(2025年)《人工智能基礎(chǔ)》期末考試試卷附答案一、單項選擇題（每題2分，共30分）1.下列關(guān)于人工智能（AI）的定義中，最符合當前學界共識的是（）。A.能夠模擬人類思維的機械裝置B.通過算法實現(xiàn)特定任務(wù)的自動化系統(tǒng)C.研究如何讓機器具備感知、推理、學習和決策能力的學科D.基于大數(shù)據(jù)統(tǒng)計的模式識別技術(shù)2.符號主義學派的核心觀點是（）。A.智能源于神經(jīng)元網(wǎng)絡(luò)的連接強度B.智能的本質(zhì)是符號操作與邏輯推理C.智能通過強化與環(huán)境的交互習得D.智能依賴于大規(guī)模數(shù)據(jù)的統(tǒng)計規(guī)律3.以下不屬于機器學習三要素的是（）。A.模型假設(shè)空間B.數(shù)據(jù)預處理方法C.損失函數(shù)設(shè)計D.優(yōu)化算法選擇4.在監(jiān)督學習中，若訓練數(shù)據(jù)存在類別不平衡（如正樣本占95%），最可能導致的問題是（）。A.模型對負樣本的識別能力不足B.訓練時間顯著增加C.模型過擬合正樣本特征D.梯度消失現(xiàn)象加劇5.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積層的主要作用是（）。A.降低特征維度B.提取局部空間特征C.增強非線性表達能力D.實現(xiàn)全局信息融合6.下列激活函數(shù)中，能夠緩解梯度消失問題的是（）。A.Sigmoid函數(shù)B.Tanh函數(shù)C.ReLU函數(shù)D.線性函數(shù)7.關(guān)于Transformer模型中的自注意力機制，正確的描述是（）。A.僅關(guān)注序列中相鄰位置的信息B.通過查詢（Query）、鍵（Key）、值（Value）的點積計算注意力權(quán)重C.必須依賴循環(huán)結(jié)構(gòu)處理序列數(shù)據(jù)D.對長序列的建模能力弱于RNN8.強化學習中的“獎勵延遲”問題指的是（）。A.環(huán)境反饋的獎勵信號存在隨機噪聲B.某些動作的長期影響需要經(jīng)過多步才能體現(xiàn)C.智能體無法區(qū)分不同動作對應(yīng)的獎勵D.獎勵函數(shù)設(shè)計過于復雜導致訓練不穩(wěn)定9.知識圖譜的核心組成是（）。A.實體、關(guān)系、屬性三元組B.大規(guī)模文本語料庫C.深度神經(jīng)網(wǎng)絡(luò)模型D.規(guī)則推理引擎10.下列屬于多模態(tài)學習任務(wù)的是（）。A.圖像分類（僅輸入圖像）B.文本情感分析（僅輸入文本）C.視頻描述提供（輸入視頻，輸出文本）D.語音識別（輸入語音，輸出文本）11.AI倫理中“算法公平性”的核心要求是（）。A.算法運行速度對所有用戶一致B.算法決策結(jié)果不依賴于無關(guān)的敏感屬性（如性別、種族）C.算法必須公開所有參數(shù)和代碼D.算法輸出結(jié)果可被完全解釋12.在貝葉斯分類器中，后驗概率P(C|X)的計算基于（）。A.先驗概率P(C)和似然概率P(X|C)B.先驗概率P(X)和似然概率P(C|X)C.后驗概率P(X)和先驗概率P(C)D.聯(lián)合概率P(X,C)和邊緣概率P(X)13.支持向量機（SVM）的最優(yōu)超平面選擇依據(jù)是（）。A.最小化訓練誤差B.最大化分類間隔C.最小化模型復雜度D.最大化預測準確率14.下列不屬于提供式模型的是（）。A.隱馬爾可夫模型（HMM）B.變分自編碼器（VAE）C.條件隨機場（CRF）D.提供對抗網(wǎng)絡(luò)（GAN）15.關(guān)于大語言模型（如GPT-4）的訓練，錯誤的描述是（）。A.主要依賴監(jiān)督微調(diào)（SFT）階段提升對話能力B.預訓練階段使用海量無標注文本C.獎勵模型（RM）用于強化學習（RLHF）中的獎勵信號提供D.參數(shù)量越大，模型性能一定越好二、填空題（每空1分，共15分）1.