中国大学智能ZHKZ原理与技术（黄亮）课后答案(慕课2023完整答案)

点击查看答案

第1讲 人工智能概述

测试

1、中国智如果一个问题或者任务不可计算，大学答案答案那么对这个问题或任务的原理描述哪一句是正确的（ ）
A、无法将该问题或任务所需数据一次性装入内存进行计算
B、技术该问题或任务所需计算时间是黄亮线性增加的
C、图灵机不可停机
D、课后该问题或任务所需计算时间是慕课非线性增加的

2、下面哪一句话准确描述了摩尔定律（ ）
A、完整摩尔定律描述了计算机内存大小随时间不断增长的中国智规律
B、摩尔定律描述了计算机的大学答案答案计算速度每一年半增长一倍的规律
C、摩尔定律描述了计算机的原理体积大小随时间不断减少的规律
D、摩尔定律描述了互联网所链接节点随时间不断增长的技术规律

3、下面哪个方法于20世纪被提出来，黄亮用来描述对计算机智能水平进行测试（ ）
A、课后摩尔定律
B、慕课香农定律
C、图灵测试
D、费马定理

4、1955年，麦卡锡、明斯基、香农和诺切斯特四位学者首次提出“artificial intelligence（人工智能）”这个概念时，希望人工智能研究的主题是（ ）
A、避免计算机控制人类
B、全力研究人类大脑
C、人工智能伦理
D、用计算机来模拟人类智能

5、下面哪个描述不属于对人工智能的分类（ ）
A、领域人工智能/弱人工智能
B、生物智能
C、通用人工智能/跨域人工智能
D、混合增强人工智能

6、下面哪一句话是正确的 （ ）
A、人工智能就是机器学习
B、机器学习就是深度学习
C、人工智能就是深度学习
D、深度学习是一种机器学习的方法

7、以逻辑规则为核心的逻辑推理、以数据驱动为核心的机器学习和以问题引导为核心的强化学习是三种人工智能的方法，下面哪一句话的描述是不正确的（ ）
A、以逻辑规则为核心的逻辑推理方法解释性强
B、目前以数据驱动为核心的机器学习方法需要从具有标签的大数据中来学习数据模式，完成给定任务
C、目前以数据驱动为核心的机器学习方法可从任意大数据（无论数据是具备标签还是不具备标签）中来学习数据模式，完成给定任务
D、强化学习的基本特征是智能体与环境不断进行交互，在交互过程不断学习来完成特定任务

8、下面对人类智能和机器智能的描述哪一句是不正确的（ ）
A、人类智能能够自我学习，机器智能大多是依靠数据和规则驱动
B、人类智能具有自适应特点，机器智能则大多是“依葫芦画瓢”
C、人类智能和机器智能均具备常识，因此能够进行常识性推理
D、人类智能具备直觉和顿悟能力，机器智能很难具备这样的能力

9、我们常说“人类是智能回路的总开关”，即人类智能决定着任何智能的高度、广度和深度，下面哪一句话对这个观点的描述不正确（ ）
A、人类智能是机器智能的设计者
B、机器智能目前无法完全模拟人类所有智能
C、机器智能目前已经超越了人类智能
D、机器智能和人类智能相互协同所产生的智能能力可超越人类智能或机器智能

10、下面哪句话描述了现有深度学习这一种人工智能方法的特点（ ）
A、小数据，大任务
B、大数据，小任务
C、小数据，小任务
D、大数据，大任务

11、20世纪30年代，围绕可计算这一重要思想，一些模型被提出。下述哪个模型不是于这个时期在可计算思想推动下产生的（ ）
A、原始递归函数
B、lambda 演算
C、图灵机
D、冯诺依曼模型

12、德国著名数学家希尔伯特在1900年举办的国际数学家大会中所提出的“算术公理的相容性 (the compatibility of the arithmetical axioms)”这一问题推动了可计算思想研究的深入。在希尔伯特所提出的这个问题中，一个算术公理系统是相容的需要满足三个特点。下面哪个描述不属于这三个特点之一（ ）
A、完备性，即所有能够从该形式化系统推导出来的命题，都可以从这个形式化系统推导出来。
B、一致性，即一个命题不可能同时为真或为假
C、可判定性，即算法在有限步内判定命题的真伪
D、复杂性，即算法性能与输入数据大小相关

13、下面哪个描述不属于邱奇－图灵论题所包含的意思（ ）
A、凡是可计算的函数都可以用图灵机计算
B、任何计算，如果存在一个有效过程，它就能被图灵机实现
C、有些数学问题是不可求解的(图灵不可停机的)
D、任何表达力足够强的(递归可枚举)形式系统同时满足一致性和完备性

