尔雅人工智能导论——面向人文社科专业_2章节答案(学习通2023完整答案)

点击查看答案

第一章 绪论

第一章测试

1、尔雅1956年达特茅斯会议上，人工人文学者们首次提出“artificial intelligence（人工智能）”这个概念时，智能专业章节整答所确定的导论答案人工智能研究方向不包括：
A、研究人类大脑结构和智能起源
B、社科研究智能学习的学习机制
C、研究如何用计算机表示人类知识
D、通完研究如何用计算机来模拟人类智能

2、尔雅在现阶段，人工人文下列哪项尚未成为人工智能研究的智能专业章节整答主要方向和目标：
A、研究如何用计算机延伸和扩展人类智能
B、导论答案研究如何用计算机模拟人类智能的社科若干功能，如会听、学习会看、通完会说
C、尔雅研究机器智能与人类智能的本质差别
D、研究如何用计算机模拟人类大脑的网络结构和部分功能

3、下面哪个不是人工智能的主要研究流派？
A、符号主义
B、连接主义
C、经验主义
D、模拟主义

4、从人工智能研究流派来看，明斯基等人所推荐的“人工神经网络”方法用计算机模拟神经元及其连接，实现自主识别、判断，应当属于：
A、符号主义，连接主义
B、连接主义，经验主义
C、经验主义，行为主义
D、理性主义，符号主义

5、从人工智能研究流派来看，西蒙和纽厄尔提出的“逻辑理论家”方法用，应当属于：
A、符号主义，连接主义
B、连接主义，经验主义
C、经验主义，行为主义
D、理性主义，符号主义

6、在人工智能学说中，有“鸟飞派”一说。意思是：人类通过观察鸟类飞行，发明了飞机，但飞机飞行的方式与鸟类有很大不同。该学说指的是：
A、人类研究人工智能，向自然界学习是唯一的途径
B、人类并不一定要完全实现人类智能，而是使用机器模拟智能并达到与人类智能相同的功能
C、人类研究人工智能必须要完全符合智能现象的本质
D、以上都不对

7、下列关于人工智能未来发展趋势的描述，哪些是错误的：
A、人工智能受到越来越多的关注，许多国家出台了支持人工智能发展的战略计划
B、人工智能将脱离人类控制，并最终毁灭人类
C、人工智能目前仅适用于特定的、专用的问题
D、通用人工智能的发展正处于起步阶段

第二章 知识表示

第二章 单元测验

1、以下哪个是命题？
A、你记得明天要上人工智能吗？
B、小博从健身房回来很可能肌肉酸痛。
C、洗牙会造成牙齿损伤。
D、啊！我爱我的祖国！

2、以下用一阶谓词表示的命题错误的是：
A、我爸爸喜欢吃鸡蛋并且我妈妈喜欢吃西红柿： like_eat(father(我)，鸡蛋)∨like_eat(mother(我)，西红柿)
B、小博不在实验室：?in(小博，实验室)
C、老王的生日在4月：birthday（老王，4月）
D、大亮的老师擅长打羽毛球和网球： good_at(teacher(大亮)，羽毛球)∧good_at(teacher(大亮)，网球)

3、“一旦小玲写完了实验代码并且运行成功，她就不会延迟提交论文并且周一会给老师看。”以下表示正确的是：
A、finish(小玲，代码)∧work(代码) → delay_submit(小玲，论文) ∨ give(小玲，论文，teacher(小玲))
B、finish(小玲，代码)∧work(代码) ∧ ?delay_submit(小玲，论文) ∧ give(小玲，论文，teacher(小玲))
C、finish(小玲，代码)∧ work(代码) ∧ ?delay_submit(小玲，论文) ∧ give(论文，teacher(小玲))
D、finish(小玲，代码)∧ work(代码) → ?delay_submit(小玲，论文) ∧ give(小玲，论文，teacher(小玲))

4、以下说法错误的是：
A、由于一阶谓词逻辑的灵活性，它能表示推理知识以及类似于“如果按住鼠标拖动，则按轨迹画出一条线”这类知识。
B、一阶谓词逻辑式有很强的表达能力，但无法表示不确定知识。
C、产生式可以描述确定性规则和不确定性事实。
D、产生式可以表示所有一阶谓词逻辑。

5、哪种知识表示的样本数据的特征表示，就对应了某种知识。智能系统通过“体验”样本特征，来获取知识：
A、符号主义
B、经验主义
C、连接主义
D、都不是

6、为了描述关于”健身房“的知识，可以从中抽象出很多要素。比如：健身房的地点、开放时间、教练、器械、团课名称、次卡价格等等，并由这些要素关联构成对健身房的整体认知，这种知识表示形式是：
A、一阶谓词逻辑
B、框架表示
C、产生式表示
D、联想表示

7、以下说法错误的是：
A、产生式类型的知识表示推动了专家系统的发展，并且曾应用于机器翻译的领域。
B、产生式系统包括：控制器、规则库、推理机、事实库。
C、产生式可描述规则性或事实性的一些知识，其中事实性的产生式可以表示为三元组。
D、一阶谓词逻辑是产生式的一种特例，而产生式是框架形式的一种特例。

8、最简单的命题至少由一个主语和一个（ ）组成：
A、宾语
B、谓语
C、定语
D、状语

9、以下关于谓词的说法不对的是：
A、谓词一般由具有相应意义的英文单词表示
B、谓词的元数就是谓词操作的个体数
C、谓词的定义、含义的制定，有规范的标准
D、可以用括号组成具有优先运算关系的谓词

10、全称量词和存在量词仅针对谓词支配的实体，不针对谓词本身，称为：
A、一阶谓词
B、低阶谓词
C、原子公式
D、高阶谓词

第三章 自动推理与专家系统

第三章 单元测试

1、以下说法错误的是
A、学者们普遍认为逻辑和推理是智能思维的一种表现形式。
B、推理就是从初始证据出发，按照某种策略，不断地运用知识库中已有的知识，逐步匹配，直到推出结果为止。
C、演绎是从特殊到一般，归纳是从一般到特殊。
D、推理的定义中提到的“知识库”是指使用一阶谓词和产生式等方式表示的知识。

2、以下关于正向推理的说法正确的是
A、正向推理以某个假设目标作为出发点
B、“如果P->Q为真，但Q不成立，则P也不成立”是假言推理
C、“铜是金属；如果x是金属，那么x可以导电；铜可以导电”是拒式假言推理
D、“如果x是金属，则x可以导电；木头不导电；木头不是金属”是拒式假言推理

3、以下关于“推理”的说法错误的是
A、推理的确定性是推理的三个特性中最复杂的
B、机器学习可以看做是一种演绎推理
C、演绎更适合人类推理
D、计算机如果要实现自动推理，最可行的方法就是采用反向、演绎的方法

4、以下说法中正确的个数有 a) 不确定性推理基于产生式表示，确定性推理基于一阶谓词表示。 b) 不确定性推理与确定性推理的不同点在于推理过程中每个环节都是不确定的。 c) 推理规则的可信度取值范围为[0,1]，表示前提与结论之间的推理强度。 d) 事实证据的可信度取值范围同样为[0,1]
A、4
B、3
C、2
D、1

5、已知规则：IF 晚上两点睡觉 AND 失眠到三点 THEN 第二天睡懒觉 （0.8）。并且已知事实： CF（晚上两点睡觉）=0.6，CF（失眠到三点）=0.3，那么CF（第二天睡懒觉）的置信度为：
A、0.24
B、0.48
C、0.18
D、0.144

