《人工智能導論》第2版 題庫

PAGE20 人工智能導論（第2版） 作業(yè)題庫與參考答案 PAGE21人工智能導論（第2人工智能導論（第2版）作業(yè)題庫與參考答案作業(yè)題庫與參考答案第1章概述1.人工智能（AI）領域涉及理解和構(gòu)建（），確保這些智能實體機器在各種各樣新奇的情況下有效和安全地行動。A.綜合部件 B.實體算法 C.智慧軟體 D.智能實體2.人工智能對世界的影響“將超過迄今為止人類歷史上的任何事物”，它包含大量不同的子領域，從（）等通用領域到下棋、證明數(shù)學定理、寫詩、駕車或診斷疾病等。=1\*GB3①自然 =2\*GB3②學習 =3\*GB3③推理 =4\*GB3④感知A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④3.幾千年來，人類一直在利用工具幫助其思考。最原始的工具之一可能就是（）了。中世紀無處不在的計數(shù)板就直接來源于此。A.算盤 B.小鵝卵石 C.電腦 D.計算器4.傳說在13世紀左右，想學加法和減法上德國的學校就足夠了，但如果還想要學乘法和除法，那就必須去意大利才行，這是因為當時（）。A.德國沒有大學 B.意大利人更聰明C.意大利文化比德國文化高明 D.所有數(shù)字都用羅馬數(shù)字寫成5.今天人們所使用的十進制是（）數(shù)學家想出的方法。這個概念一路向西傳到歐洲，曾經(jīng)遭遇無數(shù)質(zhì)疑和抵制，最終取代了原來的舊數(shù)制，大大提高了人們計算速度和解答復雜問題的能力。A.西班牙 B.中國 C.印度 D.埃及6.1821年，英國數(shù)學家兼發(fā)明家查爾斯·巴貝奇開始了對數(shù)學機器的研究，他研制的第一臺數(shù)學機器叫（）。A.千分尺 B.差分機 C.計算器 D.分析機7.1842年，巴貝奇請求埃達幫他將一篇與機器相關的法文文章翻譯成英文。埃達在翻譯注解中包含了一套機器編程系統(tǒng)，埃達也被后人稱為第一位（）。A.計算機程序員 B.法文翻譯家C.機械工程師 D.數(shù)據(jù)科學家8.“機器人（Robot）”的稱呼最初源于（）。A.1946年圖靈的一篇論文 B.1920年卡雷爾·恰佩克的一部舞臺劇C.1968年諾伊曼的一部手稿 D.1934年卡斯特羅的一次演講9.最初，“計算機（Computer）”這個詞指的是（）。A.計算的機器 B.做計算的人 C.電腦 D.計算桌10.被譽為世界上第一臺通用電子數(shù)字計算機的是（）。A.ENIAC B.Colossus C.Ada D.SSEM11.今天，計算機幾乎存在于所有電子設備之中，只是因為它比其他選項都要（），這類計算機通常被稱為嵌入式計算機。A.易用 B.穩(wěn)定 C.快速 D.便宜12.現(xiàn)代計算機可以被定義為“在可改變的程序的控制下，存儲和操縱信息的機器”。該定義有（）兩個關鍵要素。=1\*GB3①計算機是用于操縱信息的設備=2\*GB3②計算機復雜，難懂，難以被仿制=3\*GB3③計算機是唯一能操縱信息的機器=4\*GB3④計算機在可改變的程序的控制下運行A.=2\*GB3②=3\*GB3③ B.=1\*GB3①=4\*GB3④ C.=1\*GB3①=2\*GB3② D.=3\*GB3③=4\*GB3④13.就像詞匯構(gòu)成語言一樣，計算機理解的（）構(gòu)成了計算機語言，也就是機器代碼，這是一種用數(shù)值表示的復雜語言。A.指令 B.編號 C.符號 D.函數(shù)14.計算機科學家常常會談及建立某個過程或物體的模型，這個“模型”指的是（）。A.類似航模這樣的手工藝品 B.機械制造業(yè)中的模具C.寫出事件運作的所有方程式并進行計算D.拿卡紙和軟木制作的一個復制品15.人工智能最根本也最宏偉的目標之一就是建立（）的計算機模型。完美模型固然最好，但精確性稍遜的模型也同樣十分有效。A.模擬自然 B.復雜機器 C.動物智慧 D.人腦那樣16.歷史上，研究人員研究過幾種不同版本的人工智能。追求（）必須在某種程度上是與心理學相關的經(jīng)驗科學，包括對真實人類行為和思維過程的觀察和假設。A.動物智慧 B.理性主義 C.類人智能 D.靈活浪漫17.歷史上，研究人員研究過幾種不同版本的人工智能。追求（）涉及數(shù)學和工程的結(jié)合，并與統(tǒng)計學、控制理論和經(jīng)濟學相聯(lián)系。A.動物智慧 B.理性主義 C.類人智能 D.靈活浪漫18.目前，為計算機編程使其能夠通過嚴格的圖靈測試尚有大量工作要做。除了自然語言處理之外，計算機還需要具備（）能力。=1\*GB3①知識表示 =2\*GB3②節(jié)約成本 =3\*GB3③自動推理 =4\*GB3④機器學習A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=2\*GB3②=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=1\*GB3①=3\*GB3③=4\*GB3④19.其他研究者提出的完全圖靈測試需要與真實世界中的對象進行交互。為了通過完全圖靈測試，除了達到圖靈測試的要求之外，“對象”還需要具備（）能力。=1\*GB3①計算機視覺和語音識別功能，以感知世界=2\*GB3②機器人學，以操縱對象并行動=3\*GB3③簡化運算，以減少運行成本 =4\*GB3④自動編程，提高運籌與數(shù)據(jù)分析水平A.=1\*GB3①=2\*GB3② B.=3\*GB3③=4\*GB3④ C.=1\*GB3①=3\*GB3③ D.=2\*GB3②=4\*GB3④20.我們必須知道人類是如何思考的，才能評價程序是否像人類一樣思考?？梢酝ㄟ^（）3種方式來了解人類的思維。=1\*GB3①外延 =2\*GB3②內(nèi)省 =3\*GB3③心理實驗 =4\*GB3④大腦成像A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③第2章模糊邏輯與大數(shù)據(jù)思維1.模糊邏輯模仿人腦的不確定性概念判斷、推理思維方式，實行模糊綜合判斷，推理解決常規(guī)方法難以對付的（）型模糊信息問題。A.隨機 B.規(guī)則 C.條理 D.邏輯2.大數(shù)據(jù)是人工智能的基礎。大數(shù)據(jù)時代，人們對待數(shù)據(jù)的思維方式會發(fā)生（）三個變化。=1\*GB3①人們更加重視數(shù)據(jù)的精確性，重視個別關鍵數(shù)據(jù)=2\*GB3②人們處理的數(shù)據(jù)從樣本數(shù)據(jù)變成全部數(shù)據(jù)=3\*GB3③由于是全樣本數(shù)據(jù)，人們不得不接受數(shù)據(jù)的混雜性，而放棄對精確性的追求=4\*GB3④人類通過對大數(shù)據(jù)的處理，放棄對因果關系的渴求，轉(zhuǎn)而關注相關關系A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③3.