第2讲 统计机器学习：监督学习

测试

1、下面哪一种机器学习方法没有利用标注数据（ ）
A、有监督学习
B、无监督学习
C、半监督学习
D、回归分析

2、下面对经验风险和期望风险的描述中，哪一个属于欠学习（ ）
A、经验风险小、期望风险小
B、经验风险小、期望风险大
C、经验风险大、期望风险大
D、经验风险大、期望风险小

3、下面对经验风险和期望风险的描述中，哪一个属于过学习（ ）
A、经验风险小、期望风险小
B、经验风险小、期望风险大
C、经验风险大、期望风险大
D、经验风险大、期望风险小

4、下面对结构风险最小化的描述中，哪一个描述是不正确的（ ）
A、在结构风险最小化中，优化求解目标为使得经验风险与模型复杂度之和最小
B、结构风险最小化在最小化经验风险与降低模型复杂度之间寻找一种平衡
C、结构风险最小化与经验风险最小化的目标是不同的
D、为了更好保证结构风险最小化，可适当减少标注数据

5、监督学习方法又可以分为生成方法(generative approach)和判别方法(discriminative approach)。下面哪个方法不属于判别方法（ ）
A、回归模型
B、神经网络
C、Ada boosting
D、贝叶斯方法

6、下面哪句话语较为恰当刻画了监督学习方法中生成方法的特点（ ）
A、授之于鱼、不如授之于“渔”
B、三个臭皮匠、抵一个诸葛亮
C、毕其功于一役
D、屡败屡战、屡战屡败、最后成功

7、在线性回归模型中，所优化的目标函数是（ ）
A、最小化残差平方和的均值
B、最大化残差平方和的均值
C、最小化结构风险
D、最大化结构风险

8、线性回归中优化目标函数的求取过程与下面哪一种方法是相同的（ ）
A、最小二乘法
B、最大似然估计
C、最大后验概率
D、最小化后验概率

9、下面哪一句话对Ada Boosting的描述是不正确的（ ）
A、该算法将若干弱分类器线性加权组合起来，形成一个强分类器
B、在所构成的强分类器中，每个弱分类器的权重是不一样的
C、在所构成的强分类器中，每个弱分类器的权重累加起来等于1
D、在每一次训练弱分类器中，每个样本的权重累加起来等于1

10、下面哪一句话对概率近似正确 (probably approximately correct, PAC)的描述是不正确的 （ ）
A、在概率近似正确背景下，有“强可学习模型”和“弱可学习模型”
B、强可学习模型指学习模型能够以较高精度对绝大多数样本完成识别分类任务
C、强可学习模型指学习模型仅能完成若干部分样本识别与分类，其精度略高于随机猜测
D、强可学习和弱可学习是等价的，即如果已经发现了“弱学习算法”，可将其提升（boosting）为“强学习算法”

11、Ada Boosting在最小化如下目标函数（ ）
A、指数损失函数
B、0-1损失函数
C、平方损失函数
D、绝对损失函数

12、下面对回归和分类的描述不正确的是（ ）
A、两者均是学习输入变量和输出变量之间潜在关系模型
B、在回归分析中，学习得到一个函数将输入变量映射到连续输出空间
C、在分类模型中，学习得到一个函数将输入变量映射到离散输出空间
D、回归是一种无监督学习、分类学习是有监督学习

第3讲 统计机器学习：无监督学习

测试

1、由于K均值聚类是一个迭代过程，我们需要设置其迭代终止条件。下面哪句话正确描述了K均值聚类的迭代终止条件（ ）
A、已经达到了迭代次数上限,或者前后两次迭代中聚类质心基本保持不变
B、已经达到了迭代次数上限,或者每个待聚类样本分别归属唯一一个聚类集合
C、已经形成了K个聚类集合，或者已经达到了迭代次数上限
D、已经形成了K个聚类集合，或者每个待聚类样本分别归属唯一一个聚类集合

2、我们可以从最小化每个类簇的方差这一视角来解释K均值聚类的结果，下面对这一视角描述不正确的是（ ）
A、最终聚类结果中每个聚类集合中所包含数据呈现出来差异性最小
B、每个样本数据分别归属于与其距离最近的聚类质心所在聚类集合
C、每个簇类的方差累加起来最小
D、每个簇类的质心累加起来最小