6、已知R1：IF 没吃午饭 THEN 晚饭吃两碗（0.8），R2：IF 午饭吃半碗 THEN 晚饭吃两碗 （0.5），R3：IF 晚饭吃两碗 OR 晚上吃夜宵 THEN 吃撑了 （0.7）；其中 CF没吃午饭 = 1.0，CF午饭吃半碗 = 0.8，CF晚上吃夜宵 = 0.6，那么CF（吃撑了）=（B）：
A、0.448
B、0.616
C、0.32
D、0.336

7、下列关于专家系统的叙述不正确的是
A、专家系统的奠基人是斯坦福大学的费根鲍尔
B、专家系统可以模拟某个领域专家的决策能力
C、专家系统的核心是数据库和推理机
D、MYCIN是第一个使用了知识库和可信度的专家系统

8、以下对于推理的说法错误的是
A、逻辑和推理是智能思维的一种表现形式
B、推理是从初始证据出发，按照某种策略，不断运用知识库中已有的知识，逐步匹配，直到推出结论的过程。
C、逻辑推理在类型上主要有两种类型：归纳和演绎
D、推理之所以为推理，是因为它有确定性的特点

9、以下关于反向演绎的说法错误的是
A、计算机实现自动推理最可行的方法是采用反向、演绎的方法
B、在规则量很大时，反向演绎仍然需要逐一计算规则的匹配，比较缓慢低效
C、反向演绎从待证目标出发，又称归结原理
D、演绎是从一般到特殊；而反向推理以某个假设目标作为出发点，来展开推理

10、以下关于几种推理的举例或说法中，不恰当的是
A、反向推理与正向推理相反，以某个假设目标作为出发点，来展开推理
B、归纳推理：由“人都会死”、“苏格拉底是人”推出“苏格拉底会死”
C、正向推理：P，P→Q, => Q
D、演绎推理是由一般到特殊，用已知规律推断或预测个别事例的过程

11、“任何吃饱的和学习的人都是快乐的。任何晚饭点了米饭的人会吃饱。小博晚上没有点米饭。任何人在饱的时候才学习。“对于这个题目得到的标准子句，哪一项是正确的？
A、full(X) ∨ study(X) ∨ happy(X）
B、?eat(Z,rice) ∨ full(Y)
C、?eat(rice,Boo)
D、?full(K) ∨ study(X)

12、以下关于Horn子句的几种形式说法中，错误的是
A、规则子句用来表示推理规则：←b1∧b2∧b3∧…∧bn
B、无头子句用来表示待证目标集合： ←b1∧b2∧b3∧…∧bn
C、无体子句用来表示事实：a1←
D、以上全部错误

13、以下说法正确的是
A、不存在不确定性推理，否则推理毫无意义
B、不确定性推理依赖于事实证据、推理策略，但不需要推理知识
C、不确定性推理与确定性推理有基本一致的结构，只不过前者包含不确定的环节
D、不确定推理的推理规则应当是确定的

14、以下说法正确的是：
A、不确定性推理中事实证据的不确定性不可以用可信度表示
B、CF=0表示可信度为0，代表某证据为假
C、事实的可信度来源有两个：专家直接提供和系统计算
D、推理规则和事实证据的不确定性可信度表示方法相同。同上

15、归纳指的是
A、用已知规律推断或预测个别事例的过程
B、从一般到特殊
C、从特殊到一般
D、三段论

16、以下说法错误的是
A、正向推理，适合计算机处理
B、反向推理则可以在每一步都有具体的目标，目标单一
C、确定性推理在推理时，所有知识和证据都是确定非真即假的
D、天气预报中的“明天降水概率”，是个不确定的推理结论

17、规则子句，用来表示推理规则，如
A、a1← ； a2← ；
B、←b1∧b2∧b3∧…∧bn
C、b1∧b2∧b3
D、a←b1∧b2∧b3∧…∧bn

18、利用Horn子句进行推理，使用的是什么样的搜索方法
A、深度优先搜索
B、广度优先搜索
C、都可以
D、都不是

19、“IF E THEN H ( CF(H,E) )”。可信度CF(H,E) 指标取值范围为[-1,1]，其取值原则说法错误的是
A、当CF>0时，表明证据E出现则H为真，值越大则H为真的概率越大
B、当CF=0时，表明证据E出现则H为假
C、CF(H,E)为可信度，表示前提E与结论H之间的推理强度
D、CF(H,E)为可信度，表示当前提E对应的证据为真时，结论H为真的程度

20、已知如下规则： R1： IF A1 THEN B1 ( 0.4 ) R2： IF A2 THEN B1 ( 0.5 ) R3： IF B1 AND A3 THEN B2 (0.4) 事实： CF(A1)=1.0, CF(A2)=1.0, CF(A3)=1.0 求：CF(B1)
A、0.9
B、0.8
C、0.7
D、0.3

21、关于推理说法错误的是
A、归纳方法适合于学习规律，而不适用于推理
B、演绎更适合描述人类推理
C、机器学习可以看作一种归纳
D、计算机如果要实现自动推理，最可行的方法就是采用正向、演绎的方法

第四章 知识图谱

第四章 单元测试

1、以下知识库中，中文知识库是
A、WordNet
B、Cyc
C、HowNet
D、Conceptnet

2、以下说法正确的是
A、Cyc知识库的知识以产生式的形式存储。
B、WordNet将同义词集合作为基本单位来组织词典
C、ConCeptnet完全由专家来定制结构、层级和语义体系
D、HowNet是树状结构的，以“义原”作为最小单位的知识系统

3、以下不属于现阶段知识图谱技术类别的是
A、构建技术
B、推理技术
C、应用技术
D、展示技术

4、以下叙述中不正确的是
A、实体识别问题包括实体边界识别和实体类型识别。
B、实体关系学习中语言表达的多样性和语言表达的隐含性是关系学习的两大难点。
C、实体链接将实体与现有知识库中的实体做对比。
D、实体识别易于识别特定领域中的实体边界。

5、下列关于知识图谱应用的说法不正确的是
A、问答系统让计算机自动回答用户的提问，返回相关的一系列文档
B、Siri、Cortana、小度都是以问答系统为核心技术的产品和服务
C、知识问答的实现分为两步：提问分析和答案推理
D、传统的基于关键词搜索的信息搜索方法，往往无法理解用户的意图，用户需要自己甄选

6、以下关于知识图谱的说法错误的是
A、知识图谱以结构化的形式，描述客观世界中存在的概念、实体和实体间的关系
B、知识图谱中一般每个实体都有一个ID来标识，称为标识符
C、实体内通过关系来刻画内在属性
D、实体之间通过它们之间的一些关系来连接，通过这种方式形成“图”

7、以下说法错误的是
A、知识图谱正式出现之前，曾有人想过把专家系统与语义网络的功能与思想结合在一起
B、Guha提出了RDF——一种描述资源信息的框架，后来Guha也被称作知识图谱之父
C、Web1.0时代，互联网上的网页间相关联形成网络。但是网络内知识的设计思想是面向人类的，对计算机不够友好
D、RDF是现代知识图谱的一个分支之一

8、对现代知识图谱发展的几个代表性产物，说法错误的是
A、OWL同linked data一样，应用了很多三元组形式来描述知识
B、OWL——网络本体语言，在逻辑上接近完美，但是工程上过于复杂
C、Linked data之后，语义web开始弱化“语义推理”的部分
D、Google公司在收购Freebase之后，将其知识表示升华为了图数据，提升了应用性

9、对于知识图谱，以下说法不正确的是
A、现代知识图谱通常以RDF三元组形式表示知识，如（头实体，关系，尾实体）
B、知识图谱中的实体识别通常要解决两个问题：实体边界识别、实体类型识别
C、实体识别是将文本中的实体标注出来，也是知识图谱构建的基础
D、知识图谱中实体识别工作可以使实体表达不规律的问题得到很大改善

