2025年人工智能與機器學習課程期末考試題及答案考試時長：120分鐘滿分：100分考試形式：閉卷（編程題可開參考手冊）一、選擇題（每題2分，共20分）下列關于人工智能發(fā)展歷程的說法，錯誤的是（）

A.圖靈測試的提出標志著人工智能概念的正式誕生

B.專家系統(tǒng)是早期人工智能的重要應用成果

C.深度學習的興起得益于大數(shù)據(jù)和GPU算力的突破

D.強化學習在AlphaGo擊敗人類圍棋選手的過程中得到成功應用

在監(jiān)督學習中，下列哪種算法屬于分類算法（）

A.K-MeansB.線性回歸C.決策樹D.主成分分析（PCA）

關于損失函數(shù)的說法，正確的是（）

A.交叉熵損失函數(shù)常用于回歸問題

B.均方誤差損失函數(shù)適用于分類問題

C.損失函數(shù)的值越小，說明模型擬合效果越好（排除過擬合情況）

D.所有機器學習模型都必須使用固定的損失函數(shù)

下列哪種技術不屬于深度學習的核心組件（）

A.卷積層B.全連接層C.支持向量機D.池化層

關于過擬合的說法，錯誤的是（）

A.過擬合是指模型在訓練集上表現(xiàn)好，在測試集上表現(xiàn)差

B.增加訓練數(shù)據(jù)量可以有效緩解過擬合

C.正則化（L1、L2）是解決過擬合的常用方法

D.過擬合問題只存在于深度學習模型中

在強化學習中，智能體與環(huán)境交互的核心要素不包括（）

A.狀態(tài)（State）B.動作（Action）C.損失（Loss）D.獎勵（Reward）下列關于卷積神經(jīng)網(wǎng)絡（CNN）的說法，正確的是（）

A.CNN只能處理圖像數(shù)據(jù)，無法處理文本數(shù)據(jù)

B.卷積操作的核心作用是提取局部特征

C.池化層的主要作用是增加特征圖的維度

D.全連接層位于CNN的最前端

關于模型評估指標，下列說法錯誤的是（）

A.準確率（Accuracy）適用于各類不平衡數(shù)據(jù)集

B.精確率（Precision）關注預測為正類的樣本中實際為正類的比例

C.召回率（Recall）關注實際為正類的樣本中被正確預測的比例

D.F1分數(shù)是精確率和召回率的調(diào)和平均數(shù)

下列哪種學習方式不需要標注數(shù)據(jù)（）

A.半監(jiān)督學習B.無監(jiān)督學習C.監(jiān)督學習D.弱監(jiān)督學習

關于Transformer模型的說法，正確的是（）

A.Transformer模型的核心是循環(huán)神經(jīng)網(wǎng)絡（RNN）

B.自注意力機制是Transformer的核心組件

C.Transformer無法并行計算，訓練效率較低

D.Transformer只能用于自然語言處理任務

二、簡答題（每題5分，共30分）簡述人工智能、機器學習與深度學習三者之間的關系。說明監(jiān)督學習、無監(jiān)督學習和強化學習的核心區(qū)別，并各舉一個典型應用場景。簡述梯度下降算法的基本原理，以及隨機梯度下降（SGD）與批量梯度下降（BGD）的差異。什么是正則化？L1正則化和L2正則化的區(qū)別是什么？它們各自如何緩解過擬合？簡述卷積神經(jīng)網(wǎng)絡中卷積層和池化層的作用，為什么CNN在圖像識別任務中表現(xiàn)優(yōu)異？什么是注意力機制？它在自然語言處理或計算機視覺任務中有什么作用？三、分析題（每題10分，共20分）某電商平臺計劃構(gòu)建一個用戶購買行為預測模型，用于預測用戶是否會購買某款商品。請回答以下問題：

