第一章
1．选择题
(1)最先使用机器人(Robot）这个名词的科幻作品是( C )。
A.《机器人总动员》
B.《机械人小滴答》
C.《罗素姆万能机器人》
D.《人工智能》
(2）在图灵测试中，如果机器使( D )以上的观察者对其身份产生误判,那么这个机器就可以被认定为具备智能。
A.10%
B.20%
C.25%
D.30%
(3）公认的人工智能元年是( D )。
A.1936年
B.1946年
C. 1950年
D.1956年
(4）( D )首次提出“人工智能”这个名词。
A.1936年
B.1946年
C.1950年
D. 1956年
(5）发明人工智能语言LISP的科学家是( C )。
A.马文·明斯基
B.弗兰克·罗森布拉特
C.约翰·麦卡锡
D.克劳德·香农
(6）导致人工智能第一次“寒冬”（1974—1980年）的根本原因是( B )。
A.数据量不够和算力不足
B.缺少资金支持
C.理论研究跟不上
D.发展方向不对
2.应用题
(1）课程调研活动。通过网络、现场等形式，调研人工智能在你所学习专业领域的应用现状。
1.确定调研目的和范围：
明确调研的目标，比如了解人工智能在你专业领域的应用现状、发展趋势、面临的挑战等。
确定调研的范围，包括你所在的专业领域、地区、行业等。
2.收集背景资料：
通过网络搜索，了解人工智能的基本概念、技术发展、应用案例等。
查阅专业书籍、学术论文、行业报告等，获取更深入的专业知识。
3.设计调研问卷或访谈提纲：
设计问卷或访谈提纲，确保问题覆盖调研目的所需的信息。
问题应包括但不限于人工智能在你专业领域的应用情况、成功案例、存在的问题、未来趋势等。
4.选择调研方式：
网络调研：通过在线问卷、社交媒体、专业论坛等收集数据。
现场调研：通过实地考察、面对面访谈、参与行业会议等方式获取信息。
5.实施调研：
发布问卷，邀请专业人士参与。
安排面对面访谈，与行业专家、企业代表等进行深入交流。
参加相关行业会议或研讨会，收集第一手资料。
6.数据整理与分析：
收集到的数据进行整理，剔除无效或重复信息。
运用统计学方法对数据进行分析，提取有价值的信息。
7.撰写调研报告：
根据调研结果撰写报告，报告应包括调研背景、方法、主要发现、结论和建议等。
报告中应包含图表、案例分析等，以增强报告的可读性和说服力。
8.分享与讨论：
将调研报告分享给同学、老师或行业内的其他专业人士。
组织讨论会，就调研结果进行交流和讨论。
9.持续关注与更新：
人工智能技术发展迅速，应持续关注相关领域的最新动态。
定期更新调研报告，以反映最新的应用现状和发展趋势。
(2)人工智能畅想。召开小组或班级研讨会,组织同学们畅想人工智能应用场景和发展前景。
1.确定研讨会主题和目标：
- 明确研讨会的主题，例如“人工智能在未来的应用与挑战”。
- 确定研讨会的目标，比如激发同学们对人工智能的兴趣、了解人工智能的最新进展、探讨人工智能在不同领域的应用等。
2.准备研讨会材料：
- 收集关于人工智能的基础知识、最新研究成果、成功案例等资料。
- 准备一些讨论引导问题，帮助同学们更好地思考和讨论。
3.邀请专家或行业代表：
- 邀请人工智能领域的专家或行业代表参与研讨会，分享他们的见解和经验。
- 如果可能，可以安排线上或线下的互动环节，让同学们有机会提问和交流。
4.组织小组讨论：
- 将同学们分成小组，每组负责探讨人工智能在特定领域（如医疗、教育、交通、金融等）的应用。
- 每个小组需要准备一份报告，概述他们对人工智能在该领域应用的畅想和预测。
5.研讨会流程设计：
- 设计研讨会的流程，包括开场介绍、专家演讲、小组报告、自由讨论、总结发言等环节。
- 确保每个环节都有明确的时间限制，以保持研讨会的高效和有序。
6.进行小组报告：
- 每个小组在研讨会中展示他们的报告，分享他们对人工智能应用的畅想和预测。
- 鼓励小组之间进行互动和讨论，以促进思想的碰撞和交流。
7.自由讨论和互动：
- 在小组报告之后，开放一个自由讨论环节，让所有参与者都可以发表自己的观点和疑问。
- 可以设置一些引导性问题，激发更深入的讨论。
8.总结和展望：
- 在研讨会的最后，由主持人或老师进行总结发言，概括讨论的主要观点和未来的发展趋势。
- 鼓励同学们将所学知识与实际应用相结合，思考如何在未来的学习和工作中利用人工智能技术。
9.后续跟进：
- 会后，可以整理研讨会的资料和讨论成果，分享给所有参与者。
- 鼓励同学们继续关注人工智能的发展，并在未来的课程和项目中实践和探索。
第二章
1．选择题
(1）人工智能发展有三种形态，其中智力与人类相当的形态是( B )。
A.弱人工智能
B.强人工智能
C.超人工智能
D.人工智能
(2）人工智能的三种典型任务中,输出结果是连续值的任务是( A )。
A.回归
B.分类
C.聚类
D.降维
(3)在人工智能技术的四要素中,()蕴含着应用背景中的知识和经验。( D )
A.数据
B.算法
C.算力
D.场景
(4）机器学习有三大要素:数学模型、学习准则和优化算法。其中,( B )是数学模型好坏的判断依据。
A.数学模型
B.学习准则
C.优化算法
D.计算能力
(5)人工神经元模拟了人类大脑神经元的功能,其中实现非线性信号处理的功能是( D )。
A.输入
B.加权
C.求和
D.阈值
(6)在5个人工智能主要研究内容中，( D )是人工智能研究中最重要也是最为关键的研究内容。
A.知识表示
B.机器感知
C.机器思维
D.机器学习
2.应用题
(1)人脸识别技术发展已有60余年，请说明在其不同发展阶段，主要采用了哪些人工智能的学习技术,优缺点如何。