計算機的二進制邏輯通常只有兩種狀態(tài)：要么是真要么是假，現(xiàn)實生活中（）這么一刀切的情況。A.很少有 B.常見 C.基本都是 D.完全都是4.常規(guī)邏輯的規(guī)則情況只有兩種，即不是1就是0。而在模糊邏輯中，每一個情況的真值可以是0到1中間的（）值。A.某個 B.某一組 C.任何 D.特定5.專家系統(tǒng)是利用人類專長建立起來的，可以提供程序使用的明確規(guī)則。而利用模糊邏輯，可以制定與專家所言（）規(guī)則。A.更多的 B.相反的 C.不同的 D.一致的6.所謂模糊邏輯，是建立在（）邏輯基礎上，運用模糊集合的方法來研究模糊性思維、語言形式及其規(guī)律的科學。A.單值 B.多值 C.形式 D.數(shù)理7.模糊邏輯善于表達界限不清晰的定性知識與經(jīng)驗，它區(qū)分模糊集合，處理模糊關系，模擬人腦實施規(guī)則型推理，解決種種（）問題。A.不確定 B.確定 C.精確 D.重要8.建立在二值邏輯基礎上的原有的邏輯與數(shù)學難以描述和處理現(xiàn)實世界中許多（），模糊數(shù)學與模糊邏輯就是要對其進行精確的描述和處理。A.極值現(xiàn)象 B.重復對象 C.復雜問題 D.模糊性對象9.（）的引入，可將人的判斷、思維過程用簡單數(shù)學形式表達出來，從而使對復雜系統(tǒng)做出合乎實際的、符合人類思維方式的處理成為可能，為經(jīng)典模糊控制器的形成奠定基礎。A.精確計算 B.統(tǒng)計科學 C.模糊集合 D.隨機抽樣10.1965年，美國加利福尼亞大學自動控制理論專家查德在關于（）的一系列論著中首先提出了模糊集合的概念，標志著模糊數(shù)學的誕生。A.數(shù)值方法 B.模糊控制 C.邏輯運算 D.數(shù)字理論11.創(chuàng)立和研究模糊邏輯的主要意義在于（）。=1\*GB3①運用模糊邏輯變量、模糊邏輯函數(shù)和似然推理等新思想、新理論，從邏輯思想上為研究模糊性對象指明了方向=2\*GB3②在數(shù)學基礎研究方面，模糊邏輯發(fā)展完善，無須進一步優(yōu)化=3\*GB3③在原有的布爾代數(shù)、二值邏輯等數(shù)學和邏輯工具難以描述和處理的自動控制過程、疑難病癥的診斷、大系統(tǒng)的研究等方面，都具有獨到之處=4\*GB3④在方法論上，從精確性到模糊性、從確定性到不確定性的研究提供了正確的研究方法A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④12.模糊邏輯系統(tǒng)是指利用模糊概念和模糊邏輯構(gòu)成的系統(tǒng)。最常見的模糊邏輯系統(tǒng)有（）三類。=1\*GB3①純模糊邏輯系統(tǒng) =2\*GB3②高木-關野模糊邏輯系統(tǒng)=3\*GB3③具有模糊產(chǎn)生器以及模糊消除器的模糊邏輯系統(tǒng)=4\*GB3④高斯復合模糊邏輯系統(tǒng)A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③13.生產(chǎn)資料是人類文明的核心。農(nóng)業(yè)時代生產(chǎn)資料是土地，工業(yè)時代生產(chǎn)資料是機器，數(shù)字時代生產(chǎn)資料是（）。A.能源 B.數(shù)據(jù) C.信息 D.物資14.勞動方式是人類文明的重要表征。智能時代基于數(shù)字勞動而不斷推動和豐富著“（）”。A.信息文明 B.機器文明 C.數(shù)字文明 D.手工文明15.當面臨大量數(shù)據(jù)時，社會都依賴于采樣分析。但是采樣分析是（）時代的產(chǎn)物。A.電腦 B.青銅器 C.模擬數(shù)據(jù) D.云16.因為大數(shù)據(jù)是建立在（），所以我們就可以正確地考察細節(jié)并進行新的分析。A.掌握所有數(shù)據(jù)，至少是盡可能多的數(shù)據(jù)的基礎上的B.在掌握少量精確數(shù)據(jù)的基礎上，盡可能多地收集其他數(shù)據(jù)C.掌握少量數(shù)據(jù)，至少是盡可能精確的數(shù)據(jù)的基礎上的D.盡可能掌握精確數(shù)據(jù)的基礎上17.直到今天，我們的數(shù)字技術(shù)依然建立在精準的基礎上，這種思維方式適用于掌握（）的情況。A.多數(shù)據(jù)量 B.大數(shù)據(jù)量 C.無數(shù)據(jù)量 D.小數(shù)據(jù)量18.尋找（）是人類長久以來的習慣，即使確定這樣的關系很困難而且用途不大，人類還是習慣性地尋找緣由。A.相關關系 B.因果關系 C.信息關系 D.組織關系19.在大數(shù)據(jù)時代，我們無須再緊盯事物之間的（），而應該尋找事物之間的（），這會給我們提供非常新穎且有價值的觀點。A.因果關系，相關關系 B.相關關系，因果關系C.復雜關系，簡單關系 D.簡單關系，復雜關系20.人工智能，特別是機器學習，需要（）來建立其智能，甚至可以說，沒有它就沒有人工智能。A.網(wǎng)絡 B.算法 C.專家 D.數(shù)據(jù)第3章智能體與智能代理1.智能體是人工智能領域中一個很重要的概念，它是指能（）的軟件或者硬件實體，任何獨立的能夠思考并可以同環(huán)境交互的實體都可以抽象為智能體。A.獨立計算 B.關聯(lián)處理 C.自主活動 D.受控移動2.在社會科學中，智能代理是一個（）的人或其他系統(tǒng)，它根據(jù)感知世界得到的信息做出舉動來影響這個世界。A.理性且自主 B.感性且自主 C.理性且集中 D.感性且集中3.任何通過（）感知環(huán)境并通過（）作用于該環(huán)境的事物都可以被視為智能體。A.執(zhí)行器，傳感器 B.傳感器，執(zhí)行器C.分析器，控制器 D.控制器，分析器4.使用術(shù)語（）來表示智能體的傳感器知覺的內(nèi)容。一般而言，一個智能體在任何給定時刻的動作選擇，可能取決于其內(nèi)置知識和迄今為止觀察到的整個信息序列。A.感知 B.視線 C.關聯(lián) D.體驗5.在內(nèi)部，人工智能體的（）將由（）實現(xiàn)，區(qū)別這兩種觀點很重要，前者是一種抽象的數(shù)學描述，而后者是一個具體的實現(xiàn)，可以在某些物理系統(tǒng)中運行。A.執(zhí)行器，服務器 B.服務器，執(zhí)行器C.智能體程序，智能體函數(shù) D.智能體函數(shù)，智能體程序6.事實上，機器沒有自己的欲望和偏好，至少在最初，（）是在機器設計者的頭腦中或者是在機器受眾的頭腦中。A.感知條件 B.視覺效果 C.性能度量 D.體驗感受7.對智能體來說，任何時候，理性取決于對智能體定義成功標準的性能度量以及（）等4個方面。