（1）該問題屬于什么類型的機器學習任務？（2分）

（2）請列舉3種適合該任務的算法，并說明選擇理由。（4分）

（3）在模型訓練過程中，若出現(xiàn)訓練集準確率很高但測試集準確率很低的情況，可能是什么原因？如何解決？（4分）

在圖像分類任務中，常用的深度學習模型有CNN、ResNet、DenseNet等。請回答以下問題：

（1）傳統(tǒng)CNN模型在深度增加時會出現(xiàn)什么問題？（3分）

（2）ResNet模型是如何解決上述問題的？請簡述其核心思想和結(jié)構(gòu)。（4分）

（3）與ResNet相比，DenseNet的創(chuàng)新點是什么？（3分）

四、編程題（每題15分，共30分）使用Python實現(xiàn)一個簡單的線性回歸模型，用于預測房屋價格（已知房屋面積為特征x，房屋價格為標簽y）。要求：

（1）手動實現(xiàn)梯度下降優(yōu)化算法（不使用sklearn等第三方庫的線性回歸接口）；（8分）

（2）計算模型的均方誤差（MSE）作為評估指標；（3分）

（3）給出模型訓練過程中的損失變化趨勢（可文字描述或繪制示意圖思路）。（4分）

使用PyTorch或TensorFlow實現(xiàn)一個簡單的卷積神經(jīng)網(wǎng)絡（CNN），用于MNIST手寫數(shù)字分類。要求：

（1）定義CNN模型結(jié)構(gòu)（包含至少2個卷積層、2個池化層和1個全連接層）；（6分）

（2）設置合理的損失函數(shù)、優(yōu)化器和訓練參數(shù)（學習率、迭代次數(shù)等）；（4分）

（3）實現(xiàn)模型的訓練和測試流程，并計算測試集準確率。（5分）

參考答案及評分標準一、選擇題（每題2分，共20分）A解析：1956年達特茅斯會議標志著人工智能概念正式誕生，圖靈測試是用于判斷機器是否具有智能的標準。C解析：K-Means是聚類算法（無監(jiān)督），線性回歸是回歸算法（監(jiān)督），PCA是降維算法（無監(jiān)督）。C解析：交叉熵損失適用于分類問題，均方誤差適用于回歸問題；不同模型可根據(jù)任務選擇不同損失函數(shù)。C解析：支持向量機是傳統(tǒng)機器學習算法，不屬于深度學習核心組件。D解析：過擬合問題存在于所有機器學習模型中，包括傳統(tǒng)機器學習和深度學習。C解析：強化學習核心要素包括狀態(tài)、動作、獎勵、策略等，損失是監(jiān)督學習中的概念。B解析：CNN可處理文本數(shù)據(jù)（如文本分類的一維卷積）；池化層作用是降維、保留關鍵特征；全連接層位于CNN后端。A解析：準確率在不平衡數(shù)據(jù)集上有局限性，例如負樣本占比極高時，模型僅預測負樣本也能獲得高準確率。B解析：無監(jiān)督學習不需要標注數(shù)據(jù)，通過挖掘數(shù)據(jù)內(nèi)在規(guī)律學習；半監(jiān)督學習和弱監(jiān)督學習需要少量標注數(shù)據(jù)。B解析：Transformer核心是自注意力機制，而非RNN；Transformer支持并行計算，訓練效率高；可應用于NLP、CV等多個領域。二、簡答題（每題5分，共30分）參考答案：

（1）人工智能是上位概念，旨在讓機器具備人類級別的智能；（1分）

（2）機器學習是實現(xiàn)人工智能的核心技術之一，通過數(shù)據(jù)訓練讓模型從經(jīng)驗中學習，無需顯式編程；（2分）

（3）深度學習是機器學習的一個分支，基于深度神經(jīng)網(wǎng)絡（多層感知機），擅長處理海量數(shù)據(jù)，是當前人工智能領域的研究熱點。（2分）

關系總結(jié)：深度學習?機器學習?人工智能。

參考答案：

核心區(qū)別：數(shù)據(jù)標注要求不同，學習目標不同。（1分）

（1）監(jiān)督學習：需要帶標注的訓練數(shù)據(jù)，學習輸入到輸出的映射關系；應用場景：圖像分類、垃圾郵件識別、房價預測。（1.5分）

（2）無監(jiān)督學習：不需要標注數(shù)據(jù)，學習數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和規(guī)律；應用場景：用戶聚類、異常檢測、數(shù)據(jù)降維（PCA）。（1.5分）