- 起步探索阶段（1964年–1991年）：
- 学习技术：该阶段主要使用简单的算法来初步尝试人脸的机器自动识别。
- 优点：初步探索了人脸识别的可能性。
- 缺点：技术尚未成熟，识别效果有限。
- 快速发展时期（1991年–1998年）：
- 学习技术：在条件严格控制的人脸识别任务上取得了一些初步的成果，并涌现出了一些对后一阶段极具影响力的算法与理论。
- 优点：人脸识别技术开始快速发展，取得了一些初步的成果。
- 缺点：识别效果仍受外界因素影响较大，如姿态、光照、表情等。
- 逐渐成熟阶段（1998年–2014年）：
- 学习技术：针对姿态、光照、表情、遮挡等外界影响因素，提出了一系列的改进算法与新的理论。
- 优点：人脸识别技术开始逐渐成熟，一些实用的系统开始诞生。
- 缺点：大多数算法为浅层学习模型，表示复杂函数的能力有限。
- 深度学习阶段（2014年至今）：
- 学习技术：主流算法开始转为深度学习，深度学习的典型代表是含有多层隐含节点的深度神经网络（DNN）。
- 优点：
- 深度学习模型能够表示更复杂的函数，提高了人脸识别的准确率。
- 大量实用的系统与成功的应用案例出现，人脸识别技术得到广泛应用。
- 可以克服光线变化的影响，解决一些传统识别技术无法识别的问题。
- 缺点：
- 在某些特定场景下，如光照亮度不足或摄像机像素不高情况下，识别准确性会下降。
- 对于某些面部特征的变化，如整形手术后的面部，可能无法准确识别。
(2）请指出有监督学习和无监督学习的主要应用场景。
有监督学习的主要应用场景
-
文本分类：根据已有的文本数据集训练分类模型，对新文本进行分类，如垃圾邮件过滤、情感分析等。
-
图像识别：通过标注好的图像训练分类模型，从而对未知图片进行分类，如人脸识别、车牌识别等。
-
推荐系统：根据用户历史数据，训练推荐模型，推荐用户可能感兴趣的产品或服务，如电商平台的商品推荐、视频平台的视频推荐等。
-
风险评估：根据历史数据中风险因素的相关信息，训练模型，对新的风险因素进行评估与预测，如金融风控、医疗诊断等。
-
金融预测：如股票价格预测，通过历史数据中的股票价格、交易量等信息，训练模型，对未来股票走势进行预测。
无监督学习的主要应用场景
-
数据挖掘：用于发现数据之间的关联性和规律性，如关联规则挖掘，发现大规模数据集中的频繁项集和关联规则，常用于市场营销、推荐系统等。
-
自然语言处理：如文本聚类和主题模型发现，将大量的文本数据分成若干个类别，或从文本数据中发现隐藏的主题和话题，常用于信息检索、舆情分析等。
-
计算机视觉：如图像分割和特征学习，从图像数据中学习更高层次的特征表示，用于图像识别、目标检测和视频分析等。
-
异常检测：在没有先验知识的情况下，通过无监督学习识别出异常行为或数据点，如金融欺诈检测、网络安全监控等。
-
用户细分：在广告平台中，通过用户行为对用户进行分类，实现更精准的广告投放。
-
推荐系统：除了基于有监督学习的推荐系统外，无监督学习也可以通过聚类等方法来发现用户群体并推荐相关商品或服务。
(3）目前，基于深度学习的人工智能技术层出不穷。请以计算机视觉为例,调研并说明传统机器学习方法和深度学习方法在应用中的特点。
传统机器学习方法的特点
- 特征工程：
- 传统机器学习方法需要人工设计特征提取器，即特征工程。这一步骤需要领域专家根据具体任务和数据集的特点，选择和设计合适的特征表示。
- 特征工程的好坏直接影响模型的性能，但这一过程往往耗时且需要深厚的专业知识。
- 模型灵活性：
- 传统机器学习模型，如支持向量机（SVM）和决策树，通常具有较高的灵活性，可以根据不同的任务和数据进行调整和优化。
- 然而，由于特征工程的限制，这些模型在处理复杂视觉任务时可能表现不佳。
- 计算效率：
- 传统机器学习方法的计算效率通常较高，因为它们不需要像深度学习那样进行大量的参数学习和优化。
- 然而，随着数据量和模型复杂度的增加，传统方法的性能可能会受到限制。
深度学习方法的特点
- 自动特征学习：
- 深度学习方法，特别是卷积神经网络（CNN），能够自动从原始图像中学习复杂的特征表示，避免了繁琐的特征工程过程。
- 这种自动特征学习能力使得深度学习模型在处理复杂视觉任务时具有显著的优势。
- 高性能：
- 深度学习方法在计算机视觉领域取得了令人瞩目的性能提升，特别是在图像分类、目标检测、图像分割等任务上。
- 深度学习模型能够从大量的数据中学习和提取复杂的特征，提高了计算机视觉任务的准确率。
- 鲁棒性和适应性：
- 深度学习模型具有较强的鲁棒性和适应性，能够适应各种复杂的场景和干扰因素。
- 这使得深度学习模型在实际应用中更加可靠和稳定。
- 可扩展性：
- 深度学习模型具有很强的可扩展性，能够适应不同规模的数据和任务。
- 通过增加模型的深度和复杂度，深度学习模型可以处理更加复杂和具有挑战性的视觉任务。
第三章
1．选择题
(1)以下不属于合法的 Python标识符的是( B )。
A. int32
B.40X
C._name_
D. tt
(2)在Python 中，正确的赋值语句为( C )。
A. x+y= 10
B. x = 2y
C. x=y= 30
D. 3y =x+1
(3)代码print(1 if 'a' in 'ABC' else 2)的执行结果是( B )。
A. 1
B.2
C.报错
D. 'a'
(4）以下关于Python语句的叙述中,正确的是( A )。
A.同一层次的Python语句必须对齐
B. Python语句可以从一行的任意位置开始
C.在执行Python语句时,可发现注释中的拼写错误
