2025年大學(xué)《信息與計(jì)算科學(xué)》專業(yè)題庫——信息與計(jì)算科學(xué)的人工智能應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每小題3分，共30分。請將正確選項(xiàng)的字母填在括號內(nèi)）1.下列哪一項(xiàng)不屬于機(jī)器學(xué)習(xí)的常見任務(wù)？A.分類B.回歸C.聚類D.優(yōu)化求解2.在監(jiān)督學(xué)習(xí)中，用于訓(xùn)練模型的樣本數(shù)據(jù)通常包含兩部分：A.輸入特征和輸出標(biāo)簽B.只有機(jī)遇性輸入C.只有關(guān)聯(lián)性輸出D.模型參數(shù)和損失函數(shù)3.決策樹算法在信息增益準(zhǔn)則下進(jìn)行節(jié)點(diǎn)分裂，其目標(biāo)是：A.減少樹的深度B.增加葉節(jié)點(diǎn)的純度C.提高樹的泛化能力D.減少訓(xùn)練樣本數(shù)量4.神經(jīng)網(wǎng)絡(luò)中，用于計(jì)算輸入層到隱藏層（或?qū)娱g）節(jié)點(diǎn)信號傳遞加權(quán)和的單元通常是：A.激活函數(shù)B.輸出函數(shù)C.權(quán)重矩陣D.偏置項(xiàng)5.卷積神經(jīng)網(wǎng)絡(luò)（CNN）特別適合處理哪種類型的數(shù)據(jù)？A.一維時(shí)間序列B.二維圖像C.三維視頻D.自然語言文本6.在自然語言處理（NLP）中，詞嵌入（WordEmbedding）技術(shù)的主要目的是：A.提取文本特征B.對文本進(jìn)行分詞C.進(jìn)行文本翻譯D.壓縮文本數(shù)據(jù)7.下列哪個算法屬于無監(jiān)督學(xué)習(xí)范疇？A.線性回歸B.邏輯回歸C.K-均值聚類D.支持向量機(jī)8.深度學(xué)習(xí)模型通常需要大量的訓(xùn)練數(shù)據(jù)，其主要原因是：A.模型參數(shù)量巨大B.需要避免過擬合C.計(jì)算資源有限D(zhuǎn).算法本身復(fù)雜度高9.在評估機(jī)器學(xué)習(xí)模型性能時(shí)，混淆矩陣（ConfusionMatrix）主要用于計(jì)算哪些指標(biāo)？A.準(zhǔn)確率、召回率、F1分?jǐn)?shù)B.均方誤差、平均絕對誤差C.相關(guān)系數(shù)、變異系數(shù)D.基尼系數(shù)、熵10.下列哪項(xiàng)技術(shù)通常用于提高機(jī)器學(xué)習(xí)模型的泛化能力，減少過擬合？A.數(shù)據(jù)增強(qiáng)B.正則化（如L1、L2）C.降低學(xué)習(xí)率D.增加模型復(fù)雜度二、填空題（每空2分，共20分。請將答案填在橫線上）1.機(jī)器學(xué)習(xí)算法通常需要經(jīng)過__________、訓(xùn)練和測試三個主要階段。2.在神經(jīng)網(wǎng)絡(luò)中，__________負(fù)責(zé)引入非線性特性，使得網(wǎng)絡(luò)能夠?qū)W習(xí)復(fù)雜的模式。3.決策樹是一種基于__________的監(jiān)督學(xué)習(xí)方法。4.深度學(xué)習(xí)模型中，__________是連接相鄰兩層神經(jīng)元的權(quán)重矩陣。5.在計(jì)算圖像像素相似性時(shí)，常用的方法有歐氏距離和__________。6.自然語言處理中，詞袋模型（Bag-of-Words）忽略了詞語的__________信息。7.評估分類模型在未知數(shù)據(jù)上的表現(xiàn)時(shí)，__________指標(biāo)表示模型正確預(yù)測為正類的樣本占所有實(shí)際正類樣本的比例。8.支持向量機(jī)（SVM）通過尋找一個最優(yōu)的__________將不同類別的數(shù)據(jù)分開。9.在進(jìn)行特征選擇時(shí)，__________方法通過評估特征對目標(biāo)變量的獨(dú)立性強(qiáng)弱來選擇特征。10.人工智能在信息與計(jì)算科學(xué)中的應(yīng)用涉及高性能計(jì)算、大規(guī)模數(shù)據(jù)處理和__________優(yōu)化等方面。三、簡答題（每小題5分，共15分）1.簡述監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的主要區(qū)別。2.簡要說明神經(jīng)網(wǎng)絡(luò)中反向傳播算法的基本思想。3.描述使用機(jī)器學(xué)習(xí)進(jìn)行圖像識別通常涉及的主要步驟。四、計(jì)算題（每小題10分，共20分）1.假設(shè)一個數(shù)據(jù)集包含4個樣本，其特征向量為x1=[1,2],x2=[2,1],x3=[3,3],x4=[0,0]。請計(jì)算樣本x1和x3之間的歐氏距離。2.考慮一個簡單的線性回歸模型y=wx+b。給定樣本點(diǎn)(x1,y1)=(1,2)和(x2,y2)=(2,3)，以及學(xué)習(xí)率α=0.1。使用梯度下降法，對模型參數(shù)w和b進(jìn)行一次迭代更新（假設(shè)初始參數(shù)w=0,b=0）。請寫出計(jì)算更新值的公式和結(jié)果。