3、下面哪一句话描述不属于K均值聚类算法的不足( )
A、需要事先确定聚类数目
B、需要初始化聚类质心
C、算法迭代执行
D、K均值聚类是无监督聚类

4、下面对数据样本方差解释不正确的是（ ）
A、方差刻画了随机变量或一组数据离散程度
B、方差（样本方差）是每个样本数据与全体样本数据平均值之差的平方和的平均数
C、方差描述了样本数据在平均值附近的波动程度
D、方差刻画了样本数据的大小

5、协方差可以用来计算两个变量之间的相关性，或者说计算两维样本数据中两个维度之间的相关性。基于计算所得的协方差值，可以来判断样本数据中两维变量之间是否存在关联关系。下面哪一个说法是不正确的（ ）
A、当协方差值大于0 时，则两个变量线性正相关
B、当协方差值小于0 时，则两个变量线性负相关
C、当协方差值等于0 时，则两个变量线性不相关
D、当协方差值等于0 时，则两个变量线性正相关

6、皮尔逊相关系数（Pearson Correlation coefficient ）可将两组变量之间的关联度规整到一定的取值范围内。下面对皮尔逊相关系数描述不正确的是（ ）
A、皮尔逊相关系数的值域是[-1,1]
B、皮尔逊相关系数等于1的充要条件是该两组变量具有线性相关关系
C、皮尔逊相关系数是对称的
D、皮尔逊相关系数刻画了两组变量之间线性相关程度，如果其取值越大，则两者在线性相关的意义下相关程度越大；如果其值越小，表示两者在线性相关的意义下相关程度越小

7、下面对相关性(correlation)和独立性(independence)描述不正确的是（ ）
A、如果两维变量线性不相关，则皮尔逊相关系数等于0
B、如果两维变量彼此独立，则皮尔逊相关系数等于0
C、“不相关”是一个比“独立”要强的概念，即不相关一定相互独立
D、独立指两个变量彼此之间不相互影响

8、下面对主成分分析的描述不正确的是（ ）
A、主成份分析是一种特征降维方法
B、主成分分析可保证原始高维样本数据被投影映射后，其方差保持最大
C、在主成分分析中，将数据向方差最大方向进行投影，可使得数据所蕴含信息没有丢失，以便在后续处理过程中各个数据“彰显个性”
D、在主成分分析中，所得低维数据中每一维度之间具有极大相关度

9、假设原始数据个数为n，原始数据维数为d，降维后的维数为l，下面对主成分分析算法描述不正确的是（ ）
A、主成分分析要学习一个映射矩阵，其大小是d×l
B、每个原始数据的维数大小从d变成了l
C、主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关
D、在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题

10、在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题。下面对主成分分析中优化的目标函数和约束条件描述正确的是 （ ）
A、保证映射投影（即降维后）所得结果方差最大以及投影方向正交（以去除冗余度）
B、保证映射投影方向之间的方差最大以及投影方向正交（以去除冗余度）
C、保证映射投影（即降维后）所得结果相关度最大以及投影后结果方差最大
D、保证映射投影（即降维后）所得结果冗余度最小以及投影后结果方差最大

11、下面对特征人脸算法描述不正确的是（ ）
A、特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法
B、特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像
C、每一个特征人脸的维数与原始人脸图像的维数一样大
D、特征人脸之间的相关度要尽可能大

第4讲 统计机器学习算法应用

第4讲测试

1、下面对逻辑斯蒂回归(logistic regression)描述不正确的是（ ）
A、逻辑斯蒂回归中所使用Sigmoid函数的输出形式是概率输出
B、在逻辑斯蒂回归中，能够实现数据特征加权累加
C、逻辑斯蒂回归是一种非线性回归模型
D、在逻辑斯蒂回归中，输入数据特征加权累加值在接近?∞或+∞附近时，模型输出的概率值变化很大

2、逻辑斯蒂回归模型（logistic regression）属于（ ）
A、监督学习
B、无监督学习
C、半监督学习
D、以上都不是

3、潜在语义分析属于（ ）
A、监督学习
B、无监督学习
C、半监督学习
D、以上都不是

4、线性区别分析属于（ ）
A、监督学习
B、无监督学习
C、半监督学习
D、以上都不是

5、逻辑斯蒂回归函数也可被称为（ ）
A、对数几率回归(log-odds regression)
B、交叉熵回归模型
C、最大似然估计回归模型
D、最大后验估计回归模型

6、在隐性语义分析中，给定M个单词和N个文档所构成的单词-文档矩阵(term-document)矩阵，对其进行分解，将单词或文档映射到一个R维的隐性空间。下面描述不正确的是（ ）
A、单词和文档映射到R维隐性空间后，单词和文档具有相同的维度
B、通过矩阵分解可重建原始单词-文档矩阵，所得到的重建矩阵结果比原始单词-文档矩阵更好捕获了单词-单词、单词-文档、文档-文档之间的隐性关系
C、这一映射过程中需要利用文档的类别信息
D、隐性空间维度的大小由分解过程中所得对角矩阵中对角线上不为零的系数个数所决定

