计算思维与人工智能基础周勇课后习题答案

第1章

一、选择题答案

1~4BCBC

第2章

一、选择题答案

1~5CBCAB6~10CCDDA11-12BC

二、填空题答案

1.-9的原码10001001、反码11110110、补码11H0U1

2.11111100101

3.8倍

4.-29.125

三、简答题答案（部分）

二进制十进制八进制十六进制

110011110314767

第2题110101.001153.187565.1435.3

0.100110.593750.460.98

10000116710343

十进制二进制十六进制

97110000161

1281000000080

第3题0.50・10.8

50.625110010.10132.A

23611101100EC

20.0810100.000114.1

十进制补码

第4题

3500100011

000000000

-211111110

-1311110011

-7610110100

-12810000000

第5题如果一个有符号数占有n位，那么它的最大值是+（2"<1）0

字符ASCIIASCIIASCII

（十进制）（十六进制）（二进制）

D684401000100

第6题

d1006401100100

3513300110011

空格322000100000

第3章

一、选择题答案

1-5ACBDC6-10CDCBD11-15DCCBC

16-20CBCBC21-25AABDD26-28BCC

二、填空题答案

1.硬件系统软件系统

2.输入设备存储器控制器运算器输出设备

3.38

4.文档资料；应用软件

5.处理器管理存储管理设备管理文件管理作业管理

6.实时

7.执行状态就绪状态等待状态

8.内存分配内存保护地址映射内存扩充

9.地址映射

10.指令

第4章

l.C2.C3.A4.A

5.客户机，服务器

6.同轴电缆、双绞线、光纤

7.集线器

8.局域网、城域网、广域网

9.1986年8月25日，瑞士日内瓦时间4点11分，北京时间11点11分，由当时任高能物

理所ALEPH组（ALEPH是在西欧核子中心高能电子对撞机LEP上进行高能物理实验的一

个国际合作组，我国科学家参加了ALEPH组，高能物理所是该国际合作组的成员单位）组

长的吴为民，从北京发给ALEPH的领导——位于瑞士日内瓦西欧核子中心的诺贝尔奖获得

者斯坦伯格（JackSteinberger）的电子邮件是中国第一封国际电子邮件。1989年8月，中

国科学院承担了国家计委立项的“中关村教育与科研示范网络"（NCFC）——中国科技网

（CSTNET）前身的建设。1989年，中国开始建设国家级四大骨干网络联网。1991年，在中

美高能物理年会上，美方提出把中国纳入互联网络的合作计划。1994年4月，NCFC率先与

美国NSFNET直接互联，实现了中国与Internet全功能网络连接，标志着我国最早的国际互

联网络的诞生。中国科技网成为中国最早的国际互联网络。1994年，中国第一个全国性

TCP/IP互联网---CERNET示范网工程建成，并于同年先后建成。1994年，国家级四大骨干

网络联网（中国教育与科研计算机网，中国科学技术网，中国金桥信息网，中国公用计算机

互联网）建成。1994年，中国终于获准加入互联网，并在同年5月完成全部中国联网工作。

1995年，张树新创立首家互联网服务供应商（瀛海威）老百姓进入互联网。1998年，CERNET

研究者在中国首次搭建IPV6试验床。2000年，中国三大门户网站搜狐、新浪、网易在美国

纳斯达克挂牌上市。2001年，下一代互联网地区试验网在北京建成验收。2002年，第二季

度，搜狐率先宣布盈利，宣布互联网的春天已经来临。

10.常见的网页浏览器有InternetExplorer、MoziUaFirefox,Chrome>Safari,360安全浏览

器、搜狗浏览器等等。

第5章

1.4V特点，Volume（大量），velocity（高速），Variety（多样），Value（价值）。

2.数据仓库以关系数据库为基础，无论是数据类型还是数据量方面都存在较大的限制，而

大数据决策可以面向类型繁多的、非结构化的海量数据进行决策分析。

3.略

4.现今社会，很多智能应用是物联网、云计算和大数据技术的有效集成，它们三者共同构建

起现代智能系统。以智能公交系统为例，公共汽车、电子站牌以及智能移动终端的互连网络

是物联网，这是整个智能公交系统的网络通信的基础，公交监控调度中心基于云计算模式使

用各种资源（包括网络、服务器、存储、应用软件等），同时智能公交系统产生大量数据，

包括公共汽车运行情况、道路拥堵情况、公共汽车载客量、用户查询情况等等，此类大数据

分析，对于设计公交线路，调度公交车次有着重大的价值。

第6章

第六章程序设计题，解题方法不止一种，答案仅提供1种思路供参考。

1.数鸡蛋问题。鸡蛋最少是52个。

End

2.吃馒头问题。大人20个，小孩80个。

End

3.鸡兔同笼问题。鸡16只，兔子3只。

End

4.单据涂抹问题。11859。

End

5.货币问题。4种组合。

第一种50元1张，10元19张；第二种50元2张，10元14张;