五、論述題（15分）結(jié)合信息與計(jì)算科學(xué)的專業(yè)背景，論述機(jī)器學(xué)習(xí)技術(shù)（如分類、聚類或回歸）如何應(yīng)用于解決一個具體的計(jì)算科學(xué)問題（例如：科學(xué)數(shù)據(jù)分析、計(jì)算結(jié)果可視化、算法性能優(yōu)化等），并簡述可能采用的技術(shù)路線和需要注意的關(guān)鍵點(diǎn)。試卷答案一、選擇題1.D2.A3.B4.C5.B6.A7.C8.A9.A10.B二、填空題1.數(shù)據(jù)預(yù)處理2.激活函數(shù)3.決策樹4.權(quán)重5.曼哈頓距離6.順序7.召回率8.分隔超平面9.相關(guān)性分析10.計(jì)算機(jī)系統(tǒng)三、簡答題1.解析思路：區(qū)分標(biāo)準(zhǔn)是數(shù)據(jù)是否有標(biāo)簽。監(jiān)督學(xué)習(xí)使用帶有標(biāo)簽（輸出）的訓(xùn)練數(shù)據(jù)學(xué)習(xí)輸入與輸出之間的映射關(guān)系，目標(biāo)是預(yù)測新輸入的輸出。無監(jiān)督學(xué)習(xí)使用沒有標(biāo)簽的數(shù)據(jù)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的結(jié)構(gòu)、模式或關(guān)系，如聚類或降維。2.解析思路：反向傳播的核心思想是利用鏈?zhǔn)椒▌t計(jì)算損失函數(shù)關(guān)于網(wǎng)絡(luò)中所有權(quán)重和偏置的梯度。從輸出層開始，逐層向輸入層反向傳播誤差信號，根據(jù)計(jì)算出的梯度來更新權(quán)重和偏置，目的是最小化損失函數(shù)。3.解析思路：主要步驟包括：數(shù)據(jù)預(yù)處理（歸一化、增強(qiáng)等）、特征工程（提取有用特征）、模型選擇（如CNN架構(gòu)）、模型訓(xùn)練（使用標(biāo)注數(shù)據(jù)）、模型評估（在驗(yàn)證集上測試性能）、模型優(yōu)化（調(diào)整參數(shù)、更換網(wǎng)絡(luò)結(jié)構(gòu)等）、最終部署。關(guān)鍵在于特征提取和模型選擇適合圖像數(shù)據(jù)的結(jié)構(gòu)。四、計(jì)算題1.解析思路：歐氏距離是衡量兩點(diǎn)在歐幾里得空間中直線距離的度量。計(jì)算公式為sqrt(Σ(xi-yi)2)。將x1=[1,2]和x3=[3,3]的坐標(biāo)代入公式，計(jì)算每個維度差的平方，求和后再開方。答案：sqrt((1-3)2+(2-3)2)=sqrt((-2)2+(-1)2)=sqrt(4+1)=sqrt(5)2.解析思路：梯度下降法通過計(jì)算損失函數(shù)關(guān)于參數(shù)的梯度來更新參數(shù)。線性回歸的損失函數(shù)通常是均方誤差MSE=(1/n)*Σ(yi-(wx+b))2。梯度w的更新公式為w_new=w_old-α*(1/n)*Σ(x_i*(y_i-(w_old*x_i+b_old)))。梯度b的更新公式為b_new=b_old-α*(1/n)*Σ(y_i-(w_old*x_i+b_old))。將給定的樣本點(diǎn)、學(xué)習(xí)率及初始參數(shù)代入公式進(jìn)行計(jì)算。答案：計(jì)算w的梯度：?w=(1/2)*[(2-(0*1+0))+(3-(0*2+0))]=(1/2)*[2+3]=2.5w更新：w_new=0-0.1*2.5=-0.25計(jì)算b的梯度：?b=(1/2)*[(2-(0*1+0))+(3-(0*2+0))]=(1/2)*[2+3]=2.5b更新：b_new=0-0.1*2.5=-0.25迭代一次后，參數(shù)更新為w=-0.25,b=-0.25。五、論述題解析思路：論述題需要結(jié)合專業(yè)背景，選擇一個具體問題，闡述機(jī)器學(xué)習(xí)如何介入?？梢詮臄?shù)據(jù)角度（如用聚類分析基因表達(dá)數(shù)據(jù)模式）、計(jì)算角度（如用強(qiáng)化學(xué)習(xí)優(yōu)化計(jì)算任務(wù)調(diào)度）、可視化角度（如用降維方法展示高維科學(xué)數(shù)據(jù)結(jié)構(gòu)）等切入。需要說明選擇何種模型、簡述模型原理、如何應(yīng)用、面臨的技術(shù)挑戰(zhàn)（如數(shù)據(jù)量、計(jì)算資源、模型解釋性）以及計(jì)算科學(xué)專業(yè)的獨(dú)特優(yōu)勢（如強(qiáng)大的計(jì)算能力、數(shù)據(jù)處理技術(shù)）。以下提供一個可能的框架：*問題選擇：例如，利用機(jī)器學(xué)習(xí)預(yù)測計(jì)算流體力學(xué)（CFD）的收斂性。*背景關(guān)聯(lián)：CFD計(jì)算往往耗時(shí)巨大，提前預(yù)測收斂性可以節(jié)省資源。*方法選擇：可選用監(jiān)督學(xué)習(xí)中的回歸模型（如隨機(jī)森林、支持向量回歸）。*原理簡述：收集歷史CFD算例數(shù)據(jù)，包括輸入?yún)?shù)（網(wǎng)格密度、時(shí)間步長、流場參數(shù)等）和計(jì)算結(jié)果（是否收斂、收斂迭代次數(shù)）。將輸入?yún)?shù)作為特征，收斂迭代次數(shù)或是否收斂（分類）作為標(biāo)簽，訓(xùn)練回歸或分類模型。*應(yīng)用步驟：對新的CFD算