人工智能的三大主要學派是符號主義、連接主義和__________。2.機器學習中，將數(shù)據(jù)劃分為訓練集、驗證集和測試集的目的是__________。3.決策樹的劃分標準常用__________（如信息增益、基尼系數(shù)）。4.神經(jīng)網(wǎng)絡(luò)中，__________層的作用是將高維特征映射到樣本標簽空間。5.Transformer模型的核心結(jié)構(gòu)包括__________和前饋神經(jīng)網(wǎng)絡(luò)。6.強化學習中的智能體與環(huán)境交互的四要素是狀態(tài)、動作、獎勵和__________。7.知識表示的常見方法有邏輯表示法、產(chǎn)生式規(guī)則、__________和語義網(wǎng)絡(luò)。8.過擬合的本質(zhì)是模型對__________的擬合過于精確，導致泛化能力下降。9.遷移學習的關(guān)鍵是找到源域和目標域之間的__________。10.對抗樣本是指通過微小擾動__________輸入數(shù)據(jù)，導致模型做出錯誤預測的樣本。11.大模型的“涌現(xiàn)能力”指的是當模型參數(shù)規(guī)模超過__________時，突然獲得的未顯式訓練的能力。12.多模態(tài)學習的挑戰(zhàn)包括不同模態(tài)的__________對齊和語義融合。13.AI安全中的“對抗攻擊”可分為白盒攻擊（已知模型參數(shù)）和__________攻擊（未知模型參數(shù)）。14.評估分類模型性能的常用指標有準確率、精確率、召回率和__________（如F1分數(shù)）。15.自然語言處理中的“詞嵌入”技術(shù)將離散的詞語映射到__________空間，捕捉語義相關(guān)性。三、簡答題（每題6分，共30分）1.簡述監(jiān)督學習、無監(jiān)督學習和半監(jiān)督學習的區(qū)別，并各舉一個典型應(yīng)用場景。2.解釋神經(jīng)網(wǎng)絡(luò)中“梯度消失”現(xiàn)象的成因及兩種緩解方法。3.對比RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）和Transformer在處理序列數(shù)據(jù)時的優(yōu)缺點。4.說明知識圖譜在智能問答系統(tǒng)中的作用，并舉例說明其工作流程。5.列舉AI倫理需要關(guān)注的三個核心問題，并分別簡述其含義。四、算法分析題（每題10分，共20分）1.給定數(shù)據(jù)集：樣本特征X={x1,x2}（x1為“天氣”，取值{晴，雨}；x2為“溫度”，取值{高，低}），標簽Y={去跑步，不去跑步}。具體數(shù)據(jù)如下：（晴，高）→去跑步（晴，低）→去跑步（雨，高）→不去跑步（雨，低）→不去跑步計算特征x1（天氣）的信息增益（假設(shè)初始熵H(Y)=1）。2.某簡單神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層2個神經(jīng)元（x1=0.5,x2=0.8），隱藏層2個神經(jīng)元（使用Sigmoid激活函數(shù)，權(quán)重w1=0.3,w2=0.4,w3=0.2,w4=0.6），輸出層1個神經(jīng)元（使用Sigmoid激活函數(shù)，權(quán)重w5=0.5,w6=0.7）。計算該網(wǎng)絡(luò)的前向傳播輸出值（保留4位小數(shù)）。五、綜合應(yīng)用題（15分）設(shè)計一個基于深度學習的智能垃圾分類系統(tǒng)，要求：（1）描述系統(tǒng)的主要模塊（至少4個）；（2）說明各模塊的功能及關(guān)鍵技術(shù)；（3）列舉需要考慮的挑戰(zhàn)（至少3個）及應(yīng)對策略。答案一、單項選擇題1.C2.B3.B4.A5.B6.C7.B8.B9.A10.C11.B12.A13.B14.C15.D二、填空題1.行為主義（或進化主義）2.評估模型泛化能力（或防止過擬合）3.