真题 · 非连续文本阅读

机器学习与人工神经网络

从机器学习的一般过程进入深度模型,比较人脑神经系统与人工神经网络。

导读

文体与题材:两则科普性材料,介绍机器学习、深度学习和人工神经网络。

作者与出处:两则材料取材于邱锡鹏相关著作,选入2021年北京卷。

内容脉络:材料一介绍机器学习的一般流程及深度学习,材料二从人脑神经系统的简化模型出发说明人工神经网络及其作用。

阅读重点:区分训练特征、预测函数与具体应用,注意材料中“有时”“大多”等范围限制。

原文

原文按结构分节;随文内容可定位至对应段落。

01 / 第1—2段

材料一:说明机器学习的流程与浅层学习的局限。

1

①机器学习是一种人工智能技术,它通过设计算法,让计算机可以从有限的观测数据中分析并获取规律,然后利用“学习”到的规律对未知数据进行预测,从而帮助人们完成应用任务。运用机器学习解决应用问题,一般包含如下几步:首先是对观测数据作预处理,然后是从观测数据中提取有效特征并对特征进行转换,最后是构建函数并利用它进行预测。

2

②传统的机器学习主要关注预测函数的构建,至于特征,则一般是通过人为地设计一些准则,然后根据这些准则从观测数据中获得。对机器而言,这可看作是一种“浅层学习”。由于浅层学习有时不能很好地获得有助于提升预测准确率的特征,“深度学习”应运而生。

批注 1

语境与表达

浅层学习有时不能很好地获得有助于提升预测准确率的特征

“有时”限定了这一判断的适用范围,说明浅层方法在某些情形下存在局限,不能据此断言它总是无效。

02 / 第3—5段

材料一:介绍深度模型、贡献度分配及应用。

3

③深度学习需要构建具有一定“深度”的模型,让机器自动从观测数据中学习到有效的特征,帮助提升预测的准确率。“深度”与数据处理过程的组件数量密切相关,深度模型的原始输入与输出结果之间有多个组件,每个组件都会对数据进行加工,并影响后续组件。当得到最终的输出结果时,我们并不清楚每个组件的贡献是多少,判断每个组件对输出结果的影响称为“贡献度分配”问题。以下围棋为例,每当下完一盘棋,我们会思考哪几步棋导致了最后的胜利或失败,判断每一步棋贡献的多少就是贡献度分配问题。该问题在深度学习中至关重要,解决起来也非常困难。

4

④目前,深度学习大多采用“人工神经网络”来实现。人工神经网络内部包含多个层次,正好能满足深度学习的“深度”需求。近年来,深度学习技术快速发展,其所使用的人工神经网络模型从早期的五至十层增加到目前的数百层,这极大提高了特征提取与转换的能力,也使预测的准确率随之上升。

5

⑤深度学习技术被广泛应用于模式识别、自然语言处理等诸多领域并取得了重大突破。我们要想在方兴未艾的科技革命中占有先机,牢固掌握以深度学习为代表的人工智能技术是必要条件。

批注 1

语境与表达

判断每个组件对输出结果的影响称为“贡献度分配”问题

这里先界定问题,再以围棋中判断各步对胜负的影响作类比;类比有助于理解,但两种过程并不完全等同。

03 / 第6—8段

材料二:以神经元与突触说明人工神经网络的构建和作用。

6

⑥人脑神经系统是一个非常复杂的组织,包含几百亿个神经元。神经元与神经元之间没有物理连接,它们通过突触进行互联来传递信息。神经元可被看作是只有兴奋和抑制两种状态的细胞,突触将一个神经元的兴奋状态传至另一个神经元。突触有强有弱,其强度可以通过学习或训练来不断改变,具有一定的可塑性。一个神经元的状态是兴奋还是抑制,取决于它从其他神经元接收到的信号量以及突触的强度。当一个神经元接收到的信号量总和超过了某个阈值,细胞体就会兴奋,产生电脉冲,电脉冲通过突触传递到其他神经元。可以认为,在人脑神经系统中,每个神经元本身固然重要,但更重要的是神经元如何组成网络。