10、以下说法不正确的是
A、实体链接是只将新识别出来的实体连接在一起
B、知识图谱构建中，在实体识别和实体链接后下一步是寻找实体间关系
C、实体间的关系除了有动态的，还有静态的
D、事件学习是从文本中抽取事件信息并结构化表示的过程

11、关于知识图谱推理的说法正确的是
A、基于规则的知识图谱关系推理方法，由于其形式简单且可靠，得到了大规模的广泛应用
B、TransE是经典的基于深度学习的知识图谱推理模型，其利用了关系向量之间的计算来进行推理
C、由R1（学生，hope_to_pass，课程），R2（小博，is_a，学生），R3（算法，is_a，课程）推出（小博，hope_to_pass，算法）是基于深度学习的推理方法
D、知识图谱推理应用及其受限

12、以下描述的是专家系统的是
A、更多面向常识、普遍概念，用途更加广泛
B、强调概念及其关系的表达，不具备推理能力
C、将概念作为节点，边表示关系，可以用来描述语义关系
D、一般由事实库、规则库、推理机构成

13、关于知识图谱，说法不正确的是
A、（Beijing，capital_of， China）分别称为（头实体，关系，尾实体）
B、知识图谱推理技术指的是如何能够快速推理答案
C、现代知识图谱通常以RDF二元组形式表示知识
D、知识图谱构建技术是如何自动构建知识图谱

14、“26日下午，一架叙利亚空军L-39教练机在哈马省被HTS使用的肩携式防空导弹击落” 这段文本中： 时间实体“26号下午”， 机构实体“叙利亚空军”、“HTS”， 地点实体“哈马省” 武器实体“L-39教练机”、“肩携式防空导弹” 问，以上做法展示了什么过程
A、实体识别
B、实体关系
C、事件学习
D、都不是

15、什么是实体关系学习
A、发现文本中的有效实体
B、检测文本中的实体是否具有某种预定义的关系
C、研究如何从文本中抽取事件信息并以结构化的形式呈现出来
D、实体识别与链接

16、不属于知识图谱推理技术的是
A、基于符号的推理
B、利用符号的方法
C、基于机器学习的推理
D、实体识别与链接

17、关于知识图谱推理技术说法错误的事
A、知识图谱的推理，就是根据给定的知识图谱中的三元组，推导出新的三元组的过程
B、在知识图谱的构建过程中，大量实体之间存在关联，但没有被发现，需要通过推理算法来进行补全
C、假设知识图谱中有：(贝多芬,is_a, 音乐家)&(音乐家,is_a, 艺术家),可以推理得到新的三元组：(贝多芬,is_a, 艺术家)。展示了机器学习推理方法
D、知识图谱推理分为两类：基于符号的推理、基于机器学习的推理方法

第五章 搜索技术

第五章 单元测试

1、以下关于状态空间图的说法错误的是
A、将一个复杂问题表示成多个连续的状态
B、状态之间的连接指的是衔接、转移、导致等关系
C、将状态和连接合在一起可以构成状态图
D、状态空间图未必一定能画出来

2、以下说法错误的是
A、对于复杂问题，可以逐步画出完整的状态图
B、解决问题的时候，对问题的定义很重要，因为它在一定程度上决定了解的形式
C、简单问题的解决可以通过直接构造状态图来解决
D、复杂问题的解决可以借助模型进行解决

3、首先考虑同级别的状态是什么搜索方法
A、宽度优先搜索
B、深度优先搜索
C、贪婪搜索
D、启发式搜索策略

4、下列说法不正确的是
A、启发式搜索中h(n)的比重过大会导致问题找不到最优解
B、农夫过桥问题的状态图有明确的“解状态”，即全都过河
C、贪婪搜索够在“0-1背包问题”中获得全局最优解
D、固定深度的博弈搜索根据人们在实际对弈中往往只向前考虑几步的情况提出

5、下列说法不正确的是
A、固定深度博弈比起穷举极大极小策略中的“穷举”办法，只考虑在固定深度上的枚举
B、“博弈算法”考虑了对手可能的反应
C、麦肯锡提出的减枝方法可以看做是深度优先的
D、Alpha Go融合了蒙特卡洛树搜索技术

6、下列说法不正确的是
A、启发式搜索在统计语音识别、机器翻译问题中都得到应用
B、A*算法中规定启发函数h(n)必须小于等于h*(n)
C、固定深度博弈通过设计启发函数来评估叶节点的得分
D、极大极小策略适合棋局对弈游戏，能够在实际中很好的运用

7、一下对盲目搜索几种搜索方式的说法错误的是
A、深度优先搜索会在最深的层次找到当前情况下最好的选择
B、深度优先搜索会首先考虑纵身搜索，然后回溯上一层
C、宽度优先搜索会首先考虑同级别状态，然后再进入下一层继续搜索
D、贪婪搜索每一步都会选择使当前步骤获利最大的下一步

8、以下说法正确的是
A、贪心算法搜索速度较快，但未必能找到最优解
B、贪心算法又称盲目搜索
C、深度优先搜索通用性差，但是可以准确地找到较简单问题的解
D、宽度优先搜索的效率高于贪心算法

9、关于启发式搜索的说法正确的是
A、启发函数可以衡量两个状态孰优孰劣
B、启发式函数是主观上的评价，并在不同任务上有不同表示方法
C、启发式函数只有一种量化方法。
D、大多数启发式搜索都有启发函数

10、以下说法错误的是：
A、通用搜索可以考虑当前节点到终止节点的最优路线
B、启发式搜索策略可以同时考虑到初始节点到当前节点与当前节点到终止节点的优劣
C、启发式搜索策略的典型代表包括A*搜索
D、若想求得最优路线，只考虑初始节点到当前节点是不够的

11、以下说法错误的是
A、启发函数的性能与启发知识的数量成正比
B、启发式搜索在生活中有很多应用，如语音识别等
C、博弈搜索考虑的是多个角色的最优路径选择问题
D、博弈搜索中，可以将最大化对方的得分转化为最小化我方得分

12、以下说法错误的是
A、阿尔法狗的是典型的贪心算法代表
B、围棋的复杂性导致其曾在一段时间之内无法被博弈算法有效突破
C、固定深度的博弈搜索可以看作是宽度优先的
D、博弈搜索中角色做出决策时要考虑到自己与对手双方的情况和反应

13、状态空间图表示方法的核心思想不包括
A、将一个复杂问题表示为若干离散状态
B、将衔接、转移、导致等关系表示为状态之间的连接
C、所有状体和连接构成状态图
D、对于任何问题，可以直接构造状态图

14、关于状态空间图，说法错误的是
A、只有两个要素：状态、连接
B、状态空间图不一定总能“画出来”
C、问题的解的形式不是一定要定义的
D、对于简单问题，可以直接构造状态图

15、关于贪婪搜索策略，说法错误的是
A、总是做出在当前看来最好的选择
B、首先考虑纵深探索
C、不考虑整体最优，仅求取局部最优
D、不能保证得到最优解，但搜索速度非常快

16、对于博弈搜索，下列说法错误的是
A、每个角色在做出决策时，不仅要考虑到自己的立场，还要预测对手可能的反应
B、对于许多棋类问题，需要两个甚至多个人参与，只能使用博弈算法
C、不对状态优劣进行判断，仅按照固定方式搜索
D、一个角色可以完成博弈搜索

17、关于固定深度的博弈搜索说法错误的是
A、棋手只考虑向下“若干步”可能出现的棋局
B、只在当前MAX状态下向下探索固定的层数，如五层；
C、可以看作是“深度优先”的
D、构建出“极大极小”状态子图，转化为状态子图上的极大极小博弈搜索。