（3）強化學習：通過智能體與環(huán)境交互獲得獎勵信號，學習最優(yōu)決策策略；應用場景：自動駕駛、機器人控制、游戲AI（AlphaGo）。（1分）

參考答案：

基本原理：梯度下降是一種優(yōu)化算法，通過沿損失函數(shù)的負梯度方向迭代更新模型參數(shù)，使損失函數(shù)值最小化，找到最優(yōu)參數(shù)解。（2分）

差異：

（1）批量梯度下降（BGD）：每次迭代使用全部訓練數(shù)據(jù)計算梯度，優(yōu)點是梯度估計準確、收斂穩(wěn)定，缺點是計算量大、訓練效率低，不適合大數(shù)據(jù)集。（1.5分）

（2）隨機梯度下降（SGD）：每次迭代使用單個訓練樣本計算梯度，優(yōu)點是計算量小、訓練速度快，適合大數(shù)據(jù)集，缺點是梯度波動大、收斂不穩(wěn)定，可能在最優(yōu)解附近震蕩。（1.5分）

參考答案：

正則化：在模型損失函數(shù)中加入正則項，限制模型參數(shù)的取值范圍，降低模型復雜度，從而緩解過擬合。（1分）

區(qū)別及緩解過擬合機制：

（1）L1正則化：正則項為參數(shù)的絕對值之和，會使部分參數(shù)變?yōu)?，實現(xiàn)特征選擇，將復雜模型簡化為稀疏模型，從而緩解過擬合。（2分）

（2）L2正則化：正則項為參數(shù)的平方和，會使參數(shù)值整體變小但不會為0，降低模型對個別特征的敏感度，使模型更加平滑，從而緩解過擬合。（2分）

參考答案：

（1）卷積層作用：提取圖像的局部特征（如邊緣、紋理、形狀等），通過權(quán)值共享減少模型參數(shù)，降低計算量。（1.5分）

（2）池化層作用：對卷積提取的特征圖進行降維，保留關鍵特征，減少參數(shù)數(shù)量和計算量，同時提高模型的平移不變性（對圖像微小位移不敏感）。（1.5分）

（3）CNN在圖像識別中表現(xiàn)優(yōu)異的原因：①權(quán)值共享大幅減少參數(shù)，降低過擬合風險；②局部感受野能夠有效捕捉圖像局部特征；③池化層增強模型的魯棒性；④深層結(jié)構(gòu)可逐層提取從低級到高級的特征（如從邊緣到物體輪廓再到完整物體），符合人類視覺認知規(guī)律。（2分）

參考答案：

注意力機制：模擬人類視覺和認知中的注意力分配機制，在處理輸入數(shù)據(jù)時，自動聚焦于重要的信息，給予其更高的權(quán)重，同時忽略不重要的信息。（2分）

作用：

（1）自然語言處理：在機器翻譯、文本摘要等任務中，可捕捉文本中詞語之間的依賴關系（如長距離依賴），明確上下文語義關聯(lián)，提升模型對語義的理解能力。（1.5分）

（2）計算機視覺：在圖像分類、目標檢測等任務中，可聚焦于圖像中的關鍵區(qū)域（如目標物體），減少背景噪聲干擾，提高模型對目標的識別精度。（1.5分）

三、分析題（每題10分，共20分）參考答案：

（1）該問題屬于二分類任務（預測“購買”或“不購買”兩個類別）。（2分）

（2）適合的算法及理由：

①邏輯回歸：模型簡單、訓練速度快，可解釋性強，能輸出概率值，便于判斷用戶購買的可能性；適合處理線性可分的特征數(shù)據(jù)。（1.5分）

②決策樹：可處理非線性特征關系，無需對數(shù)據(jù)進行復雜預處理（如歸一化），能自動學習特征交互關系，可解釋性強，適合電商用戶行為數(shù)據(jù)的復雜特征場景。（1.5分）

③隨機森林：基于多個決策樹集成，降低了單一決策樹的過擬合風險，泛化能力更強，對異常值和噪聲數(shù)據(jù)具有較好的魯棒性，適合處理海量電商用戶數(shù)據(jù)。（1分）

（3）原因：出現(xiàn)過擬合現(xiàn)象，模型在訓練集上過度學習了數(shù)據(jù)的規(guī)律，包括噪聲和異常值，導致在未見過的測試集上泛化能力差。（2分）