D. Python程序的每一行只能写一条语句
(5）下列 Python数据类型中,元素不可以改变的是( B )。
A.列表
B.元组
C.集合
D.字典
2.应用题
(1）编写一个程序,输出1到100之间的所有偶数。
# 遍历1到100之间的所有数字
for number in range(1, 101):
# 检查数字是否为偶数
if number % 2 == 0:
# 如果是偶数，则打印出来
print(number)
(2）在任务2的基础上，尝试添加一个用于打印六边形的菜单选项，并编写输出六边形的函数。
def print_even_numbers():
for i in range(1, 101):
if i % 2 == 0:
print(i)
def print_hexagon(n):
for i in range(n):
print(' ' * (n - i - 1) + '*' * (2 * i + 1))
for i in range(n - 2, -1, -1):
print(' ' * (n - i - 1) + '*' * (2 * i + 1))
def main_menu():
print("""
1. 打印1到100之间的所有偶数
2. 打印六边形
3. 退出程序
""")
choice = input("请选择一个选项（1-3）: ")
if choice == '1':
print_even_numbers()
elif choice == '2':
size = int(input("请输入六边形的大小（边长）: "))
print_hexagon(size)
elif choice == '3':
print("退出程序...")
exit()
else:
print("无效的选项，请重新选择。")
# 主程序入口
while True:
main_menu()
(3）挑选一张你喜欢的照片,并准备一些词语，重新生成一张词云图。
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
# 读取图片
image = np.array(Image.open('your_image.jpg'))
# 准备文本数据
text = '这里是您准备的词语，可以是多行文本，例如：\n' \
'词云图\n' \
'词频分析\n' \
'数据可视化\n' \
'文本挖掘\n' \
'机器学习\n' \
'人工智能\n' \
'深度学习\n'
# 生成词云
wordcloud = WordCloud(
font_path='path_to_your_font_file', # 指定字体文件路径，确保支持中文
background_color='white', # 背景颜色
mask=image, # 使用图片作为词云形状
max_words=200, # 最多显示的词数
max_font_size=100, # 最大字体大小
random_state=42, # 随机状态
).generate(text)
# 显示词云图
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off') # 不显示坐标轴
plt.show()
第四章
1.选择题
- 以下选项甲,个属于图像识别基本任务的是( D )
- 分类
- 定位
- 目标检测
D.图像压缩
(2)一幅灰色级均匀分布的图像，其灰色范围在[0，255]区间。若该图像中某个像素点的灰色值为127，该灰度直经归一化处理以后应为( B )
A. 0
B.0.5
C.1
D.127
(3）以下选项中,不属干训练阶段步骤的是( D )。
A.特征表示
B.图像预处理
C.训练分类模型
D.预测图像类别
(4）以下关于图像识别的特占中描述错误的是( C )。
A.图像识别具有局限性
B.通过机器替代人来实现图像识别,能够在一定积度上减少错误和缺陷
C.在任何场景下，机器进行图像识别的准确率都高于人类
D.在一定程度上能够减轻人类的负担
(5）下列不属于图像识别应用的是( B )。
A.车牌识别
B.机器翻译
C.医疗影像诊断
D.工业瑕疵诊断
2.应用题
(1)在生活中,你还能发现哪些图像识别的应用场景?请列举出至少3种。
面部识别：
-
- 安全验证：在智能手机、笔记本电脑和门禁系统中，面部识别技术用于用户身份验证，提供了一种快速、方便且相对安全的解锁方式。
- 支付系统：一些支付平台使用面部识别技术进行身份验证，以确保交易的安全性。
- 监控系统：在公共安全领域，面部识别技术用于监控和识别可疑人物，提高公共安全水平。
自动驾驶汽车：
-
- 环境感知：自动驾驶汽车使用图像识别技术来识别道路标志、交通信号、行人、其他车辆等，以确保安全行驶。
- 障碍物检测：通过图像识别，自动驾驶系统能够检测到道路上的障碍物，并作出相应的避让或停车决策。
医疗诊断：
-
- 病理图像分析：图像识别技术可以分析病理切片图像，帮助医生识别癌细胞、病变组织等，提高诊断的准确性和效率。
- 放射影像分析：通过分析X光、CT扫描、MRI等放射影像，图像识别技术可以辅助医生发现肿瘤、骨折等异常情况。
(2) 在任务1中,如果手写数字为5，输出的独热编码应该是什么?请解释该独热编码的含义。
这个向量表示数字5在独热编码中的表示方法。向量中只有一个位置是1（索引为5的位置），其余位置都是0。这个1表示当前的数字是5，而0表示不是其他数字（0-4或6-9）。
(3）在任务1中，图4-15所示的二值化表示中数字的含义是什么?
