超星人工智能导论_10章节答案(学习通2023完整答案)
63 min read超星人工智能导论_10章节答案(学习通2023完整答案)
第一讲 人工智能概述单元测试
1、超星人工智能中通常把（ ）作为衡量机器智能的人工准则。
A、智能章节整答图灵机
B、导论答案图灵测试
C、学习中文屋思想实验
D、通完人类智能
2、超星人工智能的人工目的是让机器能够（ ），以实现某些脑力劳动的智能章节整答机械化。
A、导论答案具有智能
B、学习和人一样工作
C、通完完全代替人的超星大脑
D、模拟、人工延伸和扩展人的智能章节整答智能
3、人类智能的特征包括（ ）。
A、感知能力
B、记忆与思维能力
C、学习能力
D、行为能力
4、人工智能研究的基本内容包括（ ）。
A、机器行为
B、机器感知
C、机器思维
D、机器学习
5、一般认为人类智能是知识与智力的总和，其中知识是一切智能行为的基础，而智力是获取知识并应用知识求解问题的能力。
6、电子计算机的诞生为人工智能的研究奠定了物质基础。
第二讲 一阶谓词逻辑知识表示法
第二讲 一阶谓词逻辑知识表示法单元测试
1、李明的父亲是教师，用谓词逻辑可以表示为Teacher（father（Liming））这里father（Liming）是（ ）
A、常量
B、变元
C、函数
D、一元谓词
2、（ ）表示“每个人都有喜欢的人”。
A、
B、
C、
D、
3、对于谓词公式，以下说法错误的是（ ）。
A、上述公式中的所有 y 是自由变元。
B、P(x, y) 中的 x 是约束变元。
C、R(x, y) 中的 x 是约束变元。
D、Q(x, y) 中的 x 是约束变元。
4、一阶谓词逻辑表示的优点是（ ）
A、自然性
B、精确性
C、严密性
D、易实现
5、下列（ ）是谓词公式。
A、P(x)
B、P(x)
C、P(x)Q(x)
D、P(x)+Q(x)R(x)
6、一个命题不能同时既为真又为假，但可以在一种条件下为真，在另一种条件为假。
7、命题逻辑可以把所描述的事物的结构及其逻辑特征反映出来，也能把不同事物间的共同特征表述出来。
8、一阶谓词逻辑表示法可以表示不确定的知识。
第三讲 产生式表示法和框架表示法
第三讲 产生式表示法和框架表示法单元测试
1、不适合用产生式表示法表示的知识是（ ）
A、由许多相对独立的知识元组成的领域知识
B、可以表示为一系列相对独立的求解问题的操作
C、具有结构关系的知识
D、具有经验性及不确定性的知识
2、下列不是框架表示法特点的是（ ）
A、结构性
B、模块性
C、继承性
D、自然性
3、产生式是蕴含式。
4、框架表示法不能表示具有因果关系的知识。
5、产生式系统求解问题的过程是一个反复进行“匹配--冲突消解--执行”的过程。
6、框架的槽值或侧面值不能是另一个框架的名字。
7、一个产生式系统由规则库、推理机、综合数据库三部分组成。
8、产生式有固定的格式，每一条产生式规则都由前提与结论（操作）两部分组成。
第七讲 搜索求解策略
第七讲 搜索求解策略单元测试
1、依据估价函数f(x)=g(x)+h(x) (其中g(x)为初始节点到节点x已实际付出的代价，h(x)是节点x到目标节点的最优路径的估计代价）对OPEN表中的节点进行排序，并且要求启发函数满足( )，则称这种状态空间图的搜索算法为A*算法。
A、h(x)≤h*(x)
B、h(x)≥h*(x)
C、h(x)≠h*(x)
D、h(x)>h*(x)
2、如果问题存在最优解，则下面几种搜索算法中，（ ）可以认为是“智能程度相对比较高”的算法。
A、宽度优先搜索
B、深度优先搜索
C、有界深度优先搜索
D、启发式搜索
3、在启发式图搜索策略中，下面描述正确的是（ ）
A、open表用于存放所有已生成的节点。
B、open表用于存放已扩展过的节点。
C、closed表表用于存放所有已生成而未扩展的节点。