18、说法错误的是
A、α-β剪枝在很长一段时间里都是棋类算法的代表，取得一系列成就
B、Alpha Go问世，将深度学习、价值网络、蒙特卡洛树搜索技术融合，战胜人类顶尖棋手
C、α-β剪枝使用到了宽度优先算法
D、蒙特卡洛树搜索”方式，以“信心上限决策”打分，使计算机围棋能力得到质的提升。为后续方法奠定基础。

19、下列关于搜索的说法不正确的是
A、“通用搜索”又称“盲目搜索”
B、状态空间图总能画出来
C、“状态图搜索”的搜索目标是在状态转移图中寻找最优的路线
D、“盲目搜索”可能需要无穷次的执行“选择动作->执行动作->查看并重复”

20、下列关于搜索的说法中错误的个数有__个: a) 状态空间图有三个要素：状态、连接、转移路线 b) 状态空间图中不是所有的状态都合理 c) 启发式搜索每一步都尽量选择最优的路线，在无穷次尝试中“碰”到答案 d) 启发式搜索将人解决问题的“知识”告诉机器
A、0
B、1
C、2
D、3

21、关于盲目搜索策略的说法不正确的是
A、深度优先和宽度优先搜索的适应性强，但效率往往不高。
B、贪婪搜索总是做出在当前看来最好的选择
C、贪婪搜索的搜索速度非常快
D、深度优先搜索首先考虑同级的状态，宽度优先搜索首先考虑纵深探索

22、以下说法正确的个数有（）个 a) 在八格游戏中使用宽度优先搜索，先搜索“空位”可能的移动状态 b) 贪婪算法求得的结果可能是局部最优结果 c) 通用搜索策略在搜索的过程中不对状态优劣进行判断
A、0
B、1
C、2
D、3

第六章 进化智能与群体智能

第六章单元测试

1、以下说法错误的是：
A、群体智能指在进化智能基础上充分发展个体智能后，将个体组建成群体构成更高的智能。
B、自动推理、知识图谱等技术是利用计算机建模来模拟人类总结知识、推理、求解问题的过程。
C、进化智能来源于新达尔文主义，用计算机模拟生物进化的过程。
D、个体行为简单不具备智能，而群体行为复杂，具备智能特征的群体动物，与群体智能的设计思路很像。

2、遗传算法中，以下说法正确的是：
A、遗传算法中的染色体表示与“状态向量”类似。
B、遗传算法能够模拟物种的基因与繁殖即可。
C、遗传算法中，用一旦两串基因不完全一样，就说明它们表示两个物种。
D、遗传算法中的环境规定了物种生存的限制条件，是随机生成的。

3、以下关于遗传算法中“繁殖”的说法，错误的是：
A、繁殖过程中为确保信息传递的准确性，要保证不会出现基因突变的情况。
B、遗传算法中染色体断裂点不能固定在整个基因链正中间。
C、交叉基因的概率是遗传算法中的“交叉算子”。
D、遗传算法中，通过“繁殖”实现了状态转移的过程。

4、以下说法正确的是
A、基因的小概率突变可以是物种的基因发生跳跃性变化，增加物种适应新环境的概率。
B、基因交叉过程中将基因链进行了重新整合，因此为物种基因库增加了新的信息。
C、对于个体而言，被选择的概率与适应度无关。
D、一定范围内，适应度高的个体，其基因链的长度越长。

5、以下关于蚁群算法的说法，错误的是
A、蚁群算法用于预测蚁群在给定条件下的行为。
B、蚁群算法是从生物智能现象抽象出的算法。
C、蚁群算法属于群体智能。
D、对蚁群觅食的模拟要考虑到环境、选择路线等等多种因素。

6、以下说法错误的是
A、蚁群算法中对于蚂蚁个体的设定与真实蚂蚁相同。
B、在模拟蚂蚁选择路线时，其概率与路线长度成反比，与信息素浓度成正比。
C、模拟信息素的释放和消散是蚁群模型的核心。
D、信息素消散的模拟经常以一个cycle为时间单位，其中一个cycle指蚁群中所有蚂蚁均从出发点到目标点的时间。

7、以下关于“人工蚂蚁”的说法正确的是
A、如果一段时间内某路径没有蚂蚁经过，这段路经上的信息素将逐渐衰减直至消失。
B、为保证均衡，不同蚂蚁留下的信息素浓度相同
C、蚂蚁离出发点的距离越远，它的速度和质量按衰减因子缓慢下降。
D、系统中需要统计每个蚂蚁出发的真实时间，精确到分秒，来模拟信息素的浓度变化。

8、下列说法不正确的是
A、图灵的观点认为“物种的适者生存”显然不是智能活动
B、自动图谱、自动推理、搜索技术都是模拟“单一”智能体的智能活动
C、自动图谱、自动推理、搜索技术都是模拟“单一”智能体的智能活动
D、“进化智能”和“群体智能”分别从时间和空间的角度上来研究物种的适者生存

9、下列关于群体智能和进化智能的说法不正确的是
A、群体智能具有个体行为复杂、具有智能特征，群体行为简单的特点
B、进化智能的思想来自新达尔文主义
C、使用计算机模拟进化智能的过程中将限制条件抽象为“环境”
D、蚂蚁、蜜蜂、候鸟、微生物都具有群体智能

10、下列说法正确的是
A、遗传算法中的环境设计需要保证最优解对应的个体具有最强的适应能力
B、遗传算法是典型的群体智能算法，而蚁群算法是典型的进化智能算法
C、进化算法的思想来源——新达尔文主义是由达尔文独自提出的
D、遗传算法中的环境设计有固定的标准，与具体问题无关

11、下列关于遗传算法的说法不正确的是
A、在“基因交叉”的过程中，染色体从一半处断裂交叉
B、遗传算法中的状态转移通过“基因交叉”来实现
C、基因交叉能够给物种基因库增加新的“信息”
D、“交叉算子”、“突变算子”、“选择算子”分别用来模拟物种繁殖、基因突变以及“竞争与选择”

12、下列关于遗传算法的说法不正确的是
A、单纯提高突变概率，能够稳定地取得很好的结果
B、突变概率较小时，物种的适应性比较稳定，优秀的突变能够在短时间内迅速提高整个种群的适应性
C、遗传算法与状态空间搜索法都将状态表示为“向量”
D、提升种群数量能够提高求解速度和稳定性

13、下列关于蚁群算法的说法不正确的是
A、蚁群算法中每只人工蚂蚁都根据自己的情况释放信息素
B、蚁群算法受到蚂蚁觅食过程中寻找蚁穴-食物最短路径的启发
C、单个蚂蚁的寻路具有很大的随机性，群体蚂蚁能够依靠单个蚂蚁释放的信息素来选择信息素浓度最高的道路
D、蚁群算法适合解决两点之间距离最短的问题

14、蚁群算法中模拟环境的过程中与真实蚂蚁不同的是
A、任意两点之间的距离都已知
B、蚂蚁“智力”水平有限
C、蚂蚁经过路线时会释放信息素
D、蚂蚁总是从起点出发到终点结束

15、蚁群算法中模拟蚂蚁选择路线的过程中，蚂蚁应该选择
A、综合路线长度和信息素浓度两方面考虑
B、选择信息素最大值的路线
C、从经济性角度出发，贪心算法选择路线最短的距离
D、其余三项都不对