=1\*GB3①在物質(zhì)方面的積累 =2\*GB3②對環(huán)境的先驗知識=3\*GB3③可以執(zhí)行的動作 =4\*GB3④到目前為止的感知序列。A.=1\*GB3①=2\*GB3②=3\*GB3③ B.=2\*GB3②=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④8.在設計智能體時，第一步始終是盡可能完整地指定任務環(huán)境，它（PEAS）包括傳感器以及（）。=1\*GB3①性能 =2\*GB3②環(huán)境 =3\*GB3③函數(shù) =4\*GB3④執(zhí)行器A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④9.如果智能體的傳感器能讓它在每個時間點都能訪問環(huán)境的完整狀態(tài)，那么就說任務環(huán)境是（）的。A.有限可觀測 B.非可觀測 C.有效可觀測 D.完全可觀測10.在（）環(huán)境中，通信通常作為一種理性行為出現(xiàn)：在某些競爭環(huán)境中，隨機行為是理性的，因為它避免了一些可預測性的陷阱。A.單智能體 B.多智能體 C.復合智能體 D.離線智能體11.如果環(huán)境的下一個狀態(tài)完全由當前狀態(tài)和智能體執(zhí)行的動作決定，那么就說環(huán)境是（）。A.靜態(tài)的 B.動態(tài)的 C.確定性的 D.非確定性的12.通常，大部分人工智能應用都是一個（）的程序系統(tǒng)，在前期實驗性操作成功的基礎上，無法按比例放大至可用規(guī)模。A.獨立和細小 B.關聯(lián)和具體 C.關聯(lián)和龐大 D.獨立和龐大13.有4種基本的智能體程序，它們體現(xiàn)了幾乎所有智能系統(tǒng)的基本原理，每種智能體程序以特定的方式組合特定的組件來產(chǎn)生動作。其中，簡單反射型是最簡單的智能體，其他基本形式還有（）。=1\*GB3①基于動態(tài)理論型 =2\*GB3②基于目標型=3\*GB3③基于模型反射型 =4\*GB3④基于效用型A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④14.斯坦福大學的海耶斯·羅斯認為：智能代理持續(xù)地執(zhí)行（）3項功能。=1\*GB3①感知環(huán)境中的動態(tài)條件=2\*GB3②執(zhí)行動作影響環(huán)境=3\*GB3③進行推理以解釋感知信息，求解問題，產(chǎn)生推理和決定動作=4\*GB3④感知環(huán)境中的靜態(tài)參數(shù)A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③15.智能代理是一套輔助人和充當他們代表的軟件，一般具有（）等多個特點。=1\*GB3①代理性 =2\*GB3②臨時性 =3\*GB3③智能性 =4\*GB3④移動性A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④16.人們在智能代理程序中設置的一些（）甚至可以在不同計算機上運行，但依然遵循所設計的層次協(xié)同合作原理。A.串聯(lián)信號 B.關聯(lián)數(shù)據(jù) C.獨立模塊 D.隨機函數(shù)17.通過離散各個部分，智能代理的（）大大降低，使程序編寫和維護更加簡單。通過系統(tǒng)內(nèi)的協(xié)同合作，完全可以修改某些模塊而不影響任何其他模塊。A.復雜度 B.關聯(lián)度 C.獨立性 D.隨機性18.在人工智能領域中，多個（）在一個系統(tǒng)中協(xié)同作業(yè)，各自負責自己最擅長的工作。為了執(zhí)行任務，它們需要與其他做不同工作的個體溝通。各自都對環(huán)境進行感知，其環(huán)境由任務所決定。A.復雜組件 B.關聯(lián)程序 C.機器人組 D.智能代理19.所有相關的智能代理獨立程序彼此間需要交流，這通常是通過（）來完成的。A.隨機組合 B.傳遞信息 C.直接控制 D.系統(tǒng)中斷20.智能代理系統(tǒng)的適用場景有很多，例如包括（）。=1\*GB3①有限元計算 =2\*GB3②實體機器人 =3\*GB3③電腦游戲 =4\*GB3④股票、期貨交易A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④第4章知識表示及其方法1.知識是信息（）通過對信息的提煉和推理而獲得的正確結(jié)論，是人對自然世界、人類社會以及思維方式與運動規(guī)律的認識與掌握，是人類大腦通過思維重新組合和系統(tǒng)化的信息集合。A.數(shù)據(jù)庫 B.聚合商 C.生產(chǎn)者 D.接受者2.知識與知識表示是人工智能中的一項重要的基本技術(shù)，它決定著人工智能如何進行（）。A.知識學習 B.知識存儲 C.知識產(chǎn)生 D.知識爆炸3.在信息時代，有許多可以處理和存儲大量信息的計算機系統(tǒng)。信息包括數(shù)據(jù)和事實。數(shù)據(jù)、事實、信息和知識之間存在著（）關系。A.因果 B.重疊 C.層次 D.網(wǎng)狀4.下列關于知識的敘述中，正確的是（）。=1\*GB3①知識是信息接受者通過對信息的提煉和推理而獲得的正確結(jié)論=2\*GB3②知識是銘刻在書本上不朽的真理=3\*GB3③知識是人對自然世界、人類社會以及思維方式與運動規(guī)律的認識與掌握=4\*GB3④知識是人的大腦通過思維重新組合和系統(tǒng)化的信息集合A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④5.在人工智能中，從便于表示和運用的角度出發(fā)，將知識分為（）。=1\*GB3①對象 =2\*GB3②執(zhí)行 =3\*GB3③元知識 =4\*GB3④事件和事件序列A.=1\*GB3①=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=4\*GB3④6.以下關于“知識表示”的敘述中合適的是（）。=1\*GB3①是指把知識客體中的知識因子與知識關聯(lián)起來，便于人們識別和理解知識=2\*GB3②是對知識的一種描述，或者說是一種計算機可以接受的用于描述知識的數(shù)據(jù)結(jié)構(gòu)=3\*GB3③在知識組織的基礎上產(chǎn)生知識表示方法=4\*GB3④是能夠完成對專家的知識進行計算機處理的一系列技術(shù)手段A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③7.對于人類而言，一個好的知識表示應該具有的特征包括（）。