D、closed表用于存放已扩展过的节点。
4、在估价函数中，对于g(x)和h(x) 下面描述正确的是（ ）
A、g(x)是从初始节点到节点x的最优路径的估计代价
B、h(x)是从节点x到目标节点的最优路径的估计代价
C、g(x)是从初始节点到节点x的实际代价
D、h(x)是从节点x到目标节点的实际代价
5、在图搜索算法中，如果按估价函数作为OPEN表中的结点排序的依据，则该算法就是深度优先算法。
第四讲 基于谓词逻辑的推理方法
第四讲 基于谓词逻辑的推理方法单元测试
1、从初始证据出发，按某种策略不断运用知识库中的已知知识，逐步推出结论的过程称为推理。
2、任何文字的合取式称为子句。
3、空子句是可以满足的。
4、谓词公式不可满足的充要条件是其子句集不可满足。
5、对于一阶谓词逻辑，若子句集是不可满足的，则必存在一个从该子句集到空子句的归结演绎。
6、对于一阶谓词逻辑，如果没有归结出空子句，则说明原谓词公式是不可满足的。
第五讲 可信度方法和证据理论
第五讲 可信度方法和证据理论单元测试
1、如果证据E的出现使得结论H一定程度为真，则可信度因子（ ）
A、
B、
C、
D、
2、在可信度方法中，若证据A的可信度CF（F）=0, 这意味：（ ）
A、证据A不可信
B、对证据A一无所知
C、证据A可信
D、没有意义
3、在证据理论中，信任函数与似然函数对（Bel（A），Pl（A））的值为（0，0）时，表示（ ）
A、A为真
B、对A一无所知
C、A为假
D、对A为真有一定信任
4、不确定推理中，除了需要解决推理方法、推理方向、控制策略外，还需解决（ ）
A、不确定的表示与度量
B、不确定性的传递算法
C、组合证据不确定性的算法
D、结论不确定性的合成
5、基本概率分配函数之值是概率。
第八讲 遗传算法及其应用
第八讲 遗传算法及其应用单元测试
1、遗传算法主要借用生物进化中“适者生存”的规律。
2、遗传算法的适应度函数是用来区分群体中的个体好坏的标准。
3、遗传算法中起核心作用的是变异算子。
4、遗传算法采用群体搜索策略，同时对搜索空间中的多个解进行评估，因此遗传算法具有较好的全局搜索性能。
5、遗传算法能够保证每次都得到全局最优解。
6、生物进化过程中选择通过遗传和变异起作用，同时又使变异和遗传向着适应环境方向发展。
7、生物进化过程中遗传控制变异与选择的方向，变异为选择提供资料，遗传巩固与积累选择的资料。
8、在遗传算法中，将所有妨碍适应度值高的个体产生，从而影响遗传算法正常工作的问题统称为欺骗问题。
9、在遗传算法应用中，适应度函数的设计要结合问题本身的要求而定，但适应度函数和问题的目标函数没有关系。
10、在遗传算法中，适应度大的个体被选择的概率大，但不是说一定能够被选上。
第十二讲 BP神经网络和Hopfield神经网络
第十二讲 BP神经网络和Hopfield神经网络单元测试
1、Hopfield神经网络的结构与BP神经网络不同，它是（ ）
A、单层的非全互连的反馈型神经网络
B、单层的全互连的反馈型神经网络
C、多层的非全互连的反馈型神经网络
D、多层的全互连的反馈型神经网络
2、关于离散型Hopfield神经网络的稳定性，下面叙述正确的是（ ）
A、只要连接权值构成的矩阵是非负定矩阵，该网络就具有串行稳定性
B、只要连接权值构成的矩阵是非负定矩阵，该网络就具有并行稳定性
C、只要连接权值构成的矩阵是非负对角元的对称矩阵，该网络就具有串行稳定性
D、只要连接权值构成的矩阵是非负对角元的对称矩阵，该网络就具有并行稳定性
3、Hopfield神经网络用于联想记忆时，网络的记忆容量与（ ）有关
A、神经元个数
B、连接权值的设计
C、所要求的联想范围大小
D、记忆样本的性质
4、实现Hopfield神经网络联想记忆的关键是网络到达记忆样本能量函数极小点时，确定网络的神经元间连接权值和阈值等参数。