16、蚁群算法中模拟信息素释放和消散的过程中不对的是
A、实践中添加真实的时间信息最好精确到秒和分钟来精确模拟蚁群整体
B、信息素随着蚂蚁的数量增多浓度增加，同时随着时间推移而浓度降低
C、在一个cycle内，某只蚂蚁找到的路径越短，它的信息素增量越高
D、信息素保持系数上界为1，下界为0

17、关于进化智能用计算机模拟生物进化的过程，说法错误的是：
A、将要求解的问题抽象为“选择”
B、将限制条件抽象为“环境”
C、使用选择、突变和繁殖来模拟物种在环境中的进化
D、通过不断进化，寻找到最理想的解决方案

18、新达尔文主义认为的生物进化，不包括哪个过程：
A、模拟
B、突变
C、竞争
D、选择

19、下列说法不正确的是：
A、模拟物种“适者生存”的能力，不属于人工智能的研究范畴
B、繁殖是生物最基本特征
C、突变保证了生物体在不断变化的环境中具有适应能力
D、竞争和选择则是物种在有限资源、有限空间情况下的最优化过程

20、下列说法有误的是：
A、进化智能指的是空间维度上的说法
B、种群通过代际繁衍，经历千万年的发展，不断进化以适应环境。借鉴物种随时间进化的过程来求解问题，就是进化智能。
C、进化智能的思想来源于新达尔文主义
D、群体智能指的是空间维度上的说法

21、关于新达尔文主义说法不对的是：
A、新达尔文主义是由达尔文一个人提出的
B、新达尔文主义包括了达尔文的进化论
C、新达尔文主义包括了门德尔的遗传学理论
D、新达尔文主义包括了魏斯曼的自然选择理论

22、关于蚁群算法，说法不正确的是：
A、是最简单的简单的进化算法
B、群体智能的典型算法，蚁群算法
C、模拟了蚂蚁群体解决问题的方法
D、其灵感来源于蚁群在觅食过程中，总能找到蚁穴到食物之间最短路径的现象

23、下列说法有误的是：
A、进化智能的特点，就是通过大量简单个体的固定决策，使整个群体产生某种优化行为。
B、进化智能算法的目标，就是用计算机来模拟进化过程，从而求解问题
C、进化算法思想的来源是新达尔文主义。
D、遗传算法的主要思路，核心就是如何模拟生物进化过程

第七章 机器学习

第七章单元测验

1、下列说法中正确的说法个数是 机器学习的过程中首先需要收集样本数据，并且抽象表现出来。 机器学习中的样本数据可以是人工判断的经验条目数据 有监督学习中不需要所有训练样本都有明确的“答案” 无监督学习和有监督学习需要选取合适的参数来尽可能地靠近目
A、3
B、0
C、1
D、2

2、下列关于有监督学习的说法不正确的是
A、K近邻算法中K值的选择对分类的结果影响不大
B、模型测试阶段的测试数据集不能与训练数据集有交集
C、决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用
D、支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

3、下列关于有监督和无监督学习说法中不正确的是
A、有监督学习有明确的学习目标，而无监督学习没有
B、K近邻算法中无需对训练数据进行训练
C、有监督学习训练数据的获得需要专业人士进行标注
D、无监督学习与有监督学习相比更加接近人类学习的过程

4、下列关于无监督学习的说法不正确的是
A、聚类算法无需事先指定聚类的数目，而是根据训练数据迭代得到
B、无监督学习中不需要人工标注知识
C、K-means算法与K近邻算法中最初选择的K个点会影响最终结果
D、有效的距离计算方法能够提高K-means算法的精确度

5、下列关于无监督学习的说法不正确的是
A、聚类算法中最终的类别之间可能有少量样本的交叉
B、K-means算法中可以随机划分样本为K堆，以K堆的平均重心作为初始的K个点
C、自动编码器包含“编码”和“解码”两部分
D、自动编码器可以用于图像抗噪和数据降维

6、下列关于弱监督学习的说法不正确的是
A、弱监督学习等价于半监督学习
B、半监督学习通过学习有标记的数据，逐渐扩展无标注的数据
C、弱监督学习只对部分的样本引入标注知识
D、迁移学习的核心思想是将利用在任务A上获得的经验去解决相似的任务B

7、下列关于强化学习的说法正确的是
A、在强化学习中，计算机通过不断与环境交互并通过环境反馈来逐渐适应环境
B、强化学习的概念是从Alphago战胜李世石之后才提出的
C、强化学习属于无监督学习的一种，不需要有监督信息
D、强化学习和有监督学习的过程相似，是“开环”的过程

8、下列关于强化学习的说法不正确的是
A、Policy based的强化学习类型要明显优于Value based和Action based的方法
B、强化学习中的Agent有明确的目标用于指导自己的行为
C、Agent的模型参数是根据环境的反馈来更新
D、强化学习被广泛应用在自动驾驶、电子竞技和AI游戏中

9、有关机器学习，说法错误的是：
A、机器学习系统不可以学习人的判断过程
B、机器学习系统利用经验来改善计算机系统自身的性能
C、计算机学习人解决问题的“经验”，并模仿人来解决问题
D、学习系统使用样本数据来建立并更新模型，并以可理解的符号形式表达，使经过更新后的模型处理同源数据的能力得以提升

10、下列不属于有监督机器学习的典型方法的是
A、聚类
B、K近邻算法
C、决策树算法
D、支持向量机

11、下列关于有监督机器学习的算法中，说法正确的是
A、如果一个属性对于所有样本都没有区分能力，那么对于决策毫无用处
B、单一支持向量机模型本身是针对多分类问题的算法
C、K近邻算法中，K值的选择，不会对分类结果有很大影响
D、属性在决策树中的位置不同，并不会影响决策树的效率

12、自动编码器算法属于哪种机器学习方法
A、无监督学习
B、有监督学习
C、弱监督学习
D、强化学习

13、以下关于无监督学习说法错误的是
A、聚类算法中，同一类别内部样本的相似度较低
B、自动编码器常应用于图像抗噪和数据降维
C、聚类算法中，不同类别之间样本不交叉
D、与有监督学习相比，无监督学习更接近人类学习的过程

14、以下哪个是弱监督学习的特点
A、对部分数据引入监督，使用间接的答案信息
B、全部样本都需要人工标注
C、不需要人工标注任何知识
D、方法简单、数据成本低，但性能难以提升

15、下列说法错误的是
A、强化学习与监督学习没有区别
B、强化学习认为，计算机单纯通过感知环境，与环境交互，并且从交互中获得评价反馈，就可以适应所处的环境
C、强化学习的整个过程形成一个“闭环”
D、与无监督学习相比，强化学习中环境所提供的“奖励”实际上就是监督信号

16、关于机器学习说法有误的：
A、机器学习就是有监督学习
B、机器学习分为有监督和无监督等
C、机器学习需要数据集
D、只有有监督学习需要数据集

17、关于K近邻说法正确的是：
A、K近邻算法是机器学习
B、K近邻是无监督学习
C、K代表要分类的个数
D、K值的选择，对分类结果没有影响

18、下列说法不正确的是：
A、有监督学习不需人工标注知识
B、有监督学习的最大问题：标注数据稀缺、昂贵
C、无监督学习更接近人类学习的过程
D、聚类算法属于无监督学习

19、描述弱监督的是：
A、对部分数据引入监督
B、方法丰富、研究充分、性能好、成本高
C、方法简单、数据成本低、性能难以提升
D、以上都不是

20、关于迁移学习说法有误的是：
A、迁移学习就是特征迁移
B、模拟人类具有举一反三的能力
C、任务A 与 任务B 具有某种相似性，利用任务A的学习经验，解决任务B，即迁移学习
D、模型迁移也属于迁移学习