=1\*GB3①它應該是透明的，即容易理解=2\*GB3②無論是通過語言、視覺、觸覺、聲音或者這些組合，都對我們的感官產(chǎn)生影響=3\*GB3③從所表示的世界的真實情況方面考查，它講述的故事應該讓人容易理解=4\*GB3④良好的表示與機器龐大的存儲器和極快的處理速度其實無關A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④8.一幅相關的圖片或圖形可以相對簡潔地傳達故事或消息。（）是一種非正式的繪圖，或者說是對場景、過程、心情或系統(tǒng)的概括。A.螺旋圖 B.圖形草圖 C.圓餅圖 D.場景圖9.（）是知識表示的重要工具，因為它是表示狀態(tài)、替代路徑和可度量路徑的自然方式。A.數(shù)組 B.表 C.圖 D.線段10.如果需要應用如最佳優(yōu)先搜索算法這樣的分析方法，使用（）表示最合適。A.搜索樹 B.計算器 C.矩陣 D.圖形11.本質(zhì)上，人工智能與決策相關。如果需要一種好的方式來評估要求做出決策的環(huán)境，（）通常使用一個“IF[條件]THEN[動作]”形式規(guī)則集來表示。A.搜索樹 B.產(chǎn)生式系統(tǒng) C.圖形 D.框架法12.（）是一種基于繼承、多態(tài)性和封裝概念的編程范式，這種范式可以直觀、自然地反映人類經(jīng)驗。A.產(chǎn)生式系統(tǒng) B.框架法 C.面向?qū)ο? D.圖形13.（）的知識表示方法是一種以對象為中心，把對象的屬性、動態(tài)行為、領域知識和處理方法等有關知識封裝在表達對象的結(jié)構(gòu)中的混合知識表示形式。A.產(chǎn)生式系統(tǒng) B.圖形 C.搜索樹 D.面向?qū)ο?4.（）知識表示方法把某一特殊事件或?qū)ο蟮乃兄R儲存在一種復雜的數(shù)據(jù)結(jié)構(gòu)中。A.框架法 B.產(chǎn)生式系統(tǒng) C.搜索樹 D.面向?qū)ο?5.（）是知識表示中最重要的通用形式之一，它是通過概念及其語義關系來表達知識的一種網(wǎng)絡圖。A.框架法 B.語義網(wǎng)絡 C.搜索樹 D.面向?qū)ο?6.語義網(wǎng)絡利用（）構(gòu)成的有向圖描述事件、概念、狀況、動作及客體之間的關系。帶標記的有向圖能十分自然的描述客體之間的關系。=1\*GB3①節(jié)點 =2\*GB3②頂點 =3\*GB3③無標記邊 =4\*GB3④帶標記邊A.=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3② C.=1\*GB3①=4\*GB3④ D.=2\*GB3②=3\*GB3③17.作為知識表示的一種形式，語義網(wǎng)絡對計算機程序員和研究人員大有用途，但是缺少（）這兩個元素。在其他形式的知識表示中，它們是直接可用的。=1\*GB3①規(guī)模 =2\*GB3②精度 =3\*GB3③準確性 =4\*GB3④集合成員關系A.=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3② C.=1\*GB3①=3\*GB3③ D.=2\*GB3②=4\*GB3④18.理解知識圖譜的概念，有兩個關鍵詞，即（）。=1\*GB3①語義網(wǎng)絡 =2\*GB3②大規(guī)模 =3\*GB3③高精度 =4\*GB3④廣泛性A.=1\*GB3①=2\*GB3② B.=1\*GB3①=3\*GB3③ C.=2\*GB3②=4\*GB3④ D.=3\*GB3③=4\*GB3④19.知識圖譜是實現(xiàn)機器認知智能的基礎。機器認知智能的兩個核心能力：（），均與知識圖譜有著密切關系。=1\*GB3①擴展 =2\*GB3②理解 =3\*GB3③解釋 =4\*GB3④反饋A.=1\*GB3①=4\*GB3④ B.=2\*GB3②=3\*GB3③ C.=1\*GB3①=3\*GB3③ D.=2\*GB3②=4\*GB3④20.知識圖譜系統(tǒng)的生命周期包含四個重要環(huán)節(jié)，即知識表示和（）。這四個環(huán)節(jié)循環(huán)迭代。=1\*GB3①知識獲取 =2\*GB3②知識計算 =3\*GB3③知識管理 =4\*GB3④知識應用A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=4\*GB3④第5章規(guī)則與專家系統(tǒng)1.作為早期人工智能的一個重要分支，（）實現(xiàn)了人工智能從理論研究走向?qū)嶋H應用、從一般推理策略探討轉(zhuǎn)向運用專門知識的重大突破。A.專家系統(tǒng) B.精確算法 C.軟件工程 D.智能機器2.事實上，大多數(shù)人（）專家，這與早期的人類觀點相反。A.都可以成為 B.可以在各個領域成為C.無師自通，自成 D.只有在自己的專業(yè)領域才是3.國際象棋大師（）創(chuàng)建生活中其他事物啟發(fā)法、規(guī)則、方法的大師，對于數(shù)學博士、醫(yī)生或律師來說也是如此。A.大部分是 B.基本不是 C.通常都是 D.沒有可能成為4.我們所知道的是，人們在掌握任何特定領域知識之前，（）。A.需要長期的學習 B.通常都是天才C.只要勤奮工作就行 D.只要生活幸福就行5.德雷福斯兄弟認為：專有技術(shù)基于“從新手到專家的過程中有5個技能獲取階段”這個前提，即新手、熟手、（）、精通、專家。A.能手 B.高人 C.勝任 D.行家6.德雷福斯兄弟認為，在許多方面，如視覺、解釋判斷方面，包括（），機器都比人腦差。沒有這些能力，機器將永遠比不上人類（大腦和思想）。A.圖像顯示質(zhì)量 B.人腦整體工作的方式C.聲音抒發(fā)的音色 D.運算速度與精度7.專家的一個關鍵的杰出特征就是，他們能出色地完成工作。要做到這一點，他們要能夠完成的工作包括（）。=1\*GB3①轉(zhuǎn)述問題 =2\*GB3②解決問題 =3\*GB3③解釋結(jié)果 =4\*GB3④學習A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④8.專家系統(tǒng)一般采用（）表示和推理技術(shù)，根據(jù)系統(tǒng)中的知識與經(jīng)驗，進行推理和判斷，來模擬通常由人類領域?qū)＜也拍芙鉀Q的復雜問題決策過程。A.邏輯 B.知識 C.信息 D.條件9.最初嘗試創(chuàng)建人工智能的研究人員曾經(jīng)認為，建立專家系統(tǒng)所需要的不過是（）而已。A.少量的規(guī)則 B.精確的算法 C.足夠的規(guī)則 D.模糊的算法10.計算機在編程后能夠進行的第一批游戲都是具備制勝策略的。比如，“21點”游戲的制勝策略就是確保自己成為喊出（）的玩家。A.20 B.21 C.18 D.1911.如果不存在制勝策略，計算機就會尋找能夠?qū)崿F(xiàn)的最優(yōu)方案。所謂“極大極小化策略”，就是在我們的回合爭取獲得（）利益，在對手回合則考慮（）利益。A.最小化，最大化 B.最大化，最小化C.