解決方法：①增加訓練數(shù)據(jù)量，讓模型學習更通用的規(guī)律；②采用正則化技術（L1、L2）限制模型復雜度；③對模型進行剪枝（如決策樹剪枝）；④采用集成學習方法（如隨機森林、梯度提升樹）；⑤降低模型復雜度（如減少決策樹深度、減少神經(jīng)網(wǎng)絡層數(shù)）。（2分，答對4點即可）

參考答案：

（1）傳統(tǒng)CNN模型深度增加時會出現(xiàn)梯度消失或梯度爆炸問題，導致模型無法有效訓練；同時會出現(xiàn)過擬合和訓練效率下降的問題，隨著深度增加，模型性能可能達到瓶頸后反而下降。（3分）

（2）ResNet通過引入殘差連接（ResidualConnection）解決梯度消失/爆炸問題。（1分）

核心思想：允許網(wǎng)絡直接跳過部分卷積層，將淺層特征直接傳遞到深層，使深層網(wǎng)絡可以學習殘差映射（即輸入與輸出的差值），而非直接學習復雜的映射關系。當模型深度增加時，殘差連接可讓梯度通過“shortcut”直接反向傳播到淺層，避免梯度消失。（2分）

結(jié)構(gòu)：基本殘差塊由兩個卷積層、批量歸一化（BN）層和ReLU激活函數(shù)組成，同時包含一條從輸入到輸出的shortcut路徑（當輸入輸出維度不同時，通過1×1卷積調(diào)整維度）。多個殘差塊堆疊形成深層ResNet模型。（1分）

（3）DenseNet的創(chuàng)新點是引入密集連接（DenseConnection）：每個卷積層的輸出都會作為后續(xù)所有卷積層的輸入，形成“稠密”的連接關系。（1分）

與ResNet的殘差連接（僅傳遞前一層或幾層的特征）不同，DenseNet的密集連接可充分復用前面所有層的特征，提升特征傳播效率，減少參數(shù)冗余；同時通過特征融合增強模型的表達能力，緩解過擬合問題。此外，DenseNet通過1×1卷積實現(xiàn)特征降維，解決了密集連接帶來的計算量增大問題。（2分）

四、編程題（每題15分，共30分）參考答案（Python實現(xiàn)）：

```python

importnumpyasnp

importmatplotlib.pyplotasplt

#1.生成模擬數(shù)據(jù)（房屋面積x，房屋價格y）

np.random.seed(42)#固定隨機種子，保證結(jié)果可復現(xiàn)

x=np.random.rand(100,1)*10#房屋面積：0-10㎡，100個樣本

y=2*x+5+np.random.randn(100,1)*0.5#真實模型：y=2x+5+噪聲

#2.手動實現(xiàn)線性回歸（y=wx+b）與梯度下降

classLinearRegressionGD:

def__init__(self,learning_rate=0.01,n_iterations=1000):

self.lr=learning_rate#學習率

self.n_iters=n_iterations#迭代次數(shù)

self.w=None#權(quán)重

self.b=None#偏置

self.loss_history=[]#記錄損失變化

deffit(self,X,y):

n_samples,n_features=X.shape

#初始化參數(shù)

self.w=np.zeros((n_features,1))

self.b=0

#梯度下降迭代

for_inrange(self.n_iters):

#預測值

y_pred=np.dot(X,self.w)+self.b

#計算均方誤差（MSE）

mse=np.mean((y_pred-y)**2)

self.loss_history.append(mse)

#計算梯度

dw=(2/n_samples)*np.dot(X.T,(y_pred-y))

db=(2/n_samples)*np.sum(y_pred-y)

#更新參數(shù)

self.w-=self.lr*dw

self.b-=self.lr*db

defpredict(self,X):

returnnp.dot(X,self.w)+self.b

#3.模型訓練

model=LinearRegressionGD(learning_rate=0.05,n_iterations=500)

model.fit(x,y)

#4.計算測試集MSE（此處用訓練集演示，實際應劃分訓練/測試集）

y_pred=model.predict(x)

test_mse=np.mean((y_pred-y)**2)

print(f"模型參數(shù)：w={model.w[0][0]:.4f},b={model.b:.4f}")

print(f"測試集均方誤差（MSE）：{test_mse:.4f}")

#5.繪制損失變化趨勢

plt.plot(range(model.n_iters),model.loss_history)

plt.xlabel("Iteration")

plt.ylabel("MSELoss")

plt.title("LossChangeDuringTraining")

plt.show()