不純度指標4.全連接（或輸出）5.多頭自注意力機制6.策略（或策略函數(shù)）7.框架表示法（或面向?qū)ο蟊硎痉ǎ?.訓練數(shù)據(jù)噪聲（或訓練數(shù)據(jù)特定特征）9.共同特征空間（或可遷移知識）10.非對抗性（或正常）11.某個閾值（或臨界規(guī)模）12.特征（或語義）13.黑盒14.ROC曲線（或AUC值，或Fβ分數(shù)）15.連續(xù)低維（或連續(xù)稠密）三、簡答題1.區(qū)別：監(jiān)督學習使用帶標簽數(shù)據(jù)訓練，目標是學習輸入-輸出映射（如圖像分類）；無監(jiān)督學習使用無標簽數(shù)據(jù)，目標是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)（如聚類）；半監(jiān)督學習結(jié)合少量標簽和大量無標簽數(shù)據(jù)（如利用無標簽數(shù)據(jù)輔助訓練，如圖像分割中的弱監(jiān)督學習）。2.成因：深層網(wǎng)絡(luò)中，Sigmoid/Tanh激活函數(shù)的導數(shù)在輸入較大或較小時接近0，反向傳播時梯度逐層衰減，導致淺層網(wǎng)絡(luò)參數(shù)更新緩慢。緩解方法：使用ReLU及其變體（如LeakyReLU）；采用殘差網(wǎng)絡(luò)（ResNet）跳過部分層，直接傳遞梯度。3.RNN優(yōu)點：通過循環(huán)結(jié)構(gòu)捕捉序列時序依賴；缺點：長序列時梯度消失/爆炸，并行計算能力差。Transformer優(yōu)點：自注意力機制直接建模全局依賴，支持并行計算；缺點：計算復雜度隨序列長度平方增長，對時序信息的顯式建模較弱。4.作用：提供實體間的語義關(guān)系，支持復雜問題的推理。流程示例：用戶提問“蘋果的創(chuàng)始人是誰？”，系統(tǒng)通過實體識別提取“蘋果”“創(chuàng)始人”，在知識圖譜中查找“蘋果”實體的“創(chuàng)始人”關(guān)系，返回“史蒂夫·喬布斯”。5.①算法公平性：避免決策結(jié)果因性別、種族等敏感屬性產(chǎn)生偏見；②隱私保護：防止訓練數(shù)據(jù)中的個人信息泄露（如通過模型反演攻擊）；③可解釋性：模型決策過程需可被人類理解，避免“黑箱”問題。四、算法分析題1.計算步驟：天氣為“晴”時，樣本數(shù)2，均為“去跑步”，熵H(Y|x1=晴)=0；天氣為“雨”時，樣本數(shù)2，均為“不去跑步”，熵H(Y|x1=雨)=0；條件熵H(Y|x1)=(2/4)0+(2/4)0=0；信息增益=H(Y)-H(Y|x1)=1-0=1。2.前向傳播計算：隱藏層神經(jīng)元h1輸入：0.5×0.3+0.8×0.4=0.15+0.32=0.47，激活后h1=1/(1+e^-0.47)≈0.6150；隱藏層神經(jīng)元h2輸入：0.5×0.2+0.8×0.6=0.10+0.48=0.58，激活后h2=1/(1+e^-0.58)≈0.6405；輸出層輸入：0.6150×0.5+0.6405×0.7=0.3075+0.44835=0.75585，激活后輸出=1/(1+e^-0.75585)≈0.6801。五、綜合應(yīng)用題（1）主要模塊：數(shù)據(jù)采集與預處理、特征提取模型、分類器、后處理與反饋。（2）功能及技術(shù)：數(shù)據(jù)采集與預處理：通過攝像頭采集垃圾圖像，使用圖像增強（旋轉(zhuǎn)、翻轉(zhuǎn)）增加數(shù)據(jù)多樣性，歸一化處理（調(diào)整亮度、尺寸）；關(guān)鍵技術(shù)：數(shù)據(jù)增強、圖像歸一化。特征提取模型：采用卷積神經(jīng)網(wǎng)絡(luò)（如ResNet-50）提取圖像的顏色、紋理、形狀特征；關(guān)鍵技術(shù)：遷移學習（基于預訓練模型微調(diào)）。分類器：全連接層將特征映射到具體類別（如可回收物、廚余垃圾等）；關(guān)鍵技術(shù)：Softmax激活函數(shù)、交叉