最小化，最小化 D.最大化，最大化12.人們設想，在利用規(guī)則推導建立的醫(yī)學診斷專家系統(tǒng)中，在用戶輸入數(shù)據(jù)后，能夠通過數(shù)據(jù)推導出對病因的診斷。但前期的嘗試均以失敗告終，原因歸根結(jié)底還是因為缺乏（）。A.金錢 B.物質(zhì)資源 C.人手 D.知識13.總體來說，專家系統(tǒng)因其在計算機科學和現(xiàn)實世界中的貢獻而被視早期人工智能發(fā)展中（）、最成功、最知名和最受歡迎的領域。A.最古老 B.最年輕 C.最專一 D.最簡單14.專家系統(tǒng)出現(xiàn)在20世紀70年代，當時整個人工智能領域正處在發(fā)展的（）。A.高潮 B.第三階段 C.低谷 D.爆發(fā)時期15.在人工智能領域，人們希望機器能得到專有技能，而（）也許是人類專有技能中最困難的一種技能。A.運算 B.學習 C.顯示 D.智能16.當人們考慮建立專家系統(tǒng)時，思考的第一個問題是（）是否合適。A.費用和收益 B.時間和進度 C.形象和成果 D.領域和問題17.與其他人工智能系統(tǒng)不同，專家系統(tǒng)偏重處理（）的知識。A.確定但不精確 B.不確定但一定精確C.不確定和不精確 D.確定并且精確18.專家系統(tǒng)是一個基于知識的系統(tǒng)。通常，一個高性能專家系統(tǒng)應具備的特征包括（）。=1\*GB3①啟發(fā)性 =2\*GB3②直觀性 =3\*GB3③透明性 =4\*GB3④靈活性A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④19.專家系統(tǒng)一般由人機交互界面、綜合數(shù)據(jù)庫、知識獲取、（）等6個部分構(gòu)成，其體系結(jié)構(gòu)隨類型、功能和規(guī)模的不同，而有所差異。=1\*GB3①自動機 =2\*GB3②知識庫 =3\*GB3③推理機 =4\*GB3④解釋器A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④20.按知識表示技術(shù)，專家系統(tǒng)可分為基于規(guī)則、（）等的專家系統(tǒng)，已經(jīng)被廣泛應用在工程、科學、醫(yī)藥、軍事、商業(yè)等方面。=1\*GB3①基于邏輯 =2\*GB3②基于語義網(wǎng)絡=3\*GB3③基于框架 =4\*GB3④基于精確算法A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④第6章機器學習機器算法1.機器學習是使計算機具有智能的根本途徑，是一門涉及到概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多領域的（）學科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為。A.重復 B.交叉 C.復合 D.獨立2.機器學習最早的發(fā)展可以追溯到（）。A.英國數(shù)學家貝葉斯在1763年發(fā)表的貝葉斯定理B.1950年計算機科學家圖靈發(fā)明的圖靈測試C.1952年亞瑟·塞繆爾創(chuàng)建的一個簡單的下棋游戲程序D.唐納德·米奇在1963年推出的強化學習的tic-tac-toe（井字棋）程序3.20世紀50年代中葉到60年代中葉，屬于機器學習的（）時期。這個時期通過對機器的環(huán)境及其相應性能參數(shù)的改變來檢測系統(tǒng)所反饋的數(shù)據(jù)，最后選擇一個最優(yōu)的環(huán)境生存。A.衰退 B.復興 C.冷靜 D.熱烈4.從20世紀60年代中葉到70年代中葉，被稱為機器學習的（）時期。主要研究將領域知識植入系統(tǒng)，通過機器模擬人類學習，同時采用圖結(jié)構(gòu)及邏輯結(jié)構(gòu)方面的知識進行系統(tǒng)描述。A.衰退 B.復興 C.冷靜 D.熱烈5.從20世紀70年代中葉到80年代中葉，稱為（）時期。在此期間人們從學習單個概念擴展到學習多個概念，探索不同的學習策略和學習方法，開始把學習系統(tǒng)與各種應用結(jié)合起來。A.衰退 B.復興 C.冷靜 D.熱烈6.20世紀80年代中葉，機器學習進入新階段的主要特點包括（）。=1\*GB3①機器學習成為新的邊緣學科，融合各種學習方法=2\*GB3②機器學習與人工智能各種基礎問題的統(tǒng)一性觀點正在形成=3\*GB3③與機器學習有關的商業(yè)活動和市場銷售空前活躍=4\*GB3④各種學習方法的應用范圍不斷擴大，一部分已形成商品A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③7.學習是人類具有的一種重要的智能行為，社會學家、邏輯學家和心理學家都各有其不同的看法。關于機器學習，合適的定義是（）。=1\*GB3①蘭利的定義是：“機器學習是一門人工智能的科學，該領域的主要研究對象是人工智能，特別是如何在經(jīng)驗學習中改善具體算法的性能”=2\*GB3②湯姆·米切爾的定義是：“機器學習是對能通過經(jīng)驗自動改進的計算機算法的研究”=3\*GB3③阿爾帕丁的定義是：“機器學習是用數(shù)據(jù)或以往的經(jīng)驗，以優(yōu)化計算機程序的性能標準”=4\*GB3④馬丁·路德金的定義是：“機器學習是一門研究算法獲取新知識和新技能，并識別現(xiàn)有知識的學問”A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④8.（）機器學習主要研究學習機制，注重探索模擬人的學習機制，研究內(nèi)容包括決策樹、隨機森林、人工神經(jīng)網(wǎng)絡、貝葉斯學習等方面。A.大數(shù)據(jù) B.經(jīng)典 C.創(chuàng)新 D.傳統(tǒng)9.（）環(huán)境下的機器學習主要是研究如何有效利用信息，注重從巨量數(shù)據(jù)中獲取隱藏的、有效的、可理解的知識。A.大數(shù)據(jù) B.經(jīng)典 C.創(chuàng)新 D.傳統(tǒng)10.（）作為機器學習重要算法之一，是一種利用多個樹分類器進行分類和預測的方法。A.大數(shù)據(jù)塊 B.神經(jīng)網(wǎng)絡 C.隨機森林 D.傳統(tǒng)聚焦11.（）是一種具有非線性適應性信息處理能力的算法，可克服傳統(tǒng)人工智能方法對于直覺方面的缺陷，得到迅速發(fā)展。A.大數(shù)據(jù)塊 B.神經(jīng)網(wǎng)絡 C.隨機森林 D.傳統(tǒng)聚焦12.機器學習的核心是“使用（）解析數(shù)據(jù)，從中學習，然后對世界上的某件事情做出決定或預測”。A.程序 B.函數(shù) C.算法 D.模塊13.有三種主要類型的機器學習：監(jiān)督學習、無監(jiān)督學習和（）學習，各自有著不同的特點。