21、关于无监督学习不正确的说法是：
A、自动编码器是有监督学习
B、聚类大量依赖于距离或者相似度计算
C、自动编码器的可以应用于数据降维
D、自动编码器的可以应用于图像降噪

22、关于决策树，说法有误的是：
A、决策树算法是无监督学习
B、规则归纳问题，适合用决策树来表示
C、属性在决策树中的位置不同，决策树的效率是不同的
D、如果根据一个属性做判断，样本仍然有若干种情况，则该属性不应该出现在决策早期

第八章 深度学习（上）

第八章（上）测试

1、以下关于感知器模型的说法错误的是：
A、在输入端，神经元只接受来自一个信号源的输入信息
B、感知器的信号处理分为四个部分：输入、汇总、激活、输出
C、输入为实例的特征向量，由激活函数计算输出，输出为1、-1两个值
D、汇总后的输入信号如果高于阈值，则产生“激活”信号，否则仍基本维持原有水平

2、以下关于感知器的说法错误的是
A、感知器模型中的激活函数是二值函数时，损失函数是可导的
B、感知器模型的关键，就是通过调整权重使一类样本可以激活神经元，而另一类则不会
C、权重调整采用“奖惩分明”策略，即对于能够准确判断样本类型的权重，提高当前权重比例，反之则降低当前权重比例
D、一层感知器只能针对线性可分的数据集分类，无法解决异或（XOR）问题

3、以下关于前馈神经网络（FNN）的说法正确的是
A、在FNN中，输入信号的传递方向是明确的，并不存在反向信号传递
B、一个标准的前馈神经网络只有一个输入层和一个输出层
C、FNN的同层神经元之间存在连接
D、FNN的输出结果只能是向量

4、以下说法中，不属于感知器和FNN模型的相同点的是
A、二者都是由多个神经元组成的多层神经网络
B、二者学习的关键都是神经元的损失计算
C、输入信号向后传递的过程中，都是加权和的计算
D、二者都有输入、激活和输出

5、以下关于FNN和错误反向传播（BP）算法的说法错误的是
A、BP算法是从输入层开始，逐层计算δ信号调整自身权重，并且将δ信号传向后一层
B、BP算法的出现解决了多层神经网络权重调整困难的问题
C、BP算法的核心是对隐含层神经元误差E的估计
D、BP算法对多层网络训练时使用的sigmoid激活函数存在“梯度弥散”问题

6、典型卷积神经网络LeNet-5的结构包括输入层、采样层、卷积层、输出层和
A、全连接层
B、隐藏层
C、汇聚层
D、卷积核

7、以下有关卷积神经网络（CNN）的说法错误的是
A、在一个卷积层中，一般只有一个卷积核
B、典型CNN的输入层中通常以2维矩阵形式作为输入信号
C、多个卷积核处理后，采用池化操作，将得到的数据块降维，以避免信息冗余
D、输出之前，最后一个卷积层的所有卷积核处理后的信息会被“拉平”为一维向量，再经过全连接层后进入输出层

8、下列说法不正确的是
A、抽象神经元模型MP很好地解决了处理、学习信息的问题
B、人工神经元和生物神经元都具有信息汇总和信息传输的功能
C、明斯基在1969年提出“深层神经网络的研究是没有价值的”这一观点
D、辛顿（Hitton）成功应用BP算法来训练多层感知器，很好地解决非线性分类问题

9、下列关于人工神经网络发展历程不正确的是
A、BP算法的提出很好地解决了“多层”问题
B、2001年互联网泡沫破裂导致许多人工神经网络的研究被迫中断
C、LeCun将BP算法应用于神经网络的训练，并提出了卷积神经网络的第一个正式模型——LeNet-5
D、九十年代中期提出的SVM算法取代神经网络算法成为主流

10、下列关于“感知器”的说法不正确的是
A、感知器的误差足够精确，权重能够快速收敛
B、学习率用于控制权重调整
C、感知器学习样本特征的过程在模型中体现为感知器权重的调整过程
D、感知器的信号处理分为“输入、汇总、激活、输出”四个部分

11、下列关于人工神经网络的说法错误的是
A、感知器模型的激活函数可导，可以通过梯度下降求解损失函数最小值
B、损失函数用于衡量当前权重在整个数据集上的总误差
C、标准神经元每个输入端具有不同的权重
D、Sigmoid函数是连续可导的，同时具有“两极分化”的特点

12、下列说法正确的数量为 a. 前馈神经网络可以含有多个隐含层 b. 前馈神经网络的输入层神经元将信息加权后，经过激活函数传递到第二层神经元 c. FNN中的隐含层是指在输入层和输出层之间无法之间观测状态的标准神经元 d. FNN的前后层神经元和同层神经元之间都存在连接，因此称为全连接
A、2
B、3
C、4
D、1

13、下列关于卷积神经网络的说法不正确的是
A、每个卷积层中的卷积核都需要处理全部接受到的信息
B、卷积神经网络是目前网络深度最深的深度神经网络模型之一
C、卷积核用来实现对输入信号的各种处理，不同的卷积核实现不同的功能
D、池化操作对多个卷积核得到的信息进行降维，只保留重要信息

14、BP算法的意义不包括：
A、隐含层神经元可以直接直接观测其误差，也可以调整其权重
B、网络误差是由多层信号累积导致，BP算法将误差“分配”到各个层
C、从输出层开始，逐层调整自身权重
D、输出层得到误差信号之后，将该误差按照权重比例“反传”给上一层神经元

15、下列说法错误的是：
A、神经网络是由一个神经元构成的
B、感知器属于人工神经网络
C、感知器其信号处理分为四个部分：输入、汇总、激活、输出
D、神经元在输入端接受来自多个信号源的输入信息

16、假设我们有一组样本数据，分为两个类别，且每个样本都由n维特征表示，那么：
A、我们就可以使用感知器来学习样本，“感知”到两类样本的差别
B、不用学习，感知器就可以正确预测样本的类型
C、感知学习的过程，权重保持不变
D、感知器模型通过调整权重，所有样本都能激活神经元

17、关于权重的调整说法有误的：
A、对于一个样本，如果当前权重能够正确判断其类型，就减小当前权重
B、对于一个样本，如果当前权重不能够正确判断其类型，则惩罚当前权重，降低其比例
C、对权重的训练直到某个权重对所有样本均不产生错误，或者错误不再降低
D、对于一个样本，如果当前权重能够正确判断其类型，就提高其比例

18、标准神经元模型，不包括什么特点：
A、具有多个输入端，每个输入端具相同的权重
B、神经元具有Sigmoid或者类似的可导激活函数
C、神经元能够根据误差信号，通过梯度下降法调整权重，实现学习
D、具有一个或多个输出端，输出端上的信号一致

19、关于前馈神经网络，以下说法不正确的是：
A、同层神经元之间存在连接
B、在前馈神经网络FNN中，隐含层均为标准神经元，带有激活函数
C、隐含层，是指其中神经元的状态在输出端无法直接观测
D、隐含层输入的权重需要学习得到

20、关于卷积神经网络说法错误的是：
A、是目前网络深度最深、应用最成功的深度学习模型
B、卷积神经网络模拟了人类视觉信息处理的过程
C、图像的卷积，很类似视觉皮层对图像进行某种特定功能的处理
D、模拟大脑的视觉处理过程就是卷积神经网络的思路

第八章 深度学习（下）

第八章（下）测试

1、以下哪个不是FNN和CNN的共同点：
A、二者都认为每两次输入的信息之间不是独立的，每次接收到的输入信息与之前的信息都相关
B、从网络结构上来看，二者都是典型的前馈神经网络
C、输入层和输出层的维数是固定的，不能任意改变
D、二者适合处理的数据样本之间不存在相关性，满足独立性假设

