1. 课程背景与考试特点解析作为软件工程专业核心课程之一山东大学软件学院的人工智能导论课程始终保持着理论扎实、注重应用的教学特色。2025-2026学年的期末考试延续了往年的命题风格但在新技术应用和案例分析方面有了明显创新。从学生反馈来看本次考试特别强调以下三个维度基础概念辨析神经网络架构、搜索算法复杂度等传统考点仍占30%分值新兴技术应用大模型微调、多模态学习等前沿内容首次进入考题场景化问题解决新增医疗影像分析、智能客服系统等真实案例题考试采用闭卷形式包含选择题20%、简答题40%和综合应用题40%三种题型。值得注意的是今年减少了纯记忆性内容的考查所有简答题都要求结合具体场景进行分析。2. 核心考点深度复盘2.1 神经网络与深度学习模块今年该模块的考查重点集中在以下方面卷积神经网络超参数调优考题给出医疗影像分类场景要求设计CNN架构并说明各层作用关键得分点包括卷积核大小选择3×3最优、池化策略最大池化保留特征、Dropout设置0.2-0.5区间典型错误混淆stride与padding的计算方式反向传播计算题提供三层网络结构图要求推导权重更新公式必须展示链式法则完整过程漏写中间步骤会扣分建议使用计算图辅助推导避免符号混淆实战技巧遇到复杂求导时先用小标标记各层神经元如h_i^(l)再按输出层→隐藏层→输入层顺序逐步展开2.2 机器学习基础篇本部分出现两个创新题型代价函数对比分析给出线性回归、SVM、神经网络在相同数据集上的损失曲线要求分析模型表现差异及可能原因如特征尺度问题、过拟合迹象等需要指出SVM的hinge loss在分类边界处的突变特性贝叶斯网络推理设计了一个包含5个节点的医疗诊断网络要求计算特定症状组合下的疾病概率关键要掌握变量消元法的计算流程3. 新兴技术考查要点3.1 大模型微调实践首次出现的LLM相关考题要求给定中文客服对话数据集说明如何微调ChatGLM模型数据预处理步骤去除敏感信息、统一编码格式LoRA适配器配置建议r8, alpha16学习率设置策略余弦退火初始2e-5模型评估指标选择除了常规的BLEU-4还需计算意图识别准确率人工评估需要设计话术流畅度评分表3.2 多模态学习应用计算机视觉与NLP结合的考题图像描述生成任务中对比CLIP与BLIP模型的编码器差异设计联合训练时的损失函数需包含对比损失和生成损失视频问答系统架构设计关键组件包括帧采样模块、时空特征提取器、跨模态注意力层时间戳定位需要特别处理视频的时序依赖性4. 典型易错题解析4.1 遗传算法参数调优题题目给出函数优化场景要求选择适当的变异概率常规问题建议0.001-0.01本题搜索空间较大最佳值为0.05多数学生填0.1过高适应度函数设计陷阱直接使用目标函数值会导致负数问题需要线性缩放或指数转换处理4.2 强化学习迷宫题在grid world环境中Q-learning更新公式漏写必须完整写出Bellman方程常见错误遗忘折扣因子γ本题取0.9探索策略选择ε-greedy中ε应随时间衰减最佳初始值为0.3非固定0.55. 备考建议与学习资源根据本次考试体现的新趋势建议后续学习者实践导向学习使用PyTorch Lightning复现经典论文Kaggle上医疗影像比赛如RSNA的notebook很有参考价值前沿技术跟踪关注ICLR等顶会的最新tutorial华为MindSpore文档中的案例解析很实用错题整理方法建立概念关联图如将各种归一化方法对比记忆对推导类题目要保留手写演算过程特别提醒学院提供的历年真题中2019-2024年的综合应用题仍然具有很高参考价值重点研究其中关于模型优化的部分。新的技术动态可以通过arXiv每日更新推送来跟进建议建立个人知识库系统化整理学习笔记。