第7章 人工智能核心技术-机器学习到深度学习
- 1第1章 人工智能的发展与前沿趋势
- 2第2章 政策法规与职业标准
- 3第3章 伦理约束与版权边界
- 4第4章 岗位全面解析与算法基础
- 5第5章 人工智能核心技术-自然语言处理
- 6第6章 人工智能核心技术-视觉处理
- 7第7章 人工智能核心技术-机器学习到深度学习本文
- 8第8章 系统设计及工程实践能力培养
- 9第9章 人工智能应用场景
- 10第10章 工具学习与学习资源
- 11第11章 本地部署方法教学
- 12第12章 行业应用案例-教育行业
- 13第13章 行业应用案例-医学行业
- 14第14章 行业应用案例-金融行业
- 15第15章 编程应用基础-Python
- 16第16章 编程应用基础-开发实战
- 17第17章 编程应用基础-开发实战
- 18第18章 办公应用-1
- 19第19章 办公应用-2
- 20第20章 AI变现-1
- 21第21章 AI变现-2
人工智能第七章 课程练习题(含答案解析)
一、单选题
1. 下列关于机器学习的描述,哪一项最准确? (单选题)
- A. 机器学习是一种让计算机按固定规则执行任务的编程方法
- B. 机器学习是人工智能的核心驱动力,让机器能够像人类一样从数据中学习经验,提升自身性能
- C. 机器学习是一种数据库管理技术,用于高效存储和检索数据
- D. 机器学习是让计算机完全取代人类决策的一种技术
答案: B
解析: 课程明确指出:机器学习是人工智能的核心驱动力,让机器从数据中学习经验,提升性能。
2. 课程中以垃圾邮件过滤系统说明机器学习的作用,以下描述正确的是? (单选题)
- A. 垃圾邮件过滤系统通过人工编写规则来判断是否为垃圾邮件
- B. 垃圾邮件过滤系统通过学习大量邮件数据,精准识别垃圾邮件的特征
- C. 垃圾邮件过滤系统通过关键词匹配来进行过滤
- D. 垃圾邮件过滤系统只能过滤已知发件人的垃圾邮件
答案: B
解析: 系统通过学习大量邮件数据,精准识别垃圾邮件特征,自动拦截。
3. 课程中提到的机器学习应用领域不包括以下哪一项? (单选题)
- A. 医疗疾病诊断
- B. 金融风险预测与量化投资
- C. 航空航天发动机设计
- D. 智能交通
答案: C
解析: 课程中提到的应用领域包括医疗、金融、智能交通、电商推荐、工业制造等,航空航天发动机设计未提及。
4. 在机器学习数学基础中,向量的定义是什么? (单选题)
- A. 一个单独的数字,表示样本的大小
- B. 一组有序的数值,用于描述样本的特征
- C. 两个样本之间的差值
- D. 数据集中样本的总数量
答案: B
解析: 向量是一组有序的数值,每个元素代表样本的一个特征,是机器学习中描述样本的基本方式。
5. 在机器学习中,距离的主要作用是衡量什么? (单选题)
- A. 数据集的规模大小
- B. 算法的运行时间
- C. 两个数据点(向量)之间的相似度
- D. 模型的准确率
答案: C
解析: 距离衡量两个向量之间的关系,距离越近表示越相似,越远表示差异越大。
6. 课程中提到的欧式距离(欧几里得距离)计算的是什么? (单选题)
- A. 两个向量在空间中的曼哈顿距离
- B. 两个向量在空间中的直线距离
- C. 两个向量之间的夹角余弦值
- D. 两个向量的元素个数之差
答案: B
解析: 欧式距离计算两个向量在空间中的直线距离。课程以向量 A=[1,2,3]、B=[4,5,6]为例说明。
7. 关于监督学习,以下描述正确的是? (单选题)
- A. 监督学习使用的数据不需要标注标签
- B. 监督学习就像老师指导学生,训练数据需要进行标记
- C. 监督学习只能处理分类问题,不能处理回归问题
- D. 监督学习是效果最难评估的机器学习类型
答案: B
解析: 监督学习需要标记数据,就像老师指导学生,让计算机知道正确答案。包括分类和回归。
8. 监督学习主要包括哪两类任务? (单选题)
- A. 聚类和关联规则
- B. 分类和回归
- C. 降维和特征提取
- D. 生成和判别
答案: B
解析: 课程明确:监督学习包括分类(判断类别)和回归(预测连续值)。
9. 以下哪个是监督学习中回归任务的典型例子? (单选题)
- A. 判断一封邮件是否为垃圾邮件
- B. 根据房屋面积和数量预测房价
- C. 将水果按种类自动分组
- D. 发现超市中经常一起购买的商品
答案: B
