24-25-2-人工智能引论-期末

一、单选题（每空 1 分，共 20 分）

人工智能的“能力”最本质的属性是什么？( )

精神

意识

学习、判断、理解等人类大脑的能力

情感

我国数学家吴文俊提出的“吴方法”主要应用于以下哪项？( )

语音识别

数学定理机器证明

图像识别

机器人路径规划

有关人工智能的智能函数的输入输出数据,以下说法不正确的是?( )

智能函数的各类输入数据，必须是计算机可理解的数学表达

计算机看到的输入数据和人类看到的是不一样的

不同类型的输入数据可以包含长度、宽度、时间等多维信息

智能函数的输出形式和任务不一定相关

机器学习的核心概念是？( )

手工编写规则

系统通过数据自我学习和改进

固定算法执行任务

与物理学无关

支持向量机（SVM）中，核函数的作用是？( )

降低特征维度

将数据映射到高维空间

优化求解速度

防止过拟合

以下哪种情况更适合使用朴素贝叶斯算法？( )

高维稀疏文本数据分类

特征间存在强相关性的场景

小样本复杂分类任务

实时在线学习场景

DBSCAN 相较于 K-Means 的主要优势是什么？( )

DBSCAN 聚类速度更快

DBSCAN 可以识别任意形状的簇并处理噪声

DBSCAN 不需要设置任何参数

DBSCAN 只适用于高维数据集

神经网络的训练过程中，优化权重主要通过哪种核心方法实现？( )

使用遗传算法随机搜索最优权重组合

通过反向传播计算损失函数的梯度并更新权重

依靠预设规则直接分配固定权重值

采用强化学习的奖励机制动态调整权重

与全连接神经网络相比，卷积神经网络（CNN）的优势在于？( )

参数数量更少，可捕捉局部相关性

无需训练即可工作

只能处理一维数据

计算速度更快

下列哪项不是 CNN 的常见应用？( )

图像分类

语音识别

目标检测

图像分割

循环神经网络(RNN)相比前馈神经网络(FFNN)的主要优势是什么?( )

计算速度更快

能处理序列数据的上下文依赖关系

参数数量更少

更适合图像识别任务

“看图说话”（Image Caption）任务中，通常如何结合 CNN 和循环神经网络（RNN）？( )

CNN 生成文字，RNN 提取图像特征

CNN 作为图像编码器，RNN 作为文字解码器

RNN 处理图像，CNN 生成文字

CNN 和 RNN 并行处理数据

相比于基础 RNN, 长短期记忆网络（LSTM）被更加广泛使用的主要原因是?( )

计算复杂度更低

解决了长序列中的梯度消失问题

不需要训练数据

只能处理短序列

Transformer 模型的核心机制是什么？( )

卷积操作

循环连接

自注意力机制

池化层

强化学习的最大特点是？( )

依赖监督学习标签

在交互中学习

仅通过无监督学习聚类数据

直接优化目标函数

下列关于 Actor-Critic 模型描述错误的是?( )

Critic 负责评估状态或状态-动作对的价值

Actor 负责学习和优化策略

Critic 和 Actor 可以独立学习，不需要相互协作

DDPG 是 Actor-Critic 模型的一种变体

迁移学习中的“源域”指的是什么？( )

需要用有限数据解决的新任务

拥有现有知识且通常有大量标记数据的领域

用于知识迁移的特定算法

用于训练模型的硬件

大模型是指参数量巨大、训练数据规模庞大的机器学习模型，通常基于下列哪个技术？( )

知识图谱

强化学习

监督学习

深度学习

当进行自然语言任务中的文本聚类时，以下哪种距离度量方法在处理高维文本数据时较为常用？( )

欧式距离

余弦相似度

Jaccard 距离

以上都不是

以下哪项是数智人与传统虚拟助手的核心功能差异？( )

仅能通过文字进行交互

完全依赖预设脚本运行

具备多模态交互和情境理解能力

仅适用于单一设备平台

二、简答题（每题 5 分，共 40 分）

1.

简述机器学习中 “监督学习” 与 “无监督学习”的不同。

2.

简述分析 “分类” 与 “回归” 学习的不同。

3.

简述分析独热编码与分布式编码的不同。

4.

在计算机视觉领域 (CV) 领域, 基于参数的迁移学习可以将在 ImageNet 上预训练的模型参数迁移到目标任务——手写数字识别上, 请简述这个过程。

5.

请列举强化学习的四个基本组成要素，并简单说明它们的作用。

6.

列举业界知名的大模型？简述大模型的Transformer 架构及其工作原理？

7.

简述神经网络的梯度消失问题? 列举解决梯度消失问题的方法。

8.

什么是数字人（数智人）? 具有交互能力的数智人通常连接大模型,但大模型通常具有 “幻觉” 问题, 列举消除数智人幻觉的常用技术。

三、计算分析题（共 20 分）

1.

基于贝叶斯推断, 设计一个简单的广告邮件自动识别系统。假设在春节期间采集到了 10000 个邮件样本, 其中有 4000 封邮件被认定为广告邮件, 6000 封被认定为正常邮件。其中, 这中 4000 封广告邮件中, 出现 “红包” 关键词的有 1000 封。而在 6000 封正常邮件中有 5000 封包含 “红包”这个词。现在, 某用户收到了一封出现 “红包” 关键词的邮件, 那么这封邮件是否是广告邮件还是正常邮件?

2.

如图所示的卷积神经网络。

二维卷积计算。输入尺寸为 $4 \times 4$ 的图像，图像的像素值如图 2 所示，使用图 3 所示的 $2 \times 2$ 卷积核进行步长(Stride)为 1 的卷积运算,无填充(Padding=0)。请计算输出特征图的数值。
池化计算。对上述卷积输出的 $3 \times 3$ 特征图进行 $2 \times 2$ 最大池化，步长为 2，无填充。计算最终输出尺寸和数值。

四、实践分析题（共 10 分）

在鸢尾花数据集上，使用 K-means 算法进行聚类，图A和B分别展示了不同 K 值下肘部法则和轮廓系数的图表。其中，肘部法则通过观察不同 K 值对应的总误差平方和（SSE）变化，选择 SSE 下降速度骤减的“拐点”作为最佳 K 值。轮廓系数综合衡量样本的簇内紧密度和簇间分离度，取值范围在 [-1, 1] 之间。值越接近 1，表示聚类效果越好。

请描述 K-means 算法基本流程。
请结合肘部法和轮廓系数综合比较分析，给出你所选择的最佳 K 值以及理由。

五、主观思考题（共 10 分）

论述人工智能技术的发展趋势及其对未来社会的潜在影响，并结合课程内容，探讨人工智能在教育、医疗、娱乐等不同领域的可能贡献与挑战。