2、以下关于循环神经网络（RNN）的说法错误的是
A、RNN是具有整体浅层结构，局部深层结构的网络
B、RNN整个网络的输入端仅接受1帧数据
C、添加了“时间”的概念，若干帧数据依次送入网络处理
D、添加“时间”之间的状态反馈

3、以下哪种RNN改型常用于解决序列标注问题：
A、同步序列到序列模型
B、序列类别模型
C、异步序列到序列模型
D、堆叠循环神经网络

4、以下关于注意力机制的说法错误的是
A、注意力机制是对深度学习的唯一实现方法
B、注意力机制解决了信息超载问题
C、注意力机制要确定信息源的焦点区域并提高焦点区域的分析能力，降低非焦点区域的消耗
D、标准Encoder-Decoder框架中的注意力机制模型是注意力不集中的分心模型

5、以下关于记忆容量和记忆力机制的说法错误的是：
A、一个深度学习模型可以仅依靠增加神经元数量，无限增加其内部记忆容量
B、记忆力机制的出现解决了网络容量问题
C、最简单的记忆力模型主要包含一系列的记忆单元和I，G，O，R四个模块
D、最简单的记忆力模型主要包含一系列的记忆单元和I，G，O，R四个模块

6、以下对判别式模型、生成式模型和生成对抗网络的说法错误的是
A、生成式模型模拟概率分布时，常用“后验分布”
B、用生成式模型根据少量样本来估计整个类型的概率特征是很困难的
C、判别式模型对问题本质缺乏了解，无法从个例中抽象出整体概念
D、生成对抗网络结合了生成模型和判别模型

7、下列不属于生成对抗模型的应用的是
A、图像分类
B、单图像超分辨率
C、交互式图像生成
D、图像到图像的翻译

8、下列关于RNN和CNN的说法不正确的是
A、RNN是具有整体的浅层结构，局部深层结构的网络
B、CNN为单向信息传递的前馈神经网络，认为时序间输入的信息是相互独立的，无法很好的处理序列数据
C、RNN的神经元将上一帧处理后的信息也作为当前帧的输入解决数据之间信息依赖的问题
D、CNN每次输入的数据必须具有相同的大小

9、下列关于RNN的说法不正确的是
A、序列类别模型中将每个时序的输出信号加权计算的方法要优于使用最后一个序列的输出进行判断的方法
B、RNN采用BP算法的改进版——BPTT作为参数训练算法
C、同步序列到序列模型的输入序列和输出序列长度相等
D、异步序列到序列模型通常包含编码和解码两个部分，输入和输出的长度无需一致

10、下列说法不正确的是
A、记忆力模型无需独立于深度学习模型，可以很好的缓解网络容量问题
B、“注意力机制”的想法来源于人脑对信息的不同部分分配了不同注意力
C、传统的Encoder-Decoder框架为“分心模型”，解码过程的每一步都均等地处理所有编码信息
D、注意力矩阵用于编码对于当前输出词，应该分配给每个输入词的注意力大小

11、下列说法错误的是
A、生成对抗是一类具体的模型，同时也是一种解决问题的思路，具有强大的可塑性
B、判别式模型直接预测类别，应用简便，但适应性差
C、生成式模型通过大量样本得到概率函数，进而采样生成新的样本，但在少量样本的情况下很难对类型进行准确的概率估计
D、当GAN中的判别器无法再判断生成器生成的样本的真假时，认为生成器就具有了模拟真实样本的能力

12、下列关于RNN的改进方法错误的是
A、LSTM模型在改变RNN整体网络结构的同时，对每个时序信息的内部处理方式进行了改进
B、堆叠循环神经网络通过增加隐含层的数量来实现对复杂问题的处理
C、双向循环神经网络从两个方向建模序列的信息，能够更好的建模序列内的依赖关系
D、LSTM模型的提出是为了解决传统RNN的长期依赖问题

第九章 人工智能典型应用

第九章 单元测验

1、下列说法错误的是：
A、自然语言处理、语言信息处理、计算语言学相互独立，没有交叉。
B、人类通过视觉、听觉感知承载语言的图像和声音信号，再经过大脑加工和抽象后，才能形成语言信息。
C、语言智能属于“认知智能”的研究范畴
D、语言不是一种感知信号，而是感知信号的经大脑处理后的某种抽象表示

2、对于比如苹果的特征匹配，常见的特征匹配不包括：
A、天气状况
B、颜色特征
C、纹理特征
D、形状轮廓特征

3、不属于语言智能的是：
A、口语评测
B、机器翻译
C、信息检索
D、人机对话

4、不属于语音识别技术的是：
A、区分场景中的不同物品、不同人物的面容
B、口语评测
C、语音增强
D、语音增强

5、不属于计算机视觉的范畴的是：
A、声纹识别
B、停车场和道路上的车牌识别
C、Windows10的“刷脸”登陆系统
D、以及目前工业界的热门话题，自动驾驶

6、关于AlphaGo说法错误的是
A、不属于博弈
B、AlphaGo在实现中也使用了大量人工设定的围棋知识
C、本质上解决问题的思路与A*搜索是类似的
D、借用了深度学习的超强表示能力、蒙特拉洛树的概率优化能力

7、属于AlphaGo的成就：
A、提出了一套全新的搜索求最优解的方法论
B、提出了深度学习
C、AlphaGo的成功归功于深度学习
D、蒙特拉洛树搜索优于AlphaGo的方法

8、下列关于人工智能和机器学习的说法错误的是
A、一个计算机模型即可囊括物体识别、距离估计、动态物体轨迹判断等功能来实现视觉辅助的自动驾驶系统
B、人工智能的发展与实际应用紧密结合，形成“商用-需求-技术”的闭环
C、目前人工智能领域计算机视觉主要模拟人脑中对视觉信息分析和理解的过程
D、机器学习方法需要大量的特征并且要根据应用场景进行大量的调试，容易陷入扩大数据、复杂化模型的循环

9、以下关于人工智能的说法错误的是
A、人工智能发展的核心方法论一直在随着时间变化，研究问题都不具有持续性
B、人工智能的每个发展时期，都有比较明确的主流方法和里程碑式的应用成果
C、人工智能学科的发展与实际应用紧密结合，是“商用-需求-技术”三者的闭环
D、人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学

10、下列关于人工智能和机器学习的说法错误的是
A、David Marr的理论是自下而上的，并且具有中间反馈和可实施性的优点
B、长期来看，人工智能的核心方法论都是“用计算机模拟学习能力和智能特征”
C、David Marr建立了第一个计算机视觉的理论框架
D、机器学习时代计算机视觉仍然以特征提取为核心

11、人工智能发展的核心方法论一直在随着时间变化，研究问题都不具有持续性
A、特征匹配中常见的特征包括颜色特征、纹理特征、形状轮廓特征
B、要让计算机理解图像，一定先要恢复物体的三维结构
C、马尔理论是一个自上而下的理论
D、深度学习仍需要专家提供知识，再通过神经网络堆叠结构，实现特征表征

12、下列说法错误的是
A、深度学习的方法虽然不需要专家提供特征知识，但具有多部串联、错误累计的问题
B、支付宝“刷脸”支付、车牌识别自动收费等都属于人工智能计算机视觉领域的应用
C、机器学习时代计算机视觉仍然以特征提取为核心
D、基于深度学习的计算机视觉方法需要海量数据来训练，而人类视觉系统只需要少量的样本信息，证明仍然需要对人脑视觉信息处理进行更深入的联系