第三种50元3张，10元9张；第四种50元4张，10元4张；

6.楼梯走法问题。233种方法。

End

7.猴子吃桃问题。第一天摘了1534只桃子。

End

8.递归求累加和。

9.冒泡排序升序结果：

第一趟｛7,4,11,12,5,9,34)

第二趟｛4,7,11,5,9,12,34)

第三趟｛4,7,5,9,11,12,34)

第四趟｛4,5,7,9,11,12,34)

第五趟｛4,5,7,9,11,12,34)

第六趟(4,5,7,9,11,12,34)

10.选择排序降序结果：

第一趟｛50,7,8,11,33,22,1)

第二趟｛50,33,8,11,7,22,1)

第三趟｛50,33,22,11,7,8,1)

第四趟｛50,33,22,11,7,8,1)

第五趟｛50,33,22,11,8,7,1｝

第六趟｛50,33,22,11,8,7,I)

第7章

1.什么是人工智能？它的研究目标是什么？

人工智能，就是人类智能的人工实现。具体来说，是指机器根据人类给定的初始信息来

生成和调度知识、进而在目标引导下由初始信息和知识生成求解问题的策略并把智能策略转

换为智能行为从而解决问题的能力。从学科的角度而言，人工智能是一门研究如何构造智能

机器或智能系统，使它能模拟、延伸、扩展人类智能的学科。这门学科最大的魅力在于为探

索“智能理论”提供了-一种媒介和实验平台：首先用计算机程序语言表达这些理论，然后再在

实际计算机上执行来进行测试和验证，其最终目标是建立关于智能的理论体系和让智能机器

达到人类的智能水平。

2.简述人工智能研究各个发展阶段及其特点。

略

3.机器要通过图灵测试，所需要的主要技术有哪些？

一台机器要通过图灵测试，它至少需要有下面的能力:

1.自然语言处理：实现用自然语言与计算机进行交流；

2.知识表示：存储它知道的或听到的、看到的；

3.自动推理：能根据存储的信息回答问题，并提出新的结论；

4.机器学习：能适应新的环境，并能检测和推断新的模式；

4.人工智能有哪些重要的学派，它们的认知观是什么？

人工智能的主要研究的学派有符号主义（SymbolicismSymbolicism）、连接主义

（ConnectionismConnectionism）和行为主义（Actionism）。符号主义其原理主要为物理符号

系统（即符号操作系统）假设和有限合理性原理。连接主义其原理主要为神经网络及神经网

络间的连接机制与学习算法。行为主义其原理为控制论及感知-动作型控制系统。

符号主义，又称为逻辑主义、心理学派或计算机学派，认为人的认知基元是符号，而且

认知过程即符号操作过程。它认为智能是一个物理符号系统，计算机也是一个物理符号系统。

因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过

程。连接主义又称为仿生学派或生理学派，认为人的思维基元是神经元，而不是符号处理过

程。它对物理符号系统假设持反对意见，认为人脑不同于电脑，并提出连接主义的大脑工作

模式，用于取代符号操作的电脑工作模式。行为主义又称为进化主义或控制论学派，认为人

工智能的研究方法应采用行为模拟方法，也认为功能、结构和智能行为是不可分开的。不同

的行为表现出不同的功能和不同的控制结构。认为智能取决于感知和行动（所以被称为行为

主义），提出智能行为的“感知一动作”模式。

5.请列举人工智能研究的主要应用领域。

问题求解与博弈、专家系统、模式识别、智能决策支持系统、自然语言处理、智能检

索、自动驾驶、机器人学、人工智能+等。

6.你认为人工智能作为一门学科，今后的发展方向应该如何？

略

7.人工智能如何更好的和传统行业融合，实现人工智能+?