- 二值化定义：
- 二值化是将图像上的像素点的灰度值设置为0或255的过程，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
- 数字0和255的含义：
- 在二值化表示中，数字0代表全黑，即该像素点的灰度值为0，没有亮度。
- 数字255代表全白，即该像素点的灰度值为最大值（在常见的八位单通道色彩空间中），具有最高的亮度。
- 灰度图像与二值图像的区别：
- 灰度图像：每个像素只有一个采样颜色的图像，其灰度值介于0（全黑）和255（全白）之间，表示不同深度的灰色。
- 二值图像：每个像素只有两个可能值的数字图像，即0（全黑）或255（全白），没有中间灰度值。
- 二值化的实现方法：
- 阈值法：选取一个数字作为阈值，大于该阈值的像素灰度设为255（全白），小于该阈值的像素灰度设为0（全黑）。
- 二值化应用场景：
- 图像分割、识别和分析，尤其是在需要快速处理和降低图像复杂度时。例如，在人脸识别、车牌识别、文档扫描等领域，二值化是常见的预处理步骤。
第五章
1．选择题
(1）通过比对,两张人脸的特征相似度( A )阈值,即判定两张人脸属于同一人。
A.大于
B.等于
C.小于
D.不相关
(2）人脸特征提取算法会根据人脸五官关键坐点标，将人脸( A ),然后计算特征值。
A.对齐预定模式
B.矫正
C.去除噪点
D.调整对比度
(3)( D )是将输入的人脸和一个集合中的所有人脸进行比对,根据比对后的相似度对集合中的人脸进行排序。
A.人脸比对
B.人脸聚类
C.人脸验证
D.人脸检索
(4）人脸认证系统容易受到各种手段的欺骗，如用偷拍的照片假冒真人等，所以( B )检测技术的研究显得异常重要。
A.人脸比对
B.人脸活体
C.人脸验证
D.人脸提取特征
2.应用题
(1）根据项目中人脸识别案例思考一下人脸识别技术不适用于哪些应用场景,请举例。
- 隐私保护敏感的场景：
- 医疗记录：人脸识别技术可能涉及患者敏感信息的泄露，特别是在需要高度保护患者隐私的医疗环境中。
- 法律事务：在涉及法律文件和敏感数据处理的场景中，人脸识别技术可能增加隐私泄露的风险。
- 心理咨询：心理咨询过程中，客户的隐私和信任至关重要，人脸识别技术可能干扰这种信任关系。
- 公众场所的实时监控：
- 街道、商场、公园：在这些公共场所进行大规模的人脸识别实时监控可能引发公众对隐私权的担忧，需要在保障安全与保护隐私之间找到平衡。
(2）根据人工智能开放平台提供的功能,选择自己感兴趣的主题,结合实际应用场景和实际。
智能安防系统在现代社会中的重要性日益凸显，无论是公共场所还是私人住宅，都需要高效、智能的安全保障。传统的安防系统主要依赖于人工监控和事后处理，而人工智能开放平台则为安防领域带来了革命性的变化。
课后任务1:单个素材的简单处理
1浏览平台,根据平台提供的功能确定主题——身份证识别。②收集素材(n张身份证照片)。
在银行业务、酒店入住、旅游签证申请等场景中，通常需要用户提交身份证信息。手动输入这些信息既耗时又容易出错。使用身份证识别技术，可以大大提高效率并减少错误。用户只需使用手机或扫描仪拍摄身份证照片，系统即可自动识别并提取出姓名、性别、出生日期、身份证号码等关键信息。
3通过平台功能实现身份证的识别。
课后任务2:功能扩展
结合实际场景将上术功能进行扩展,可以结合AI人脸融合功能将自己的人脸与喜欢的明星进行合成。
1.身份证识别：用户上传自己的身份证照片，系统通过身份证识别API自动提取照片中的个人信息，如姓名、性别、出生日期等。
2.人脸融合：用户选择一位他们喜欢的明星，系统使用AI人脸融合技术将用户的脸部特征与选定明星的脸部特征进行融合，生成一张新的、具有明星特征的身份证照片。
3.隐私保护：在处理过程中，系统确保用户个人信息的安全，不会泄露给第三方，并且在生成的合成照片中，用户个人信息将被隐藏或模糊处理，以保护隐私。
第六章
1.选择题
（1）.脑电波频域特征不包含（ D ）
A. α
B. θ
C. δ
D. φ
(2）HRV指标不包括( A )。
A. HR
B. LF
C. HF
D. SDNN
(3）以下不属于分类模型的是( D )
A.SVM
CK近邻
B.决策树
D.K均值
(4)以下生理电信号可以用于情绪识别的是( D )。
A.心电
B.脑电
C.肌电
D.眼电
2.应用题
(1）和周围同学讨论一下,脑电和心电信号在日常生活中还有哪些应用,还可以应用到哪些方面。
