cè)輸出y的計(jì)算公式為：y=θ?+θ?*x代入?yún)?shù)和輸入值：y=3+2*4y=3+8y=11五、綜合應(yīng)用題(1)數(shù)據(jù)準(zhǔn)備階段：*獲取數(shù)據(jù)：可以從公開數(shù)據(jù)集（如Kaggle、政府網(wǎng)站）獲取相關(guān)數(shù)據(jù)，或自行收集。*初步處理：檢查數(shù)據(jù)完整性，處理缺失值（如刪除、填充），處理異常值（如刪除或修正），統(tǒng)一數(shù)據(jù)格式（如將“是/否”轉(zhuǎn)換為0/1）。*數(shù)據(jù)預(yù)處理步驟：*對(duì)連續(xù)特征（房屋面積、建造年份）進(jìn)行標(biāo)準(zhǔn)化或歸一化，使不同特征的尺度一致。*對(duì)分類特征（房間數(shù)量、地理位置、是否靠近地鐵站）進(jìn)行編碼，如使用獨(dú)熱編碼（One-HotEncoding）。*構(gòu)造新特征，如計(jì)算房屋年齡（當(dāng)前年份-建造年份），或結(jié)合地理位置信息創(chuàng)建區(qū)域特征。*可能需要進(jìn)行特征選擇，剔除與房?jī)r(jià)相關(guān)性不高的特征，以簡(jiǎn)化模型并提高效率。(2)模型選擇階段：*考慮的模型類型：*線性回歸（LinearRegression）：如果假設(shè)房?jī)r(jià)與特征之間是線性關(guān)系，且數(shù)據(jù)量不大。*邏輯回歸（通常用于分類，但這里房?jī)r(jià)是連續(xù)的，可考慮作為基線或理解關(guān)系，但不是主要選擇）。*決策樹（DecisionTree）：可以捕捉非線性關(guān)系，易于解釋。*支持向量機(jī)（SVM）：適用于小到中等規(guī)模數(shù)據(jù)集，對(duì)非線性關(guān)系有良好表現(xiàn)。*神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)（NeuralNetwork）：如果數(shù)據(jù)量很大，特征間關(guān)系非常復(fù)雜，希望獲得更精確的預(yù)測(cè)。*集成學(xué)習(xí)模型（如隨機(jī)森林RandomForest、梯度提升樹GradientBoosting）：通常在表格數(shù)據(jù)上表現(xiàn)優(yōu)異，能處理非線性關(guān)系，且魯棒性好，泛化能力強(qiáng)，是常見的強(qiáng)基線模型。*選擇原因：鑒于房?jī)r(jià)預(yù)測(cè)是典型的回歸問題，且特征包括連續(xù)和分類變量，集成學(xué)習(xí)模型（如隨機(jī)森林或梯度提升樹）通常是一個(gè)好的起點(diǎn)，它們能有效地處理混合類型特征，并自動(dòng)進(jìn)行特征交互。決策樹和SVM也是值得考慮的模型。線性回歸可以作為簡(jiǎn)單基線進(jìn)行對(duì)比。(3)模型訓(xùn)練與評(píng)估階段：*訓(xùn)練模型：*將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集（例如，按70%訓(xùn)練、30%測(cè)試的比例）。*使用訓(xùn)練集數(shù)據(jù)訓(xùn)練選定的模型（如隨機(jī)森林）。*使用交叉驗(yàn)證（如5折交叉驗(yàn)證）在訓(xùn)練集上調(diào)整模型超參數(shù)（如樹的數(shù)量、深度、學(xué)習(xí)率等），以避免過擬合并找到最佳配置。*評(píng)估模型性能指標(biāo)：*使