2025年大學人工智能（機器學習基礎）期中測試卷

（考試時間：90分鐘滿分100分）班級______姓名______一、單項選擇題（總共10題，每題3分，每題只有一個正確答案，請將正確答案填寫在括號內(nèi)）1.以下關(guān)于機器學習的說法，錯誤的是（）A.機器學習是一門多領域交叉學科B.旨在讓計算機通過數(shù)據(jù)自動學習模式C.機器學習只適用于數(shù)據(jù)量較小的情況D.可以分為監(jiān)督學習、無監(jiān)督學習和強化學習等類別2.在監(jiān)督學習中，訓練數(shù)據(jù)包含（）A.特征和標簽B.僅特征C.僅標簽D.既沒有特征也沒有標簽3.決策樹算法中，用于選擇最佳劃分屬性的指標通常是（）A.信息增益B.基尼指數(shù)C.均方誤差D.A和B都有可能4.以下哪種算法不屬于無監(jiān)督學習（）A.K均值聚類算法B.主成分分析算法C.支持向量機算法D.密度聚類算法5.支持向量機的目標是找到一個（）A.最大間隔超平面B.最小間隔超平面C.過所有樣本點的超平面D.不過任何樣本點的超平面6.對于線性回歸模型，其損失函數(shù)通常采用（）A.交叉熵損失B.均方誤差損失C.對數(shù)損失D.絕對值損失7.在K均值聚類算法中，K的選擇通常（）A.是一個固定值，由專家確定B.需要通過交叉驗證等方法來確定C.越大越好D.越小越好8.神經(jīng)網(wǎng)絡中的激活函數(shù)作用是（）A.增加模型的非線性B.使模型計算更快C.減少模型參數(shù)D.提高模型的準確性9.隨機森林是由多個（）組成的集成學習模型。A.決策樹B.神經(jīng)網(wǎng)絡C.支持向量機D.線性回歸模型10.以下關(guān)于模型評估指標的說法，正確的是（）A.準確率越高，模型性能一定越好B.召回率和精確率是相互獨立的指標C.F1值綜合考慮了召回率和精確率D.均方誤差只適用于分類問題二、多項選擇題（總共5題，每題5分，每題有多個正確答案，請將正確答案填寫在括號內(nèi)，少選、多選、錯選均不得分）1.機器學習的主要應用領域包括（）A.自然語言處理B.圖像識別C.推薦系統(tǒng)D.數(shù)據(jù)分析E.金融風險預測2.以下屬于監(jiān)督學習算法的有（）A.邏輯回歸B.樸素貝葉斯C.梯度下降D.決策樹E.神經(jīng)網(wǎng)絡3.在模型評估中，常用的評估指標有（）A.準確率B.召回率C.F1值D.均方誤差（針對回歸問題）E.交叉熵損失（針對分類問題）4.無監(jiān)督學習可以用于（）A.數(shù)據(jù)降維（如主成分分析）B.異常檢測C.聚類分析D.預測未來值E.圖像分割5.以下關(guān)于深度學習的說法，正確的是（）A.深度學習是機器學習的一個分支B.包含多個隱藏層的神經(jīng)網(wǎng)絡是深度學習的典型模型C.深度學習在圖像、語音等領域取得了巨大成功D.深度學習模型訓練通常需要大量的數(shù)據(jù)E.深度學習算法簡單，容易理解三、判斷題（總共10題，每題2分，請判斷對錯，在括號內(nèi)填寫“√”或“×”）1.機器學習就是讓計算機像人一樣思考和學習。（）2.監(jiān)督學習中的標簽一定是數(shù)值型的。（）3.決策樹算法對數(shù)據(jù)的特征尺度不敏感。（）4.無監(jiān)督學習不需要任何訓練數(shù)據(jù)。（）5.支持向量機只能處理線性可分的數(shù)據(jù)。（）6.線性回歸模型可以很好地處理非線性關(guān)系。（）7.在K均值聚類算法中聚類中心一旦確定就不會再改變。（）8.激活函數(shù)的導數(shù)為0時會導致梯度消失問題。（）9.隨機森林中每棵決策樹的訓練數(shù)據(jù)是相同的。（）10.模型評估指標只用于評估訓練好的模型，不能用于選擇模型。（）四、簡答題（總共3題，每題10分，請簡要回答問題）1.請簡述監(jiān)督學習、無監(jiān)督學習和強化學習的區(qū)別。2.決策樹算法中，信息增益和基尼指數(shù)是如何計算的？它們在選擇劃分屬性時的作用是什么？3.簡述梯度下降算法的基本原理，并說明其在機器學習中的應用場景。五、論述題（總共1題，每題20分，請詳細闡述你的觀點）請論述深度學習在人工智能發(fā)展中的重要地位和作用，并舉例說明其在實際應用中的優(yōu)勢。答案：一、單項選擇題1.C2.A3.D4.C5.A6.B7.B8.A9.A10.C二、多項選擇題1.ABCDE2.ABDE3.ABCDE4.ABCE5.ABCD三、判斷題1.×2.×3.√4.×5.×6.×7.×8.×9.×10.×四、簡答題1.監(jiān)督學習有標注數(shù)據(jù)，目標是學習特征到標簽的映射；無監(jiān)督學習無標注數(shù)據(jù)，用于發(fā)現(xiàn)數(shù)據(jù)中的結(jié)構(gòu)和規(guī)律；強化學習通過智能體與環(huán)境交互，根據(jù)獎勵信號學習最優(yōu)策略。2.信息增益計算：父節(jié)點熵減去子節(jié)點熵的加權(quán)和；基尼指數(shù)計算：1減去各類別概率平方和。用于選擇使數(shù)據(jù)純度提升最大的屬性作為劃分屬性。3.梯度下降沿梯度反方向更新參數(shù)，使損失函數(shù)值減小。應用于線性回歸、邏輯回歸等優(yōu)化模型參數(shù)。五、論述題深度學習在人工智能中地位重要。它通過多層神經(jīng)網(wǎng)絡自動提取數(shù)據(jù)特征，無需人工復雜特征工程。在圖像識別中能準