脑电信号（EEG）的应用：
1.医疗诊断：EEG在诊断癫痫、睡眠障碍、脑损伤、脑肿瘤等方面有重要作用。通过分析脑电波的模式，医生可以了解大脑的活动状态。
2.神经反馈训练：通过实时监测脑电波，可以训练个体控制特定的脑波模式，用于治疗注意力缺陷、焦虑、抑郁等疾病。
3.脑机接口（BCI）：EEG信号可以用来控制外部设备，如轮椅、假肢、计算机等，为行动不便的人提供帮助。
4.游戏和娱乐：一些游戏和娱乐设备利用EEG信号来检测玩家的情绪状态或注意力水平，以提供更加个性化的体验。
5.认知研究：EEG用于研究大脑在执行不同认知任务时的活动模式，帮助科学家了解认知过程。
心电信号（ECG）的应用：
1.心脏健康监测：ECG是诊断心脏病、心律失常、心肌梗死等心脏疾病的重要工具。
2.远程健康监测：通过穿戴设备（如智能手表、心率监测带）实时监测心电信号，可以实现对心脏健康状况的远程监控。
3.运动和健身：心率监测可以用来评估运动强度和健身效果，帮助制定个性化的运动计划。
4.情绪和压力监测：心率变化与情绪状态和压力水平有关，因此心电信号可以用于监测个体的情绪和压力水平。
5.睡眠研究：ECG可以用来研究睡眠期间的心脏活动，帮助诊断睡眠障碍。
6.生物识别：心电信号具有个体特异性，可以用于生物识别技术，如心电身份验证。
(2)许多智能手环具备心理压力测量功能。观察一段时|的活动(看书、玩手机、走路和跑步等)，尝试解释压力变化与心率变异性指标之间的联系。
1看书：看书是一种相对放松的活动，通常不会引起太大的心理压力。在看书时，副交感神经系统可能较为活跃，心率变异性较高。
2玩手机：玩手机可能会引起不同程度的心理压力，这取决于使用手机的目的和内容。如果是在放松的环境中浏览社交媒体或阅读轻松的内容，心率变异性可能较高；如果是在处理工作邮件或参与紧张的在线游戏，心率变异性可能较低。
3走路：走路是一种轻度的体力活动，通常不会引起太大的心理压力。在走路时，心率变异性可能处于中等水平，因为身体在进行适度的运动，同时副交感神经系统也在发挥作用。
4跑步：跑步是一种强度较高的体力活动，可以引起一定程度的心理压力，尤其是当跑步速度较快或持续时间较长时。在跑步时，心率变异性可能
第七章
1．选择题
(1）下列选项中,不是自然语言处理的解决方法的是( C )
A.规则方法
B.统计方法
C.递归方法
D.深度学习方法
(2）以下不属于命名实体的是（ A ）。
A.量词
B.人的姓名
C.公司、组织、机构等
D.地名
(3）在词法分析里,需要处理的最小语言单位是（ C ）
A.词
B.短语
C.字
D句子
(4）下列不属于自然语言处理应用的是( A )。
A.身份证识别
B.情感分析
C.文本分类
D.机器翻译
(5）自然语言处理的相关研究最早是从( B )开始的。
A.词义相似度
B.机器翻译
C.文章分类
D.文本纠错
2.应用题
根据人智能开放平台提供的功能,结合实际应用场景和实际素材实现人工智能的简单应用。
(1)浏览平台,选择平台提供的功能——智能文本分析。
1.平台功能：选择一个功能全面的平台，它应该提供文本挖掘、情感分析、主题建模、关键词提取、文本分类等智能文本分析功能。
2.易用性：平台应该提供直观的用户界面，使得非技术用户也能轻松上手。
3.准确性：确保平台的分析结果准确可靠，能够处理各种类型的文本数据。
4.定制化：平台是否支持定制化服务，如自定义模型训练、自定义词典等，以满足特定的分析需求。
5.数据隐私：平台是否遵守数据隐私保护法规，确保用户数据的安全。
6.技术支持：平台是否提供技术支持和文档，帮助用户解决使用过程中遇到的问题。
(2)收集素材(一篇文章、一篇新闻或一段电影影评等)
心电信号是心脏在跳动过程中产生的电信号。通过采集和分析这些信号，我们可以了解心脏的健康状况，进而应用于多个领域。
(3）通过平台功能,实现对文本的情感分析、文本分类,输出智能文本分析报告。
- 医疗诊断：
- 心律失常的检测：心电图可以准确地检测出各种心律失常，如心动过速、心动过缓、心房颤动等。
- 心肌缺血的诊断：通过分析心电图上的ST段和T波变化，可以判断是否存在心肌缺血。
- 心肌梗死的确诊：心电图是诊断急性心肌梗死的重要工具，能够迅速反映心肌受损情况。
- 药物疗效评估：通过比较用药前后的心电图变化，可以评估药物对心脏的影响和疗效。
- 健康监测：
- 穿戴式心电监测设备：这些设备可以实时监测用户的心电信号，提供心率、心律等健康数据，帮助用户了解自己的心脏健康状况。