A.重復 B.強化 C.自主 D.優(yōu)化14.（）學習是指輸入數(shù)據(jù)中有導師信號，以概率函數(shù)、代數(shù)函數(shù)或人工神經(jīng)網(wǎng)絡為基函數(shù)模型，采用迭代計算方法，學習結(jié)果為函數(shù)。A.無監(jiān)督 B.強化 C.自主 D.監(jiān)督15.監(jiān)督學習的主要類型是（）。A.分類和回歸 B.聚類和回歸 C.分類和降維 D.聚類和降維16.無監(jiān)督學習又稱歸納性學習，分為（）。A.分類和回歸 B.聚類和回歸 C.分類和降維 D.聚類和降維17.強化學習使用機器的個人歷史和經(jīng)驗來做出決定，其經(jīng)典應用是（）。A.文字處理 B.數(shù)據(jù)挖掘 C.游戲娛樂 D.自動控制18.要完全理解大多數(shù)機器學習算法，需要對一些關鍵的數(shù)學概念有一個基本的理解。機器學習使用的數(shù)學知識主要包括（）。=1\*GB3①線性代數(shù) =2\*GB3②微積分 =3\*GB3③概率統(tǒng)計 =4\*GB3④微分方程A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=4\*GB3④19.機器學習的（）是一種建模和分析數(shù)據(jù)的預測性技術(shù)工具，它研究因變量（目標）和自變量（預測器）之間的關系，通常用于預測分析、時間序列模型以及發(fā)現(xiàn)變量之間的因果關系。A.回歸分析 B.決策樹 C.神經(jīng)網(wǎng)絡 D.k-最近鄰20.最著名的基于實例的算法是（）（KNN）算法，它是機器學習中最基礎和簡單的算法之一，既能用于分類，也能用于回歸。A.回歸分析 B.決策樹 C.神經(jīng)網(wǎng)絡 D.k-最近鄰第7章神經(jīng)網(wǎng)絡與深度學習1.如果你想設計人工智能系統(tǒng)，那就要學習并分析這個星球上最自然的智能系統(tǒng)之一，即（）。A.人腦神經(jīng)系統(tǒng) B.人腦和五官系統(tǒng)C.肌肉和血管系統(tǒng) D.思維和學習系統(tǒng)2.所謂神經(jīng)網(wǎng)絡，是指以人腦和神經(jīng)系統(tǒng)為模型的（）算法。A.倒檔追溯 B.直接搜索 C.機器學習 D.深度優(yōu)先3.如今，ANN從股票市場預測到（）和許多其他應用領域都有突出的應用表現(xiàn)。=1\*GB3①汽車自主控制 =2\*GB3②模式識別 =3\*GB3③經(jīng)濟預測 =4\*GB3④數(shù)字分析A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③4.人腦是一種適應性系統(tǒng)，必須對變幻莫測的事物做出反應，而學習是通過修改神經(jīng)元之間連接的（）來進行的。A.順序 B.強度 C.速度 D.平滑度5.人類細胞之間的軸突-樹突（軸突-神經(jīng)元胞體或軸突-軸突）接觸稱為神經(jīng)元的（）。A.突觸 B.軸突 C.樹突 D.髓鞘6.人腦由（）個神經(jīng)元組成，這些神經(jīng)元彼此高度相連。A.100~1000萬 B.50~500萬 D.50~500億 D.100~1000億7.ANN是一種模仿生物神經(jīng)網(wǎng)絡，其中的（）扮演了生物神經(jīng)模型中突觸的角色，用于調(diào)節(jié)一個神經(jīng)元對另一個神經(jīng)元的影響程度。A.細胞體 B.權(quán)重 C.輸入通道 D.輸出通道8.現(xiàn)代神經(jīng)網(wǎng)絡是一種非線性統(tǒng)計性數(shù)據(jù)建模工具。典型的神經(jīng)網(wǎng)絡具有（）3個部分。=1\*GB3①結(jié)構(gòu) =2\*GB3②尺寸 =3\*GB3③激勵函數(shù) =4\*GB3④學習規(guī)則A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=3\*GB3③=4\*GB3④ D.=2\*GB3②=3\*GB3③=4\*GB3④9.人工智能在圖像識別上已經(jīng)超越了人類，支持這些圖像識別技術(shù)的，通常是（）。A.云計算 B.因特網(wǎng) C.神經(jīng)計算 D.深度神經(jīng)網(wǎng)絡10.將ANN與模糊邏輯結(jié)合起來生成（）網(wǎng)絡，這個網(wǎng)絡既有ANN的學習能力，同時也具有模糊邏輯的解釋能力。A.模式識別 B.人工智能 C.神經(jīng)模糊 D.自動計算11.從研究角度看，（）是基于多層神經(jīng)網(wǎng)絡、海量數(shù)據(jù)為輸入的，發(fā)現(xiàn)規(guī)則自學習的方法。A.深度學習 B.特征學習 C.模式識別 D.自動翻譯12.現(xiàn)實世界大多數(shù)事情的特征是復雜非線性的。比如貓的圖像中就包含了顏色、形態(tài)、五官、光線等各種信息。深度學習的關鍵就是通過（）映射將這些因素成功分開。A.多層線性 B.多層非線性 C.數(shù)據(jù)依賴性 D.復雜問題13.已經(jīng)有多種深度學習框架，如深度神經(jīng)網(wǎng)絡和（），被應用在計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域并獲取了極好的效果。=1\*GB3①卷積神經(jīng)網(wǎng)絡 =2\*GB3②高信價比網(wǎng)絡 =3\*GB3③深度置信網(wǎng)絡 =4\*GB3④遞歸神經(jīng)網(wǎng)絡A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④14.（）網(wǎng)絡是一種用來分析視覺圖像的強大的深度學習模型，它是一種前饋神經(jīng)網(wǎng)絡，類似于人工神經(jīng)網(wǎng)絡的多層感知器，也是深度學習的代表算法之一。A.深度神經(jīng) B.深度置信 C.卷積神經(jīng) D.遞歸神經(jīng)15.與常規(guī)神經(jīng)網(wǎng)絡不同，卷積神經(jīng)網(wǎng)絡各層中的神經(jīng)元是3維排列的：（）。在其結(jié)構(gòu)的最后部分將會把全尺寸的圖像壓縮為包含分類評分的一個深度方向排列的向量。=1\*GB3①寬度 =2\*GB3②高度 =3\*GB3③精度 =4\*GB3④深度A.=1\*GB3①=2\*GB3②=3\*GB3③ B.=2\*GB3②=3\*GB3③=4\*GB3④ C.=1\*GB3①=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=4\*GB3④16.