解析: 房价预测是典型的回归任务,预测的是连续值。A 是分类,C 和 D 是无监督学习。
10. 关于无监督学习,以下描述错误的是? (单选题)
- A. 无监督学习的数据没有标记标签
- B. 无监督学习的任务包括聚类和关联规则挖掘
- C. 无监督学习效果容易评估,因为有明确的正确答案
- D. 无监督学习的数据输出值是未知的
答案: C
解析: 无监督学习没有正确答案,效果比较难评估。C 错误。
11. 无监督学习中的聚类是什么意思? (单选题)
- A. 将带有标签的数据按类别分开
- B. 根据数据特征将相似的数据自动分成不同小组
- C. 预测连续的目标数值
- D. 在数据中搜索特定的关键词
答案: B
解析: 聚类是根据特征自动分组,课程以未标注种类的水果自动分组为例说明。
12. 无监督学习的关联规则分析常用于什么场景? (单选题)
- A. 人脸识别
- B. 语音转文字
- C. 超市购物篮分析——发现经常一起购买的商品
- D. 自动驾驶
答案: C
解析: 课程以超市购物数据为例:发现哪些商品常被一起购买,为营销策略提供参考。
13. 关于迁移学习,最准确的理解是? (单选题)
- A. 将数据从一台计算机迁移到另一台
- B. 利用已学知识快速适应新领域,减少训练时间和数据量
- C. 让模型完全遗忘旧知识,从头学习
- D. 将多个小模型合并成一个大模型
答案: B
解析: 迁移学习侧重知识迁移,利用已有知识帮助学习新任务,可大大减少训练时间和数据量。
14. 强化学习中,智能体的目标是什么? (单选题)
- A. 尽可能快地完成所有动作
- B. 通过与环境交互,调整策略使累积奖励最大化
- C. 收集尽可能多的训练数据
- D. 模仿人类的所有行为
答案: B
解析: 智能体根据环境选择行动,环境给出奖励反馈,目标是调整策略使累积奖励最大化。
15. 迁移学习和强化学习的主要区别是什么? (单选题)
- A. 迁移学习侧重知识迁移复用,强化学习侧重环境交互与试错优化
- B. 迁移学习只能处理图像,强化学习只能处理文本
- C. 两者没有本质区别,只是名称不同
- D. 迁移学习需要更多数据,强化学习不需要任何数据
答案: A
解析: 课程明确对比:迁移学习重知识迁移,强化学习重交互试错、优化行为策略。
16. 关于线性回归算法,以下描述错误的是? (单选题)
- A. 线性回归是一种预测连续值的算法
- B. 原理是找到一条直线来最好地拟合数据点
- C. 线性回归主要用于分类问题
- D. 线性回归优点包括简单易懂、计算效率高、解释性强
答案: C
解析: 线性回归用于回归(预测连续值),不是分类问题。C 错误。
17. 支持向量机(SVM)引入核函数的主要目的是什么? (单选题)
- A. 加快模型的计算速度
- B. 将低维线性不可分数据映射到高维空间使其线性可分
- C. 减少模型占用的内存
- D. 自动生成更多训练数据
答案: B
解析: 核函数将低维数据映射到高维空间,使原本线性不可分的数据在高维空间中变得线性可分。
18. 关于决策树算法,以下描述正确的是? (单选题)
- A. 决策树结构类似流程图,每个内部节点表示一个特征的判断条件
- B. 决策树只能处理分类问题
- C. 决策树要求数据必须完整无缺失
- D. 决策树只适用于两个特征的数据集
答案: A
解析: 决策树如流程图,节点为特征判断条件。可处理分类和回归,即使有缺失数据也能处理。
19. K 近邻(KNN)算法中,新数据点类别的决定依据是什么? (单选题)
- A. 随机选择一个类别
- B. 根据距离最近的 K 个邻居的类别投票决定
- C. 始终选择数据集中出现最多的类别
- D. 根据数据点创建时间决定
答案: B
解析: KNN 在数据集中找到最近的 K 个邻居,按类别投票决定新数据点的类别。
20. 关于 K 均值(K-means)聚类算法,以下描述正确的是? (单选题)
- A. 是一种监督学习算法
- B. K 值不需要预先指定,算法会自动确定
- C. 通过不断更新质心位置来优化聚类结果
- D. 对初始质心选择不敏感
答案: C
解析: K-means 是无监督学习,需预先指定 K 值,对初始质心敏感。通过迭代更新质心优化聚类。
二、多选题
1. 课程中将机器学习分为哪四大类? (多选题)
- A. 监督学习
- B. 无监督学习
- C. 深度学习
- D. 迁移学习
- E. 强化学习
- F. 对抗学习
答案: ABDE