7、线性区别分析(linear discriminant analysis， LDA)在进行数据降维时，原始高维数据被映射到低维空间中后需要达到的优化的目标是（ ）
A、只要保证同一类别样本尽可能靠近
B、只要保证不同类别样本尽可能彼此远离
C、既要保证同一类别样本尽可能靠近，也要保证不同类别样本尽可能彼此远离
D、既要保证不同类别样本尽可能靠近，也要保证同一类别样本尽可能彼此远离

8、LDA(线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（ ）
A、PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关）
B、LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关）
C、假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K?1
D、PCA和LDA均是基于监督学习的降维方法

9、下面对逻辑斯蒂回归（logistic regression)和多项逻辑斯蒂回归模型(multi-nominal logistic model)描述不正确的是（ ）
A、两者都是监督学习的方法
B、多项逻辑斯蒂回归模型也被称为softmax函数
C、两者都可被用来完成多类分类任务
D、逻辑斯帝回归是监督学习，多项逻辑斯蒂回归模型是非监督学习

10、逻辑斯蒂回归和线性区别分析均可完成分类任务，下面描述正确的是（ ）
A、逻辑斯蒂回归可直接在数据原始空间进行分类，线性区别分析需要在降维所得空间中进行分类
B、逻辑斯蒂回归和线性区别分析都是直接在数据原始空间进行分类
C、逻辑斯蒂回归在降维所得空间中进行分类，线性区别分析在数据原始空间进行分类
D、以上都不正确

第5讲 深度学习（I）

第5讲测试

1、在神经网络学习中，每个神经元会完成若干功能，下面哪个功能不是神经元所能够完成的功能（ ）
A、对前序相邻神经元所传递信息进行加权累加
B、对加权累加信息进行非线性变化（通过激活函数）
C、向前序相邻神经元反馈加权累加信息
D、将加权累加信息向后续相邻神经元传递

2、下面对前馈神经网络描述不正确的是（ ）
A、各个神经元接受前一级神经元的输入，并输出到下一级
B、层与层之间通过“全连接”进行连接，即两个相邻层之间神经元完全成对连接
C、同一层内的神经元相互不连接
D、同一层内神经元之间存在全连接

3、下面对感知机网络（Perceptron Networks）描述不正确的是（ ）
A、感知机网络是一种特殊的前馈神经网络
B、感知机网络具有一层隐藏层
C、感知机网络没有隐藏层
D、感知机网络不能拟合复杂数据

4、下面对梯度下降方法描述不正确的是（ ）
A、梯度下降算法是一种使得损失函数最小化的方法
B、梯度反方向是函数值下降最快方向
C、梯度方向是函数值下降最快方向
D、梯度下降算法用来优化深度学习模型的参数

5、下面对误差反向传播 (error back propagation, BP)描述不正确的是（ ）
A、BP算法是一种将输出层误差反向传播给隐藏层进行参数更新的方法
B、BP算法将误差从后向前传递，获得各层单元所产生误差，进而依据这个误差来让各层单元修正各单元参数
C、对前馈神经网络而言，BP算法可调整相邻层神经元之间的连接权重大小
D、在BP算法中，每个神经元单元可包含不可偏导的映射函数

6、我们可以将深度学习看成一种端到端的学习方法，这里的端到端指的是（ ）
A、输入端-输出端
B、输入端-中间端
C、输出端-中间端
D、中间端-中间端

7、在前馈神经网络中，误差后向传播（BP算法）将误差从输出端向输入端进行传输的过程中，算法会调整前馈神经网络的什么参数（ ）
A、输入数据大小
B、神经元和神经元之间连接有无
C、相邻层神经元和神经元之间的连接权重
D、同一层神经元之间的连接权重

8、前馈神经网络通过误差后向传播（BP算法）进行参数学习，这是一种（ ）机器学习手段
A、监督学习
B、无监督学习
C、半监督学习
D、无监督学习和监督学习的结合

9、下面对前馈神经网络这种深度学习方法描述不正确的是（ ）
A、是一种端到端学习的方法
B、是一种监督学习的方法
C、实现了非线性映射
D、隐藏层数目大小对学习性能影响不大

10、下面对浅层学习和深度学习描述不正确的是（ ）
A、K-means聚类是一种浅层学习方法
B、线性回归分析是一种浅层学习方法
C、包含了若干隐藏层的前馈神经网络是一种深度学习方法
D、浅层学习仅能实现线性映射、深度学习可以实现非线性映射