```

評分標準：

（1）梯度下降實現(xiàn)（8分）：參數(shù)初始化正確（1分）、預測值計算正確（1分）、MSE損失計算正確（1分）、梯度計算正確（2分）、參數(shù)更新邏輯正確（2分）、訓練流程完整（1分）；

（2）MSE計算（3分）：正確實現(xiàn)預測值與真實值的均方誤差計算，輸出結(jié)果合理；

（3）損失變化趨勢（4分）：正確記錄訓練過程中的損失值（2分），能通過繪圖或文字描述損失隨迭代次數(shù)遞減的趨勢（2分，文字描述示例：隨著迭代次數(shù)增加，MSE損失逐漸降低，最終趨于穩(wěn)定）。

參考答案（PyTorch實現(xiàn)）：

```python

importtorch

importtorch.nnasnn

importtorch.optimasoptim

fromtorchvisionimportdatasets,transforms

fromtorch.utils.dataimportDataLoader

#1.數(shù)據(jù)預處理與加載

transform=transforms.Compose([

transforms.ToTensor(),#轉(zhuǎn)換為Tensor，歸一化到[0,1]

transforms.Normalize((0.1307,),(0.3081,))#MNIST數(shù)據(jù)集均值和標準差

])

#加載MNIST數(shù)據(jù)集

train_dataset=datasets.MNIST(root='.data',train=True,download=True,transform=transform)

test_dataset=datasets.MNIST(root='./data',train=False,download=True,transform=transform)

#數(shù)據(jù)加載器

train_loader=DataLoader(train_dataset,batch_size=64,shuffle=True)

test_loader=DataLoader(test_dataset,batch_size=64,shuffle=False)

#2.定義CNN模型結(jié)構(gòu)

classSimpleCNN(nn.Module):

def__init__(self):

super(SimpleCNN,self).__init__()

#卷積層1：輸入1通道（灰度圖），輸出16通道，卷積核3×3，步長1，padding=1

self.conv1=nn.Conv2d(1,16,3,1,1)

#池化層1：最大池化，核2×2，步長2

self.pool1=nn.MaxPool2d(2,2)

#卷積層2：輸入16通道，輸出32通道，卷積核3×3，步長1，padding=1

self.conv2=nn.Conv2d(16,32,3,1,1)

#池化層2：最大池化，核2×2，步長2

self.pool2=nn.MaxPool2d(2,2)

#全連接層1：輸入維度32×7×7（MNIST圖像28×28，經(jīng)過兩次池化后變?yōu)?×7），輸出128

self.fc1=nn.Linear(32*7*7,128)

#全連接層2：輸出10個類別（0-9）

self.fc2=nn.Linear(128,10)

#ReLU激活函數(shù)

self.relu=nn.ReLU()

defforward(self,x):

x=self.pool1(self.relu(self.conv1(x)))#conv1->ReLU->pool1

x=self.pool2(self.relu(self.conv2(x)))#conv2->ReLU->pool2

x=x.view(-1,32*7*7)#展平特征圖

x=self.relu(self.fc1(x))#fc1->ReLU

x=self.fc2(x)#fc2輸出

returnx

#3.模型初始化、損失函數(shù)與優(yōu)化器設置

device=torch.device('cuda'iftorch.cuda.is_available()else'cpu')#優(yōu)先使用GPU

model=SimpleCNN().to(device)

criterion=nn.CrossEntropyLoss()#交叉熵損失函數(shù)（適用于分類任務）

optimizer=optim.Adam(model.parameters(),lr=0.001)#Adam優(yōu)化器，學習率0.001

#4.模型訓練

n_epochs=5#迭代次數(shù)

model.train()#訓練模式

forepochinrange(n_epochs):

running_loss=0.0

forbatch_idx,(data,target)inenumerate(train_loader):

data,target=data.to(device),target.to(device)

#前向傳播

outputs=model(data)

loss=criterion(outputs,target)

#反向傳播與參數(shù)更新