略

第8章

1.2.5.7略

3.以变量m、f、s、v分别指示农夫、狐狸、小羊、菜,且每个变量只可取值1（表示在左岸）

或0（表示在右岸）。问题状态可以四元组（m、f、s、v）描述，设初始状态下均在左岸,目标状

态下都到达右岸。从而，问题求解任务可描述为

(1,1,1,1)->(0,0,0,0)

设计二类操作算子:Lx、Rx,x为m、f、s、V时分别指示农夫独自，带狐狸，带小羊,带菜过

河；状态空间图如下所示.由于Lx和Rx是互逆操作，故而解答路径可有无数条，但最近的只

有二条;都是7个操作步。

0001)0100

0010

1010

ILs

0000

4.设用SK=(Sk0,Ski)表示问题的状态，SKO表示盘片A所在的柱号，S3表示盘片B所在的

柱号，全部可能的状态有九种：

So=(l,l),S1=(1,2),S2=(l,3)

S3=(2,l),S4=(2,2),Ss=(2,3)

S6=(3,l),S7=(3,2),$8=(3,3)

问题的初始状态集合为S=S<),目标状态集合为G=S8O

算符分别用A(iJ)及B(ij)oA(i』)表示把A盘片从第i号柱移到第j号柱。

B(i,j)与之同理。算符共有12个。

在状态空间图中，从初始节点(1,1)到目标节点(3,3)的任何一条通路都是问题的一个解。

其中最短的路径长度是3,它由3个算符组成。例如:A(12),B(1,3),A(23)。

6.根节点的MAX值是3

第9章

1.什么是机器学习？机器学习的研究目标是什么？

关于机器学习迄今为止也没有一个被广泛认可的准确定义。从直观上理解，机器学习就

是让机器（计算机）来模拟人类的学习功能，是一门研究怎样用机器来模拟或实现人类学习

活动的一门学科。机器学习是人工智能中最具有智能特征的前沿研究领域之一。

机器学习的研究主要集中在以下三个方面展开：一是认知模型的研究，目的是要通过对

人类学习机理的研究和模拟，从根本上解决机器学习方面存在的种种问题；二是理论学习的

研究，目的是要从理论上探索各种可能的学习方法，并建立起独立于具体应用领域的学习算

法；三是面向任务的研究，目的是要根据特定任务的要求建立相应的学习系统。

2.什么是监督学习？什么是无监督学习？

监督学习是通过已有的训练样本（即已知数据以及其对应的输出）进行训练，从而得到

一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进

行简单的判断从而实现分类的目的。

无监督学习是用来学习的数据在没有任何类别信息以及给定目标值的情况下，通过学习

寻求数据间的内在模式和统计规律，从而获得样本数据的结构特征。

3.简述解决机器学习问题的一般步骤。

收集数据：可以使用很多方法收集样本数据，如制作网页爬虫工具从网站上抽取数据、

智能设备发送过来的实测数据（温度、血压等）。获得数据的方法有很多，为了确保实验的

可验证性和准确性、节省时间和精力，一般采用公测数据集。

输入数据：获得数据后，还必须确保数据格式符合要求，与收集数据的格式相比，处理

算法要求的格式相对简单很多。

数据预处理：为了从这些数字或符号（串）中抽取出对机器学习有效的信息，必须进行数

据预处理，包括数据清理和特征提取等。数据预处理是一个非常重要的步骤，它影响着整个

机器学习的成败。

训练算法：机器学习算法从这一步才真正开始学习。根据算法的不同，第四步和第五步

是机器学习算法的核心。我们将前三步得到的格式化数据输人到算法，从中抽取知识或信息。

这里得到的知识需要存储为计算机可以处理的格式，方便后续步骤使用。

如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算

法相关的内容都集中在第五步。

测试、验证模型：测试模型的目的是为了确定所建立模型是否满足实际应用的要求。测

试数据应该和训练用的样本数据不一致，否则，测试所得的结果永远都是满意的。用测试数

据对所建立模型进行测试，观察测试结果是否与实际情况是相符合。若与实际情况相符合，

所建立模型就可对未知数据做预测，从而得到进一步的验证。

4.什么是聚类？常见的聚类算法有哪些？

聚类(Clustering)是一种无监督的学习方法，目标是通过对无标记训练样本的学习来揭

示数据的内在的性质和规律，为进一步的数据分析提供基础。聚类基于“物以类聚”的思想，

通过计算对象个体或对象类之间的相似程度，将满足相似条件的对象个体或对象类分入同一

类(簇)内；不满足相似条件的对象个体或对象类分入不同类(簇)中，使划分结果满足类

内元素相似度高、类间元素相似程度低的要求。

主要的聚类算法可以划分为以下4个类型：基于划分的聚类方法：代表算法有：K-

MEANS算法、K-MEDOIDS算法、CLARANS算法等；基于层次的聚类方法：代表算法有

BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的聚类方法：代表算法有

DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的聚类方法：代表算法有STING

算法、CLIQUE算法、WAVE-CLUSTER算法等。

5.什么是分类？常见的分类算法有哪些？

分类(Classification)是机器学习的一项重要任务，是指在数据库的各个对象中找出共

同特征，并按照分类模型把它们进行分类。分类分析时将依据“训练集”数据的类标号，对类

进行准确的描述或者建立模型，该模型能够很好地拟合输入数据中类标号和属性集之间的联

系，还要能正确地预测未知样本的类标号。常见的分类算法有决策树、贝叶斯、k-近邻、支

持向量机。

6.给定贷款申请样本数据集，如表9-6所示，请回答以下问题:

(1)决策树ID3算法会选择哪个属性作为根节点？

(2)构造该决策树。

表9-6贷款申请样本数据集

序号年龄工作信息房产信息信贷情况类别

1青年无无一般否

2青年无无好否

3青年有无好是

4青年有有一般是

5青年无无一般否

6中年无无一般否

7中年无无好否

8中年有有好是

9中年无有非常好是

10中年无有非常好是

11老年无有非常好是

12老年无有好是

13老年有无好是

14老年有无非常好是

15老年无无一般否

解：假定样本集为S，分别以A,B,C,。分别表示年龄、工作、房产和信贷情况4个

特征，的，。2,G分别表示特征A的取值青年、中年和老年；历，岳分别表示特征8的取值无

工作和有工作；0,C2分别表示特征C的取值无房产和有房产；a,C2,。3分别表示特征D的

取值信贷情况一般、信贷情况好和信贷情况非常好，然后计算各特征对数据集S的信息增益

值。

对于给定的数据集S,其期望信息量为：

M(S)=-(9/15)log2(9/15)-(6/15)log2(6/15)=0.971bits

选取属性A作为根节点的期望信息量为：

B(S,A)=Z(属性A取值为A的概率)xM(a,.)

=(5/15)M(4)+(5/15)加(出)+(5/15)M(%)=0.888

则属性A的信息增益值为：M(S)-B(S,A)=0.971-0.888=0.083bits

同理，可求得属性B的信息增益值为：

M(S)—B(S,B)=0.971-0.647=0.324bits

属性C的信息增益值为：

M(S)一伙S,C)=0.971-0.551=0.42bits

属性。的信息增益值为：

M(S)-B(S,D)=0.971-0.608=0.363bits

最后比较各特征的信息增益值，由于特征C(房产信息)的信息增益值最大，所以选择特

征C作为根节点的特征。它将训练数据集划分为两个子集G(取值为有)和C2(取值为无)。由

于G只有同一类样本点，所以它成为一个叶节点，节点类标记为“有

对于C2则需要从特征A(年龄)，B(工作信息)和。(信贷情况)中选择新的特征。计算各

个特征的信息增益，分别为：

M(C2)-B(C2,A)=0.252

M(C2)-B(C2,B)=0.918

M(C2)-B(C2,Z))=0.474

选择信息增益最大的特征B(工作信息)作为节点特征。8有2个取值，一个对应“有”的

子节点，包含3个样本，他们属于同一类，所以这是一个叶节点，类标记为“有”；另一个对

应“无”(无工作)的子节点，包含6个样本，属于同一类，这也是一个叶节点，类标记为“无”。

至此，该决策树己构建完成，如图所示。

7.假设数据集。中有10个数据对象(用二维空间的点表示)，分别是:

A(4,1),4(3,8),4(8,5),4(9,5),员(2,4)

鼻(3,3),B」(4,9),G(4,8),C,(9,6),Q(2,2)

用KMea〃s聚类算法将这些数据进行聚类，距离计算办法采用欧氏距离。

解：首先给定聚类数K=3,随机选取m，机2,如作为初始类的中心点，分别是如=

4(4,1),皿=员(2,4),-3=G(2,2),开始迭代。

第一次迭代：分别计算数据集中其余每个对象到这3个类中心点的距离，并将其分配给

距离最近的中心点所代表的簇，这样就可以得到3个簇，分别是：

K尸{AI,A3,S,C2},K2={A2,B2,B,,BA,G},&={G}

对这个结果重新计算每个簇的均值。将虚拟中心点更新为科=(7.5,4.25),机2=(326.4),

侬=(2,2)«

第二次迭代：重复第一次迭代中的方法，得到新的3个簇为：

K产{-3,小@,长={4,8,G},K3={Al,82,83,C3}

更新后的中心点为如=(8.6,5.3),,"2=(3.6,8.3),侬=(2.75,2.5)。

第三次迭代：重复第一次迭代中的方法，得到新的3个簇为：

K尸{A.—},K2={A2,B4,CI},&={AI,82,C3}

比较第三次与第二次的迭代结果，可以发现：每个簇中的数据不再被重新分配，聚类结

果稳定，则算法终止。

8.数据集S如表9-7所示，试根据