- 远程医疗监护：通过远程传输心电图数据，医生可以远程监测患者的心脏状况，为患者提供及时的诊断和治疗建议。
(4）思考智能文本分析更多的落地场景,并进行商业价值分析。
1.客户服务与支持
- 场景：通过智能文本分析，企业可以自动处理客户咨询，提供24/7的在线客服支持，减少人工成本，提高响应速度。
- 商业价值：提升客户满意度，降低运营成本，增加客户忠诚度。
2.市场分析与趋势预测
- 场景：分析社交媒体、新闻报道、评论等文本数据，了解市场趋势、消费者行为和竞争对手动态。
- 商业价值：帮助企业做出更准确的市场预测，制定有效的营销策略，提高市场竞争力。
3.风险管理与合规
- 场景：监控和分析新闻、社交媒体、论坛等渠道的文本信息，及时发现潜在的负面信息和风险。
- 商业价值：帮助企业及时应对危机，遵守法律法规，避免声誉损失和法律风险。
4.产品开发与优化
- 场景：通过分析用户反馈、评论和建议，了解产品存在的问题和改进方向。
- 商业价值：加速产品迭代，提升产品质量，满足用户需求，增强市场竞争力。
第八章
1、选择题
(1）下列选项中,不属于智能语音的关键技术的是( D )。
A.语音识别
B.语音分割
C.语音合成
D.语变化
(2）以下选项属于语音合成中声学系统部分实现技术的是( D )
A.波形拼接语音合成技术
B.参数合成语音合成技术
C.端到端的语音合成技术
D.多端连接语音合成技术
(3）语音识别实现的是人类的( B )。
A.感知智能
B.认知智能
C.运算智能
D.觉知智能
(4）下列不属于智能语音应用的是( D )
A.智能音箱
B.苹果的 Siri
C.微软的Cortana
D.身份证识别
(5）以下选项属于在语音合成的发展过程中主要经历阶段的是(ABCD)
A.电子合成器阶段
B.共振峰合成器阶段
C.单元挑选拼接合成阶段
D.基于机器学习技术的合成阶段
2.简答题
(1）语音识别的基本流程包括哪几个步骤?
- 音频输入：
- 语音识别系统的起始点是音频输入，可以来自麦克风、录制的音频文件或电话系统等。
- 预处理：
- 音频输入需要进行预处理，以去除背景噪音，使音量正常化，并过滤掉无关的声音，以提高语音识别系统的准确性。
- 信号采样：
- 将连续的模拟语音信号转换为数字信号。采样过程是按照一定的时间间隔（如8kHz或16kHz）进行采集，并将采集到的信号转换为数字信号。
- 特征提取：
- 从预处理后的语音信号中提取出能够表示语音信号意义的特征，如声学特征、时间特征、序列特征等。这一步的目的是将语音信号从时域转换到频域，表示为一系列包含能量和频率信息的参数，以便于后续的识别和分析。
- 声学建模：
- 将提取的语音特征与语音识别系统中的声学模型进行匹配。声学模型描述了语音信号与特定发音之间的关系，是将输入特征映射到语音单位（如音素或子音素单位）的统计模型。声学模型是在大量标记过的语音数据上训练的。
- 语言建模：
- 语言模型代表所讲语言的统计特性，描述了词语之间的概率关系。它根据上下文进行语音识别，将声学模型的输出与语言模型相结合，
(2)当前语音识别中主流的语言模型有哪些?
N-gram模型：
循环神经网络（RNN）
卷积神经网络（CNN）
Transformer模型：
(3）语音合成中语言分析的过程主要由哪几个步骤组成?
文本预处理
文本规范化
文本到语音的映射
重音和节奏分析
语句结构分析
语义角色标注
上下文分析
(4）智能语音常见的应用领域有哪些?举例阐述具体的应用。
智能家居
- 语音助手：用户可以通过语音命令控制家中的智能设备，如灯光、温度、安全系统等。
- 语音购物：用户可以使用语音命令在智能家居设备上进行购物，如订购日常用品。
自动驾驶汽车
- 语音控制：驾驶员可以通过语音命令控制车辆的导航、音乐播放、电话接听等功能。
- 语音交互：车辆系统可以与驾驶员进行语音交互，提供实时信息和警告。
第九章
1．选择题
(1)以下选项不属寸传感器的是（ D ）。
A.摄像头
B.传声器
C.雷达
D.电机
(2）从功能上来说，激光雷达和人体中的( C )最接近。
A.手
B.脚
C.眼
D.头
(3）以下函数不在智能循迹小车函数库中的是( D )。
A. Left
B. Back
C. Right
D. Stop
(4）如果智能循迹小车当前左边和右边底下都收到反射光,那智能循迹小车将( A )
A.前进
B.左转
C.右转
D.停止
2.应用题
(1)目前无人驾驶用到了哪些人工智能技术?