13、下列不属于语音处理方法的是
A、三维重建
B、语音合成
C、语音增强
D、声纹识别

14、以下关于语音处理方法的说法错误的是
A、模板匹配方法所识别的内容包括大词汇量、非特定人连续语音识别
B、统计机器学习模型存在对语音的鲁棒性低，容易受到杂音影响等问题
C、随着声学特征、改进的解码算法的提出，连续语音流的识别准确率不断提升
D、随着深度学习模型的应用，语音识别逐渐采用“端到端”的解决方案

15、下列关于语音智能的说法错误的是
A、端到端的语音识别方法具有鲁棒性低，容易受到杂音影响的缺点
B、语音识别方法经历了“模板匹配—基于统计机器学习模型—深度学习”的过程
C、语音识别方法中的统计机器学习模型通过状态空间搜索实现语音识别
D、传统的语音识别模型使用GMM-HMM建立声学模型，后来被深度神经网络取代

16、以下关于语言智能的说法错误的是
A、“自然语言处理”、“语言信息处理”、“计算语言学”三者之间无交叉关联
B、语言智能属于“认知智能”的研究范畴，是认知智能研究的核心问题之一
C、计算语言学研究各种不同粒度之下，语言的表示和分析方法
D、自然语言处理研究如何利用计算语言学的成果，解决实际语言问题

17、随着深度学习时代的到来，语言智能逐渐走向以下哪种主义
A、连接主义
B、经验主义
C、符号主义
D、理性主义

18、以下关于人工智能竞技方法的说法错误的是
A、早期的人工智能竞技方法下，计算机下棋技术已经完全以“自动推理”为主流
B、Chinook跳棋程序是状态空间搜索的里程碑，它真正实现了用计算机密集搜索来解答复杂问题
C、AlphaGo提出了一套全新的搜索求最优解的方法论
D、AlphaZero将蒙特拉洛树搜索算法生成的对弈数据，作为神经网络的训练数据

19、关于语言智能的说法错误的是
A、语言是感知信息经过大脑处理后的抽象表示，因此语言智能属于“感知智能”的范畴
B、计算机视觉、语音处理的研究内容都属于“感知智能”
C、语言智能技术研究包括语言形式化模型的建立和使用两部分
D、乔姆斯基认为有限状态机模型和N-gram统计方法不适合描述语言

20、下列关于机器翻译任务的说法不正确的是
A、IBM的统计机器翻译模型除了通过统计方法，还需要借助语言知识和一些转换规则
B、基于规则的机器翻译方法无法用有限的规则覆盖所有复杂的语言现象
C、IBM的Brown等人提出的“基于词对齐的统计机器学习翻译模型”标记着现代统计机器翻译方法的诞生
D、Mikolav等人开源的Word2Vec工具将词表示为一系列实数组成的词向量，从而将语言智能问题转变为神经网络计算问题

21、下列关于人工智能竞技方法的说法错误的是
A、AlphaGo行棋过程中，对于n中可能的走法，随机选取一些走法实施蒙特卡洛树搜索
B、早期的人工智能竞技方法以“状态空间搜索”为主要技术路线
C、AlphaGo框架中利用大量棋谱来训练深度卷积网络，得到策略网络，同时通过强化学习来提高策略网络的能力
D、AlphaGo框架在搜索过程引入了随机决策，可以通过蒙特卡洛搜索多次重复搜索取得最优

期末测试

客观题试卷

1、以下说法错误的是（）
A、人工智能最开始的定义是研究或制造人类的智能
B、智能，是“智慧”和“能力”的综合表现
C、人工智能学科诞生于1956年的达特茅斯会议
D、目前的人工智能研究是在有限条件下对人类智能的某种能力在某些具体问题上的模拟

2、下列说法错误的是（）
A、麦卡锡提出用计算机模拟神经元及其连接，通过“人工神经网络”模拟智能
B、人工智能早期，“图灵测试”被认为是人工智能水平的标准测试模型
C、针对“智能机器如何模拟人类学习的过程和结果”，人工智能学界分为理性主义和经验主义两个流派
D、针对“机器如何模拟智能的特征”的问题，衍生出符号主义和连接主义两种思潮

3、下列关于人工智能发展的说法错误的是（）
A、符号主义与经验主义是统一的，是经验主义解决问题的方式
B、现阶段主流的人工神经网络方法属于连接主义
C、人工智能的发展经历了从“逻辑智能”到“计算智能”再到“认知智能”的转变
D、IBM的“深蓝”以及“Watson”都属于计算智能的典型代表作

4、下列说法错误的是（）
A、以神经网络为基础的人工智能方法与前代方法相比，根本性的方法论发生了变化，取得了突破性进展
B、谷歌“阿法狗”利用CNN模型战胜围棋选手李世石代表着人工智能第三次浪潮来临
C、目前通用人工智能尚处于起步阶段
D、人工智能的研究目的是促使智能机器会看、会听、会说、会思考、会学习、会行动

5、下列说法错误的是（）
A、理性主义是人工智能早期的主流思潮，至今已经完全被经验主义所取代
B、西蒙&纽维尔提出了“物理符号系统假说”、“语义网络”、“决策支持系统”
C、IBM的“深蓝”以及“Watson”系统，本质上依然使用了状态空间搜索方法
D、明斯基写

学习通人工智能导论——面向人文社科专业_2

人工智能（Artificial Intelligence，简称AI）是一门复杂的学科，目前在全球范围内都受到了高度的关注和重视。同时，随着互联网和信息技术的快速发展，人工智能也得到了迅速发展，它已经成为一个具有重要战略意义的领域。在这个领域中，学习通人工智能导论——面向人文社科专业_2是一门非常重要的课程。

课程介绍

学习通人工智能导论——面向人文社科专业_2，是一个针对人文社科专业及工科学生的人工智能入门课程。通过本课程，学生可以了解人工智能的基本知识和技术，了解人工智能的应用领域和前沿技术，掌握人工智能的计算方法和模型建立技巧。

课程内容

本课程主要包括以下内容：

• 人工智能的基本概念与原理
• 机器学习的基本模型与算法
• 自然语言处理的基本技术与应用
• 图像处理的基本技术与应用
• 推荐系统的基本模型与算法

教学方法

通过本课程，学生将会深入了解人工智能的基本原理和技术。通过一系列的视频讲解和实践操作，学生可以逐步掌握人工智能的核心技术和应用方法。此外，本课程还包括了一些在线测试和练习，以帮助学生更好地巩固所学知识。最后，本课程还提供了一个学习社区，学生可以在该社区中互相交流和分享学习经验。

课程评估

本课程的评估方式主要有以下几种：

• 在线测试：每个章节结束时，都会有一个测试，学生成绩将会计入总成绩中。
• 实践项目：学生需要完成一些实践项目，并提交相应的代码和报告。
• 课程作业：学生需要完成一定数量的课程作业，并提交相应的答题卡和报告。

学习建议

如果你想在人工智能领域有所发展，那么学习通人工智能导论——面向人文社科专业_2是一个不错的选择。以下是一些学习建议：

• 充分利用课程资源：本课程提供了大量的学习资源，包括视频讲解、实践操作、在线测试、课程作业等。学生应该充分利用这些资源，以便更好地掌握所学知识。
• 多参与课程社区：学生可以在课程社区中与其他同学交流和分享自己的学习经验，这对于巩固所学知识非常有益。
• 注重实践操作：本课程强调实践操作，学生应该注重实践操作，并多做一些实践项目，以锻炼自己的实际操作能力。

总结

学习通人工智能导论——面向人文社科专业_2是一门非常重要的课程，能够帮助学生深入了解人工智能的基本原理和技术，掌握人工智能的计算方法和模型建立技巧。如果你对人工智能感兴趣，那么不妨试试这门课程。