第6讲 深度学习（II）

第6讲测试

1、卷积操作是卷积神经网络所具备的一个重要功能，对一幅图像进行高斯卷积操作的作用是（ ）
A、对图像进行增强
B、对图像进行裁剪
C、对图像进行平滑（模糊化）
D、对图像进行分类

2、对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中，通过误差后向传播来优化调整网络参数，请问下面哪个参数不是通过误差后向传播来优化的（ ）
A、卷积滤波矩阵中的参数
B、全连接层的链接权重
C、激活函数中的参数
D、模型的隐藏层数目

3、下面哪个作用是池化（pooling）层所完成的（ ）
A、下采样
B、图像增强
C、图像裁剪
D、上采样

4、假设我们需要训练一个卷积神经网络，来完成500种概念的图像分类。该卷积神经网络最后一层是分类层，则最后一层输出向量的维数大小可能是（ ）
A、1
B、500
C、300
D、100

5、下面对Word2Vec描述不正确的是（ ）
A、可以根据某个单词的上下文单词来预测该单词，从而训练得到词向量模型
B、可以利用某个单词来分别预测该单词的上下文单词，从而训练得到词向量模型
C、词向量是一种one-hot的单词表达形式
D、词向量是一种分布式的单词表达形式

6、前馈神经网络和卷积神经网络的模型学习均是通过误差后向传播来优化模型参数，因此是一种监督学习方法。

7、一般而言，在深度学习模型中，层数越多，其完成的非线性映射就越复杂，因此模型就具有更强的学习能力。

8、与one-hot的单词表达不同，在词向量模型中，单词和单词之间的共现关系被忽略了。

9、卷积神经网络一般包括卷积层、池化层、全连接层，一般激活函数在卷积层后进行使用。

10、在使用卷积神经网络对图像分类中，一般将最后一层全连接层（即与输出层相连的全连接层）的输出作为每幅图像的特征表达。

中国大学智能ZHKZ原理与技术（黄亮）

随着科学技术的不断进步和人类对于人工智能的需求，中国大学智能ZHKZ原理与技术的课程应运而生。

ZHKZ，即中文汉字卡片，是一种基于汉字概念的语言学习方式。在中国传统文化中，汉字被视为人类文明的瑰宝，而ZHKZ则是利用汉字的形、音、义和类比的特点，通过卡片的形式，帮助人们更好地理解和记忆汉字。

中国大学智能ZHKZ原理与技术课程主要内容包括：

• 汉字基础知识
• ZHKZ的设计与制作
• 教学方法与实践
• 智能化ZHKZ系统的开发

汉字基础知识

在学习ZHKZ之前，需要对汉字的基础知识有一定的了解。汉字是一种表音意文字，具有形、音、义的三重特点。形指汉字的外形，音指汉字的发音，义指汉字所代表的含义。

在汉字的基础知识学习中，需要掌握汉字的基本构造部分，如：“氵”、“火”、“木”等。这些构造部分在组成汉字时起到重要的作用，可以帮助人们更好地理解和记忆汉字。

ZHKZ的设计与制作

ZHKZ的设计与制作是课程中非常重要的内容。在制作ZHKZ时，需要选择适当的汉字和概念，将汉字和概念通过卡片的形式结合在一起。这样可以帮助学生更好地理解汉字的含义和用法，加强记忆效果。

同时，ZHKZ的设计还需要考虑到卡片的颜色、大小、字体等方面，以及搭建相应的数据库和软件系统。

教学方法与实践

在教学方法和实践方面，中国大学智能ZHKZ原理与技术课程强调自主学习和互动式教学。学生需要通过阅读相关资料、制作ZHKZ卡片、参与讨论等方式进行学习。

同时，课程还会安排一些实践活动，如组织ZHKZ比赛、开发智能化ZHKZ系统等，帮助学生更好地应用所学知识，提高实践能力。

智能化ZHKZ系统的开发

智能化ZHKZ系统的开发是课程的重要内容之一。随着人工智能技术的发展，ZHKZ系统也正在向智能化方向不断发展。

智能化ZHKZ系统可以利用机器学习、自然语言处理等技术，对学生的学习情况进行分析和评估，为学生提供更加个性化的教学方案。

结语

中国大学智能ZHKZ原理与技术（黄亮）课程，不仅是一个具有传统文化底蕴的汉字学习方式，更是人工智能技术与语言学习的结合。它不仅可以帮助人们更好地理解和记忆汉字，还可以为人工智能技术的发展提供支持。