.计算机视觉：计算机视觉技术使无人驾驶汽车能够“看到”周围环境。通过摄像头和图像处理算法，汽车可以识别行人、车辆、交通标志、道路边界等。深度学习和卷积神经网络（CNN）在提高图像识别的准确性和速度方面发挥了重要作用。
2.传感器融合：无人驾驶汽车通常配备多种传感器，如雷达、激光雷达（LIDAR）、超声波传感器等。传感器融合技术将来自不同传感器的数据结合起来，以提供更全面、准确的环境感知能力。
3.机器学习和深度学习：机器学习算法，尤其是深度学习，被用于处理和分析来自传感器的数据，以识别模式、做出预测和决策。深度学习在图像识别、物体检测、路径规划等方面特别有效。
4.自然语言处理（NLP）：虽然不是无人驾驶汽车的核心技术，但NLP在人机交互方面发挥作用，例如，通过语音识别和语音合成技术，乘客可以与汽车进行自然语言交流，下达指令或获取信息。
5.路径规划和决策制定：无人驾驶汽车需要实时规划行驶路径并做出决策。这涉及到复杂的算法，如动态规划、强化学习等，以确保安全、高效地行驶。
6.控制系统：无人驾驶汽车的控制系统负责执行决策，控制车辆的加速、制动和转向。这些系统需要高度精确和可靠，以确保车辆的安全。
7.模拟和测试：在实际部署之前，无人驾驶汽车需要在模拟环境中进行大量的测试。模拟环境可以模拟各种驾驶场景，帮助开发者测试和优化算法。
8.车联网（V2X）技术：车联网技术允许无人驾驶汽车与其他车辆、基础设施和行人进行通信，以提高道路安全性和交通效率。
(2）无人驾驶在哪些领域可能最先得到大规模应用?为什么?
1.物流配送：
- 原因：物流行业对效率和成本控制有极高要求，无人驾驶技术可以实现24小时不间断的货物运输，减少人力成本，提高运输效率。此外，无人驾驶车辆可以减少人为错误，降低事故发生率，提高运输安全性。
2.公共交通：
- 原因：无人驾驶公交车、出租车和地铁等公共交通工具可以提高运输效率，减少拥堵，降低能源消耗和环境污染。无人驾驶技术还可以实现精准调度，提高公共交通的可靠性和乘客的出行体验。
3.农业：
- 原因：无人驾驶技术可以应用于农业机械，如无人驾驶拖拉机和收割机等，提高农业生产效率和质量。无人驾驶农业机械可以进行精准作业，减少人力需求，提高作物产量和质量。
4.共享出行：
- 原因：无人驾驶技术可以为共享出行服务提供更安全、更高效的车辆，降低运营成本，提高服务质量和用户体验。无人驾驶车辆可以实现24小时运营，满足不同时间段的出行需求。
5.环卫作业：
- 原因：无人驾驶技术可以应用于环卫车辆，如无人驾驶清扫车和垃圾收集车等，提高环卫作业的效率和安全性。无人驾驶环卫车辆可以减少人力需求，提高作业效率，降低环卫工人的劳动强度。
6.港口码头：
- 原因：无人驾驶技术可以应用于港口码头的货物搬运和运输，提高作业效率和安全性。无人驾驶搬运车辆可以实现精准作业，减少人为错误，提高作业效率。
7.智能矿山：
- 原因：无人驾驶技术可以应用于矿山开采，提高矿山作业的效率和安全性。无人驾驶矿山车辆可以进行精准作业，减少人力需求，提高作业效率。
(3)例如在大学校园里面采用无人驾驶系统送快递，有无人车、无人驾驶飞行器两种方案,哪种更可行?除了这些方式，你也可以发挥想象力，提供更多其他方案。
无人车方案
- 优势：
- 安全性：地面行驶的无人车相对安全，对校园内行人和车辆的威胁较小。
- 稳定性：无人车可以携带较重的货物，适合运送大件或较重的物品。
- 适应性：无人车可以适应各种天气条件，包括雨雪等恶劣天气。
- 法规：地面行驶的无人车在法规上相对成熟，更容易获得批准和监管。
- 局限性：
- 路径规划：校园内可能有复杂的行人和车辆流动，需要精确的路径规划和避障技术。
- 成本：无人车的购置和维护成本较高。
- 空间限制：校园内可能有狭窄的通道或楼梯等，限制了无人车的使用。
无人驾驶飞行器（无人机）方案
- 优势：
- 速度：无人机可以快速跨越校园，减少配送时间。
- 灵活性：无人机可以飞越障碍物，如围墙、建筑物等，直接到达目的地。
- 成本：对于小件物品，无人机的运输成本可能较低。
第十章
1.选择题
(1)决策树中不包含的节点是( C )。
A.根节点
B.内部节点
C.外部节点
D.叶节点
(2）某超市在研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布,这属于数据挖掘的( A )问题。
A.关联规则发现
B.聚类
C.分类
D.自然语言处理
(3）在现实世界的数据中,元组在某些属性上常会有缺失值。描述该问题的各种方法有( ABCD )。
A.使用属性的平均值填充缺失值
B.忽略元组
C.使用一个全局常量填充缺失值
D.使用与给定元组属同一类的所有样本的平均值
(4）数据挖掘预处理的过程不包括( D )
A.处理缺失值
B.属性编码
C.特征选择
D.数据可视化
2.应用题
(1）根据人工智能开放平台提供的功能,结合实际应用场景和实际素材实现人工智能的简单应用。
1.确定目标变量和特征
- 目标变量：用户选择的功能（例如，视频播放、音乐播放、阅读文章等）。
- 特征：用户可能考虑的因素，如时间、地点、设备类型、个人偏好、网络状况等。
