哈尔滨工业大学2025《人工智能》试题和答案.docx

哈尔滨工业大学2025《人工智能》试题和答案

一、选择题（每题2分，共20分）

1.以下哪项不是人工智能的主要分支？

A.机器学习

B.自然语言处理

C.计算机视觉

D.数据库管理

2.在机器学习中，以下哪种方法属于无监督学习？

A.支持向量机

B.决策树

C.Kmeans聚类

D.神经网络

3.以下哪种算法常用于解决分类问题？

A.KNN

B.PCA

C.LDA

D.ARIMA

4.深度学习中，以下哪种网络结构主要用于处理序列数据？

A.CNN

B.RNN

C.GAN

D.SVM

5.以下哪种技术常用于自然语言处理中的词向量表示？

A.Onehot编码

B.TFIDF

C.Word2Vec

D.LSA

6.以下哪种方法常用于图像识别中的特征提取？

A.SIFT

B.FFT

C.DCT

D.Huffman编码

7.强化学习中，智能体通过与环境交互来学习策略，以下哪项不是强化学习的基本要素？

A.状态

B.动作

C.奖励

D.特征

8.以下哪种算法常用于推荐系统？

A.Apriori

B.Kmeans

C.CollaborativeFiltering

D.DecisionTree

9.以下哪种技术常用于生成对抗网络（GAN）？

A.回归分析

B.主成分分析

C.最小二乘法

D.梯度下降

10.以下哪种方法常用于处理不平衡数据集？

A.过采样

B.欠采样

C.交叉验证

D.特征选择

二、填空题（每题2分，共20分）

1.在机器学习中，用于评估模型性能的常用指标有______、______和______。

2.深度学习中，卷积神经网络（CNN）的主要组成部分包括______、______和______。

3.自然语言处理中的命名实体识别（NER）主要用于识别文本中的______、______和______等实体。

4.强化学习中的Qlearning算法基于______原理，通过迭代更新______表来学习最优策略。

5.在图像处理中，常用的边缘检测算子有______、______和______。

三、简答题（每题10分，共30分）

1.简述机器学习中的监督学习和无监督学习的区别。

2.解释深度学习中卷积神经网络（CNN）的工作原理及其在图像识别中的应用。

3.说明强化学习的基本概念及其在自动驾驶中的应用。

四、计算题（每题15分，共30分）

1.给定一个简单的线性回归问题，数据集如下：

X=[1,2,3,4,5]

Y=[2,3,5,7,11]

使用最小二乘法求解回归系数。

2.设计一个简单的Kmeans聚类算法，对以下数据进行聚类：

data=[[1,2],[2,2],[2,3],[8,7],[8,8],[25,80]]

设定聚类数为2，给出聚类结果。

五、论述题（20分）

论述人工智能在医疗领域的应用及其面临的挑战。

答案

一、选择题

1.D

2.C

3.A

4.B

5.C

6.A

7.D

8.C

9.D

10.A

二、填空题

1.准确率、召回率、F1分数

2.卷积层、池化层、全连接层

3.人名、地名、组织名

4.贝尔曼、Q值

5.Sobel、Canny、Prewitt

三、简答题

1.监督学习和无监督学习的区别：

监督学习：有标签数据，模型通过学习输入和输出之间的映射关系来进行预测。常见任务包括分类和回归。

无监督学习：无标签数据，模型通过发现数据中的结构和模式来进行聚类或降维。常见任务包括聚类和关联规则学习。

2.CNN的工作原理及其在图像识别中的应用：

工作原理：CNN通过卷积层提取图像的局部特征，池化层降低特征维度，全连接层进行分类。卷积层使用卷积核滑动窗口提取特征，池化层通过最大池化或平均池化降低数据量。

应用：在图像识别中，CNN能够自动提取图像的层次化特征，广泛应用于物体检测、图像分类等任务。

3.强化学习的基本概念及其在自动驾驶中的应用：

基本概念：强化学习是智能体通过与环境的交互学习最优策略，以最大化累积奖励。主要包括状态、动作、奖励和策略。

应用：在自动驾驶中，强化学习用于决策控制，通过模拟驾驶环境训练模型，使其能够根据路况做出最优驾驶决策。

四、计算题

1.线性回归最小二乘法求解：