25-26-2-人工智能引论-期末

一、选择题（20分）

分类决策树构建时，常用的分裂准则不包括 ( )。

信息熵

基尼指数

均方误差

误分概率

朴素贝叶斯算法中“朴素”指的是 ( )？

模型不需要任何训练数据

在给定类别条件下，各特征之间相互条件独立

所有类别的先验概率必须完全相等

算法只能处理连续特征

在线性支持向量机的目标函数中，惩罚项的权重参数C增大通常表示 ( )。

对误分类样本的惩罚更强，模型更倾向于减少训练错误

对误分类样本的惩罚更弱，模型一般会欠拟合

核函数被自动替换为高次核函数

支持向量机不再需要训练数据

以下关于 K-Means 聚类说法正确的是 ( )。

K-Means 能够自动判断最优K值

K-Means 初始聚类中心不敏感，每次运行结果完全相同

K-Means 通常适合发现近似于球形，大小相近的簇

K-Means 可以直接识别噪声点并剔除

与传统全连接神经网络相比，CNN更适合处理图像数据的主要原因是 ( )。

CNN 训练速度一定更快

CNN 不需要标签数据

CNN 不需要训练

CNN 利用图像的局部定向相关性

反向传播算法的核心作用 ( )。

前向计算样本预测值

从输出向输入反向计算梯度，更新权重

生成数据集

对图像做像素预处理

当预训练模型用于特定的下游任务时，通常无需深入了解任务的复杂性或设计专门的神经网络架构，而只通常需要对预训练模型进行 ( )。

知识注入

检索增强生成

强化学习

微调

关于词向量的表示，下列说法正确的是 ( )。

词向量只能使用 0 和 1 表示词语，且不同词语之间完全正交。

词向量的维度必须等于词表中词语的总数。

语义相近的词在向量空间中通常距离更近或相似度更高。

词向量只能用于图像识别，不能用于自然语言处理。

二、简答题（每题5分，共40分）

简述机器学习中“监督学习”、“无监督学习”与“强化学习”的不同。
简述 Transformer 中自注意力机制的基本思想，并说明多头注意力机制的作用。
简述决策树分类模型的基本思想，并说明信息增益或基尼指数在构建决策树中的作用。
简述欠拟合与过拟合的区别，并分别给出改进方法。
解释梯度下降法的基本思路，并说明学习率设置过大或过小分别会出现什么问题？
列举至少3个业界知名的大模型或大模型产品，并任选其中1个，简要说明其面世时间、行业地位及一个典型应用场景。
请说明 CNN 中“局部连接”和“参数连接共享”的含义，并解释它们为什么可以减少模型参数量。
简述自然语言处理（NLP）的含义，举例说明大模型在自然语言处理领域的应用。（至少三种）

三、计算分析题（共20分）

1. （10分）基于朴素贝叶斯方法，对一条商品评论进行情感分类。

某平台收集了 1000 条商品评论，其中 600 条为正面评论， 400 条为负面评论。统计发现：

在 600 条正面评论中，出现“好用”的有 300 条，出现“退货”的有 60 条；
在 400 条负面评论中，出现“好用”的有 80 条，出现“退货”的有 200 条。

假设在给定评论类别的条件下，两个词是否出现相互独立。现在有一条新评论同时出现了“好用”和“退货”两个词，请用朴素贝叶斯方法判断该评论更可能是正面评论还是负面评论，并写出主要计算过程。

2. （10分）对如图 1 所示的卷积神经网络进行二维卷积与池化计算

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 $3 \times 3$ 的卷积核，进行步长为1的卷积运算，无填充。请计算卷积输出特征图的尺寸和数值。
池化计算。对上述卷积输出的特征图进行 $2 \times 2$ 最大池化，步长为1，请计算最终输出的尺寸和数值。

四、实践分析题（共 10 分）

五、主观思考题（10分）

从技术发展、行业应用、社会影响三个角度，论述人工智能发展及其带来的机遇与挑战。要求结合不少于 2 个具体应用领域展开分析。