2.收集数据
- 收集用户在不同条件下的选择数据，例如，用户在不同时间段、不同地点、使用不同设备时选择的功能。
3. 构建决策树
- 使用收集到的数据来构建决策树。决策树的构建通常从根节点开始，根据特征的不同值进行分支，直到达到叶节点，叶节点代表最终的分类结果。
4. 训练决策树
- 使用训练数据集来训练决策树模型，让模型学习如何根据特征来预测目标变量。
5.使用决策树进行分类
- 当用户在浏览平台时，根据当前的条件（如时间、地点、设备等），使用训练好的决策树模型来预测用户最可能选择的功能。
(2) 收集数据（不同类别的花束)。
1. 确定数据需求
- 目标：确定你希望模型能够识别的花束类别。例如，玫瑰、郁金香、百合等。
- 特征：确定用于区分不同花束的特征，如颜色、花瓣形状、花茎长度、花香等。
2. 数据收集
- 来源：从花店、花卉市场、在线花卉销售平台等获取花束的图片和相关信息。
- 数量：收集足够数量的样本以确保模型的泛化能力。通常，每个类别需要有几十到几百个样本。
- 多样性：确保数据集包含不同角度、光照条件、背景下的花束图片，以提高模型的鲁棒性。
3. 数据标注
- 人工标注：由专业人员对收集到的图片进行标注，包括花束的类别、特征等信息。
- 工具：使用图像标注工具（如LabelImg、CVAT等）来标注图片中的花束边界框和类别标签。
4. 数据清洗
- 质量检查：检查标注的准确性，确保没有错误或遗漏。
- 格式统一：确保所有图片的格式、大小、分辨率等一致，便于模型处理。
5. 数据分割
- 训练集：用于训练模型的数据。
- 验证集：用于调整模型参数和选择模型架构的数据。
- 测试集：用于评估模型最终性能的数据。
6. 数据增强
- 增强技术：通过旋转、缩放、裁剪、颜色调整等技术增加数据集的多样性，提高模型的泛化能力。
7. 数据存储
- 格式：将数据集存储为模型训练时支持的格式，如JPEG图片和CSV文件。
- 备份：确保数据集有备份，以防数据丢失或损坏。
8. 数据隐私和合规性
- 隐私保护：确保收集的数据符合当地的数据保护法规和隐私政策。
- 版权：如果使用了第三方的图片，确保拥有使用权或图片是公共领域或已获得授权。
(3) 通过平台功能,利用决策树实现对不同花束的分类,并输出分类报告。
1.数据准备
- 收集包含花束特征的数据集。
- 对数据进行预处理，如缺失值填充、数据清洗、编码（例如，将文本特征转换为数值特征）。
2.选择平台或工具
- 选择一个支持决策树算法的平台或工具，如Python的scikit-learn库。
3.加载数据
- 在所选平台或工具中加载数据集。
4.划分数据集
- 将数据集划分为训练集和测试集。通常，训练集用于训练模型，而测试集用于评估模型的性能。
5.训练决策树模型
- 使用训练集训练决策树模型。在scikit-learn中，你可以使用DecisionTreeClassifier类来创建决策树分类器。
6.评估模型
- 使用测试集评估模型的性能。常用的评估指标包括准确率、精确率、召回率和F1分数等。
7.输出分类报告
- 创建一个分类报告，显示每个类别的精确率、召回率和F1分数。在scikit-learn中，你可以使用classification_report函数来生成这个报告。
(4）思考数据挖掘更多的落地场景,并进行商业价值分析。
1.客户细分：
-
- 场景：通过分析客户的购买历史、行为习惯、人口统计信息等，将客户分成不同的群体。
- 商业价值：帮助企业更好地理解客户，从而制定更精准的营销策略，提高客户满意度和忠诚度，增加销售机会。
2.市场细分：
-
- 场景：分析市场数据，识别不同的市场细分，了解各细分市场的特点和需求。
- 商业价值：帮助企业发现新的市场机会，优化产品和服务，提高市场竞争力。
3.预测分析：
-
- 场景：利用历史数据预测未来趋势，如销售预测、库存管理、风险评估等。
- 商业价值：帮助企业做出更明智的决策，减少资源浪费，提高运营效率和盈利能力。
4.欺诈检测：
-
- 场景：通过分析交易数据，识别异常行为，预防和检测欺诈行为。
- 商业价值：减少欺诈损失，保护公司资产，提升客户信任。
5.个性化推荐：
-
- 场景：根据用户的行为和偏好，提供个性化的商品或服务推荐。
- 商业价值：提高用户满意度，增加交叉销售和追加销售的机会，提升销售额。
6.客户流失分析：
-
- 场景：分析客户行为，识别可能流失的客户，并采取措施挽留。
- 商业价值：降低客户流失率，保持客户基础的稳定增长。
7.供应链优化：
-
- 场景：通过分析供应链数据，优化库存管理、物流配送等环节。
- 商业价值：降低库存成本，提高物流效率，提升客户服务水平。
8.产品开发：
-
- 场景：通过分析市场趋势和客户反馈，指导新产品开发。
- 商业价值：确保新产品符合市场需求，提高新产品成功率。
9.社交媒体分析：
-
- 场景：分析社交媒体上的数据，了解公众对品牌和产品的看法。
- 商业价值：及时调整市场策略，提升品牌形象，增强市场竞争力。
10.风险管理：
-
- 场景：通过分析历史数据，评估和预测潜在风险。
- 商业价值：帮助企业提前识别和管理风险，减少潜在损失。