卷積神經(jīng)網(wǎng)絡中池化層的核心目標之一是提供空間方差，即使它的外觀以某種方式發(fā)生改變，機器也能夠?qū)ο笞R別出來。池化層通常由一個簡單的操作完成，比如（）。=1\*GB3①max =2\*GB3②min =3\*GB3③average =4\*GB3④totalA.=1\*GB3①=2\*GB3②=3\*GB3③ B.=2\*GB3②=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④17.如何充分利用之前標注好的數(shù)據(jù)（廢物利用），同時又保證在新的任務上的模型精度——基于這樣的需求，就有了對（）的研究。A.自由學習 B.遷移學習 C.加強學習 D.概率學習18.從相關領域中遷移標注數(shù)據(jù)或者知識結(jié)構(gòu)、完成或改進目標領域或任務的學習效果，遷移學習的關鍵點是（）。=1\*GB3①遷去何處 =2\*GB3②遷移什么 =3\*GB3③如何遷移 =4\*GB3④何時遷移A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④19.遷移學習需要研究如何利用正遷移，避免負遷移。它的主要遷移方式有（）。=1\*GB3①基于實例的遷移 =2\*GB3②基于特征的遷移=3\*GB3③基于算法的遷移 =4\*GB3④基于共享參數(shù)的遷移A.=1\*GB3①=2\*GB3②=3\*GB3③ B.=2\*GB3②=3\*GB3③=4\*GB3④ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④20.下列場景中，（）是深度學習技術(shù)的典型應用領域。=1\*GB3①語音識別 =2\*GB3②科學計算 =3\*GB3③機器翻譯 =4\*GB3④自動駕駛A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④第8章創(chuàng)建智能系統(tǒng)的強化學習1.強化學習是機器學習中一種廣泛應用于創(chuàng)建（）的模式，其主要問題是：一個智能體如何在環(huán)境未知，只提供對環(huán)境的感知和偶爾的獎勵情況下，對某項任務變得精通。A.數(shù)據(jù)環(huán)境 B.搜索引擎 C.智能系統(tǒng) D.事務系統(tǒng)2.強化學習側(cè)重在線學習并試圖在探索—利用間保持平衡，用于描述和解決智能體在與環(huán)境的交互過程中，以“（）”的方式，通過學習策略達成回報最大化或?qū)崿F(xiàn)特定目標的問題。A.試錯 B.分析 C.搜索 D.獎勵3.強化學習不要求預先給定任何數(shù)據(jù)，主要表現(xiàn)在強化信號上，通過接收環(huán)境對動作的（）獲得學習信息并更新模型參數(shù)。A.試錯 B.分析 C.搜索 D.獎勵4.強化學習是從（）、參數(shù)擾動自適應控制等理論發(fā)展而來的，其基本原理是：如果智能體的某個行為策略導致環(huán)境正的獎賞，那么該智能體以后產(chǎn)生這個行為策略的趨勢便會加強。A.深度學習 B.動物學習 C.離散分析 D.機器研究5.在強化學習中，（）選擇一個動作用于環(huán)境，環(huán)境接受該動作后狀態(tài)發(fā)生變化，同時產(chǎn)生一個強化信號（獎或懲）反饋給智能體。A.專家 B.學習者 C.智能體 D.復合體6.強化學習的常見模型是標準的（）。A.馬爾可夫決策過程 B.先驗標注數(shù)據(jù)C.逆強化學習模型 D.馬爾代夫分析模型7.強化學習主要由智能體和環(huán)境組成，兩者間通過（）3個信號進行交互。=1\*GB3①獎勵 =2\*GB3②狀態(tài) =3\*GB3③反饋 =4\*GB3④動作A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=4\*GB3④8.在強化學習中，每一個自主體由兩個神經(jīng)網(wǎng)絡模塊組成，即（）。A.馬爾可夫決策和馬爾代夫分析 B.行動網(wǎng)絡和評估網(wǎng)絡C.逆強化學習和順優(yōu)選函數(shù) D.先驗知識和標注數(shù)據(jù)9.（）是根據(jù)當前的狀態(tài)而決定下一個時刻施加到環(huán)境上去的最好動作。A.評估網(wǎng)絡 B.學習者 C.行動網(wǎng)絡 D.復合體10.強化學習和監(jiān)督學習的共同點是兩者都需要大量的（）進行學習訓練，但兩者的學習方式不盡相同，兩者所需的數(shù)據(jù)類型也有差異。A.數(shù)據(jù) B.程序 C.行為 D.資源11.一般而言，（）是通過對數(shù)據(jù)進行分析，找到數(shù)據(jù)的表達模型，隨后利用該模型，在新輸入的數(shù)據(jù)上進行決策。A.簡單學習 B.強化學習 C.無監(jiān)督學習 D.監(jiān)督學習12.在基于模型的強化學習中，智能體使用環(huán)境的（）來幫助解釋獎勵信號并決定如何行動。A.動態(tài)規(guī)劃 B.轉(zhuǎn)移模型 C.獎勵模型 D.策略模型13.在無模型強化學習中，智能體直接學習如何采取行為方式，可以使用（）法求解。A.動態(tài)規(guī)劃 B.轉(zhuǎn)移模型 C.獎勵模型 D.策略模型14.從系統(tǒng)設計者的角度來看，向智能體提供（）通常比提供有標簽的行動樣本要容易得多。在這種學習中，智能體與世界就其反映表現(xiàn)進行互動。A.動態(tài)規(guī)劃 B.環(huán)境參數(shù) C.獎勵信號 D.效用函數(shù)15.考慮這樣的情形：有少量動作和狀態(tài)，且環(huán)境完全可觀測，其中智能體已經(jīng)有能決定其動作的固定策略。智能體將嘗試學習（）——從狀態(tài)出發(fā)，采用策略得到的期望總折扣獎勵。A.動態(tài)規(guī)劃 B.環(huán)境參數(shù) C.獎勵信號 D.效用函數(shù)16.某些領域過于復雜，以至于很難在其中定義強化學習所需的獎勵函數(shù)。（）研究這樣的問題：在提供了一些對專家行為觀測的基礎上，如何讓學習表現(xiàn)得較好。A.逆強化學習 B.學徒學習 C.專業(yè)學習 D.效用調(diào)度17.通過優(yōu)化真實獎勵函數(shù)的某個較為精確的近似函數(shù)，學習者可能會比專家表現(xiàn)得更好。我們稱該方法為（）：通過觀察策略來學習獎勵，而不是通過觀察獎勵來學習策略。A.逆強化學習 B.學徒學習 C.專業(yè)學習 D.效用調(diào)度18.在現(xiàn)實生活中可以找到很多符合強化學習模型的例子，例如（）等，這些都是積極獎勵的例子。=1\*GB3①家中有礦 =2\*GB3②父母的表揚 =3\*GB3③學校的好成績=4\*GB3④工作的高薪資A.=1\*GB3①=2\*GB3②=4\*GB3④ B.