5、如果将Hopfield神经网络的稳态作为一个优化问题的目标函数极小点，那么初态朝稳态的收敛过程就是优化计算的过程。
第十三讲 深度神经网络及其应用
第十三讲 深度神经网络及其应用单元测试
1、卷积神经网络是一个全连接的神经网络，中间隐层通常包含多个卷积层。
2、卷积是一种有效提取图片特征的方法。一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每一个像素值乘卷积核内相对应点的权重，然后求和，再加上偏置后，最后得到输出图片中的一个像素值。
3、卷积神经网络中，对不同位置的特征进行聚合统计,称为池化 (pooling)。池化不会丢失图像的信息，也不会降低其空间分辨率。
4、胶囊网络是由胶囊组成的，一个胶囊就是一个神经元。
5、胶囊网络中，胶囊会学习检测给定区域(例如一个矩形)图像的特定目标,它输出一个向量(例如一个八维向量)，向量的长度代表目标存在的概率估计。
6、生成对抗网络（GAN）在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量辨别出G生成的假图像和真实的图像。这样，G和D构成了一个动态的“博弈过程”，最终的平衡点即纳什均衡点。
第十一讲 机器学习
第十一讲 机器学习单元测试
1、关于逻辑回归算法，以下描述不正确的是（ ）
A、逻辑回归是一种有监督学习方法
B、逻辑回归仅能解决二分类问题
C、逻辑回归训练问题是凸优化问题
D、逻辑回归训练问题能采用梯度下降策略求解
2、关于线性回归，以下说法错误的是（ ）
A、线性回归是一种有监督学习算法
B、线性回归能够求解直线（或超平面）拟合问题
C、线性回归能够求解二次曲线拟合问题
D、线性回归模型能够通过梯度下降策略训练
3、机器学习的主要目标是解决以下哪些问题?
A、分类
B、回归
C、聚类
D、自动定理证明
E、信息挖掘
4、与有监督学习相比，下面哪些属于半监督学习的优势?
A、能够节约大规模数据标注带来的时间和费用开销
B、在标注数据量有限时，采用半监督学习有望训练得到更优的机器学习模型
C、半监督学习的数学优化问题更容易求解
D、半监督学习的模型训练时间更短
5、以下哪些机器学习算法是无监督学习算法?
A、逻辑回归
B、线性回归
C、k-means
D、Q学习算法
E、决策树
F、随机森林
学习通人工智能导论_10
在上一节中，我们了解了基于规则的专家系统，现在我们将介绍另一个重要的AI算法-神经网络。
神经网络
神经网络是一种基于生物神经网络的数学计算模型，它可以模拟人类和动物的神经系统。它由一组称为神经元的节点组成，这些节点通过连接称为突触的边相互连接。
一个神经元接收多个输入信号，为每个输入信号分配一个权重，然后将所有加权和传递给一个激活函数，该函数决定神经元是否会向下一组神经元传递信息。
神经网络能够学习数据的内在表示，以便进行分类和预测。神经网络由多个层组成，每个层包含多个神经元。输入层将数据输入网络，输出层输出模型的最终预测结果。
反向传播算法
反向传播算法是训练神经网络的一种常见方法。它通过不断调整神经元之间的权重，来优化模型的性能。
反向传播算法的目标是最小化代价函数，该函数度量模型预测结果与实际结果之间的误差。该算法从输出层开始，计算每个神经元对代价函数的贡献，然后将误差传播回网络的每一层，最终更新所有权重。
深度学习
深度学习是一种使用深层神经网络的机器学习技术，它已经在图像识别、语音识别和自然语言处理等领域取得了显著的成果。
深度学习模型通常包含多个隐藏层，这些层可以学习数据的更高级别的特征表示。与传统机器学习算法相比，深度学习可以处理更高维度的数据，例如图像和语音数据。
总结
神经网络和深度学习是人工智能领域中最重要的算法之一。它们可以学习数据的内在表示，并用于分类、预测和生成任务。了解这些算法的工作方式和优缺点，对于成为一名优秀的AI工程师至关重要。