解析: 四大分类:监督学习、无监督学习、迁移学习、强化学习。深度学习和对抗学习不在四大分类中。
2. 以下哪些是课程中提到的监督学习应用场景? (多选题)
- A. 图像识别
- B. 语音识别
- C. 客户聚类分组
- D. 垃圾邮件处理
- E. 超市关联规则分析
答案: ABD
解析: 图像识别、语音识别、垃圾邮件处理属于监督学习。客户聚类和关联规则分析属于无监督学习。
3. 以下哪些属于无监督学习的典型应用? (多选题)
- A. 根据水果特征自动分组(聚类)
- B. 根据房价数据预测未来房价(回归)
- C. 发现超市中经常一起购买的商品(关联规则)
- D. 根据客户购买行为分组客户
- E. 判断邮件是否为垃圾邮件(分类)
答案: ACD
解析: 聚类和关联规则属无监督学习。房价预测(回归)和垃圾邮件判断(分类)属监督学习。
4. 关于支持向量机(SVM),以下哪些描述正确? (多选题)
- A. SVM 目标是找到最优分类超平面
- B. 最优超平面使两类数据点之间的间隔最大
- C. SVM 通过核函数可以处理非线性分类问题
- D. SVM 在高维数据和小样本数据上表现较好
- E. SVM 是一种无监督学习算法
答案: ABCD
解析: SVM 是监督学习算法,E 错误。其余四项均为课程中对 SVM 的正确描述。
5. 关于 K 均值(K-means)聚类算法,以下描述正确的是? (多选题)
- A. K-means 是一种无监督学习算法
- B. K 表示要聚类的数量,需预先指定
- C. 通过不断更新质心位置优化聚类结果
- D. 对初始质心的选择比较敏感
- E. 可用于客户分类和市场分析
答案: ABCDE
解析: 全部正确。K-means 是无监督聚类算法,各项描述均为课程中讲解的内容。
6. 关于神经网络中的激活函数,以下描述正确的是? (多选题)
- A. 激活函数为神经网络引入非线性因素
- B. Sigmoid 函数能将结果映射到 0 和 1 之间,便于理解概率
- C. 如果没有激活函数,多层神经网络也只是线性组合
- D. 激活函数只存在于输入层
- E. 激活函数使网络能够学习更复杂的模式
答案: ABCE
解析: 激活函数存在于隐藏层和输出层(不仅输入层),D 错误。其余均正确。
7. 卷积神经网络(CNN)在图像处理中的优势包括哪些? (多选题)
- A. 能自动学习图像特征,无需人工手动设计特征
- B. 卷积核参数共享,大大减少模型参数量
- C. 局部连接特性,只处理局部数据,降低计算量
- D. 具有较强泛化能力,在不同数据集和场景下表现好
- E. 池化操作可以进一步减少数据量和提高鲁棒性
答案: ABCDE
解析: 以上全部为 CNN 在图像处理中的优势,课程中对每一项都有讲解。
8. 关于生成对抗网络(GAN),以下描述正确的是? (多选题)
- A. GAN 由生成器(Generator)和判别器(Discriminator)两部分组成
- B. 生成器的目标是生成逼真的假数据来欺骗判别器
- C. 判别器的目标是提高辨别真假数据的能力
- D. 生成器和判别器像两个对手互相博弈,不断提升能力
- E. GAN 可用于图像风格转换(如白天转夜晚、照片转艺术画作)
答案: ABCDE
解析: 全部正确。课程详细讲解了 GAN 的组成、博弈机制和图像转换等应用。
三、简答题
1. 请简述监督学习和无监督学习的主要区别,并各举一个实际应用的例子。
答:主要区别:(1)数据标注:监督学习的数据带有标签(已标记正确答案),无监督学习的数据没有标签。(2)学习目标:监督学习学习输入→输出的映射关系(分类/回归),无监督学习挖掘数据内在结构和模式(聚类/关联规则)。(3)评估难度:监督学习有正确答案,易于评估;无监督学习无标准答案,评估较困难。应用举例:- 监督学习:垃圾邮件过滤(分类)、房价预测(回归)- 无监督学习:客户分群(聚类)、超市购物篮分析(关联规则)
2. 请简述迁移学习和强化学习各自的核心特点,并说明它们的主要区别。
答:迁移学习核心特点:侧重知识迁移,利用已有领域学到的知识快速适应新领域,可大大减少训练时间和数据量。强化学习核心特点:智能体通过与环境的交互不断尝试,环境给出奖励/惩罚反馈,目标是调整策略使累积奖励最大化。主要区别:迁移学习重在知识复用和适应;强化学习重在与环境的动态交互和试错优化。
支持与分享
如果这篇文章对你有帮助,欢迎分享给更多人或打赏支持!