=1\*GB3①=3\*GB3③=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③19.強化學習可以通過（）的方式生成大量高質(zhì)量的可用于訓練模型的數(shù)據(jù)。A.概念數(shù)據(jù) B.持續(xù)控制 C.離散處理 D.自我博弈20.就目前的情況而言，對于需要（）的關鍵任務而言，強化學習可能并不是最理想的選擇。A.概念數(shù)據(jù) B.持續(xù)控制 C.離散處理 D.自我博弈第9章數(shù)據(jù)挖掘與經(jīng)典算法1.數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過算法搜索其中隱含的、先前未知的并有（）的信息的非平凡的決策支持過程。A.連續(xù)變化 B.突出表現(xiàn) C.潛在價值 D.外在表現(xiàn)2.數(shù)據(jù)挖掘通常與計算機科學有關，并通過統(tǒng)計學、在線分析處理、（）、專家系統(tǒng)（依靠過去的經(jīng)驗法則）和可視化技術(shù)等諸多方法來實現(xiàn)其目標。=1\*GB3①情報檢索 =2\*GB3②模式識別 =3\*GB3③科學計算 =4\*GB3④機器學習A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=2\*GB3②=3\*GB3③ D.=2\*GB3②=3\*GB3③=4\*GB3④3.現(xiàn)實社會有大量的數(shù)據(jù)唾手可得，其中的大部分數(shù)據(jù)都十分有用，但前提是人們有能力從中提取出（）的內(nèi)容。A.連續(xù) B.離散 C.精確 D.感興趣4.數(shù)據(jù)不等于信息，而信息也不等于知識。了解數(shù)據(jù)（將其轉(zhuǎn)化為信息）并利用數(shù)據(jù)（再將其轉(zhuǎn)化為知識）是一項（）的工程。A.巨大 B.簡單 C.直接 D.直觀5.數(shù)據(jù)存儲在稱為（）的計算機系統(tǒng)中，它具有內(nèi)置功能，可以分析數(shù)據(jù)，并按用戶要求呈現(xiàn)出不同形式。A.電子表 B.數(shù)據(jù)庫 C.文檔 D.堆棧6.所有人工智能方法都可以用于數(shù)據(jù)挖掘，其中特別是（）。A.模式識別與圖像處理 B.機器人技術(shù)C.神經(jīng)網(wǎng)絡及模糊邏輯 D.智能代理與自動規(guī)劃7.數(shù)據(jù)挖掘的分析技術(shù)之一（），能用來確定最好預測成果的單個數(shù)據(jù)。A.決策樹 B.分析表 C.堆棧 D.鏈表8.（）是數(shù)據(jù)挖掘中十分流行的策略，它可以幫助我們找到顧客經(jīng)常一起購買的商品。A.垂直預測 B.離散分析 C.網(wǎng)絡沖浪 D.購物車分析9.在眾多的分類模型中，應用最為廣泛的兩種是決策樹模型和（）模型，它發(fā)源于古典數(shù)學理論，有著堅實的數(shù)學基礎以及穩(wěn)定的分類效率。A.遺傳繼承 B.貝葉斯網(wǎng)絡 C.樸素貝葉斯 D.關聯(lián)搜索10.作為一種統(tǒng)計方法，（）的數(shù)學計算極其復雜，但自動化操作相對容易得多，其核心是貝葉斯定理，該公式可以將數(shù)據(jù)的概率轉(zhuǎn)換為假說的概率。A.遺傳繼承 B.貝葉斯網(wǎng)絡 C.樸素貝葉斯 D.關聯(lián)搜索11.知識發(fā)現(xiàn)過程一般由（）三個階段組成。=1\*GB3①知識培養(yǎng) =2\*GB3②數(shù)據(jù)準備 =3\*GB3③數(shù)據(jù)挖掘 =4\*GB3④結(jié)果表達和解釋A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④12.數(shù)據(jù)的類型可以是（），數(shù)據(jù)挖掘的對象可以是任何類型的數(shù)據(jù)源。=1\*GB3①結(jié)構(gòu)化的 =2\*GB3②半結(jié)構(gòu)化的 =3\*GB3③異構(gòu)的 =4\*GB3④同質(zhì)的A.=1\*GB3①=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=2\*GB3②=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③13.下列（）方法屬于有指導的數(shù)據(jù)挖掘。=1\*GB3①分類 =2\*GB3②估值 =3\*GB3③聚類 =4\*GB3④預測A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=3\*GB3③ C.=1\*GB3①=2\*GB3②=4\*GB3④ D.=1\*GB3①=3\*GB3③=4\*GB3④14.數(shù)據(jù)挖掘有很多經(jīng)典的算法，例如（）。=1\*GB3①神經(jīng)網(wǎng)絡法 =2\*GB3②決策樹法 =3\*GB3③蟻群算法 =4\*GB3④遺傳算法A.=2\*GB3②=3\*GB3③=4\*GB3④ B.=1\*GB3①=2\*GB3②=4\*GB3④ C.=1\*GB3①=3\*GB3③=4\*GB3④ D.=1\*GB3①=2\*GB3②=3\*GB3③15.（）是指原始數(shù)據(jù)會有噪聲，格式化也不好，所以為了保證預測的準確性，需要進行的數(shù)據(jù)加工活動。A.數(shù)據(jù)收集 B.數(shù)據(jù)理解 C.數(shù)據(jù)預處理 D.特征提取16.機器學習是數(shù)據(jù)挖掘中的一種重要工具，用在數(shù)據(jù)挖掘上的機器學習方法通常是“從（）學習”。A.模型 B.案例 C.經(jīng)驗 D.數(shù)據(jù)17.數(shù)據(jù)挖掘不僅要研究、拓展、應用一些機器學習方法，還要通過許多（）技術(shù)解決數(shù)據(jù)倉儲、大規(guī)模數(shù)據(jù)、數(shù)據(jù)噪聲等實踐問題。A.非機器學習 B.強化學習 C.神經(jīng)網(wǎng)絡 D.深度學習18.數(shù)據(jù)挖掘中的數(shù)據(jù)分析是針對海量數(shù)據(jù)進行的。從某種意義上說，機器學習的（）成分更重一些，而數(shù)據(jù)挖掘的（）成分更重一些。A.經(jīng)濟，技術(shù) B.科學，技術(shù) C.技術(shù)，科學 D.技術(shù)，經(jīng)濟19.在數(shù)據(jù)挖掘的推薦類應用中，需要找到“符合條件的”潛在人員，這就首先需要挖掘出（），然后選擇一個合適的模型來進行預測，最后從用戶數(shù)據(jù)中得出結(jié)果。A.興趣愛好 B.購買數(shù)量 C.客戶特