7

⑦受人脑的启发,科学家构建了一种在结构、工作原理和功能上都模拟人脑神经系统的计算模型,称之为“人工神经网络”,简称“神经网络”。在机器学习领域,神经网络指由很多人工神经元相互连接构成的系统,这些人工神经元一般被称为节点,每个节点本质上是一个函数。神经网络不同节点间的连接被赋予了不同的权重,每个权重表示一个节点对另一个节点影响的大小。每个节点的“兴奋”或“抑制”,由来自其他节点的数据信息与节点间的连接权重综合计算得到。

8

⑧深度学习利用神经网络构建模型,可以对数据进行更好的特征提取与特征转换,从而得到预测准确率更高的函数。除了神经网络模型,深度学习也可以采用“深度信念网络”等其他类型的模型。但由于神经网络能借助相关算法较好地解决贡献度分配问题,它成为了深度学习主要采用的模型。

第1题 · 信息辨析

根据材料一,下列表述正确的一项是:

A.机器学习的最终目的是从数据中寻找到某种规律。

B.机器学习从数据中学到的规律可以用函数来表示。

C.机器学习完成特征提取与转换后就可以进行预测。

D.浅层学习无需人工干预,完全依赖机器自主完成。

参考答案1展开 / 收起

参考作答

B。

文本分析

A项 · 不符合查看证据 ↗

获取规律后还要利用规律对未知数据进行预测,以帮助完成应用任务。

B项 · 符合查看证据 ↗

材料说机器学习先获取规律,再构建函数并利用它预测;可据此理解函数与学到的规律之间的关系。

C项 · 不符合查看证据 ↗

材料将特征提取转换和构建预测函数分为不同步骤,前者完成后仍须构建函数。

D项 · 不符合查看证据 ↗

浅层学习的特征通常根据人为设计的准则取得,并非完全无须人工参与。

第2题 · 概念理解

根据材料一,下列对“深度学习”的理解与推断,不正确的一项是:

A.可以更好地处理数据特征,更准确地预测。

B.数据处理过程中的组件数量会影响其深度。

C.数据处理过程中影响最大的组件不难确定。

D.是人工智能技术的代表,已有广泛的应用。

参考答案2展开 / 收起

参考作答

C。

文本分析

A项 · 符合查看证据 ↗

深度学习使机器自动学习有效特征,以帮助提升预测准确率。

B项 · 符合查看证据 ↗

材料说深度与数据处理过程的组件数量密切相关。

C项 · 不符合查看证据 ↗

作者指出贡献度分配问题至关重要且解决困难,选项将难易颠倒。

D项 · 符合查看证据 ↗

材料将深度学习作为人工智能技术的代表,并说明其广泛应用。

第3题 · 信息辨析

根据材料二,下列对人脑神经系统的理解,不正确的一项是:

A.一个神经元是兴奋还是抑制的状态不全由其自身决定。

B.一个神经元接收到其他神经元的电脉冲以后就会兴奋。

C.人脑神经系统中神经元本身不如神经元如何组网重要。

D.人脑神经系统启发了深度学习中一种主要模型的构建。

参考答案3展开 / 收起

参考作答

B。

文本分析

A项 · 符合查看证据 ↗

材料将神经元状态与其他神经元的信号量及突触强度联系起来。

B项 · 不符合查看证据 ↗

材料将兴奋的发生限定为接收信号量总和超过阈值;接收到信号并不必然兴奋。

C项 · 符合查看证据 ↗

材料明确比较单个神经元和组网,强调后者的重要性。

D项 · 符合查看证据 ↗

人工神经网络受人脑启发,是深度学习主要采用的模型。

第4题 · 比较推断

根据材料一和材料二,下列理解与推断,不正确的一项是:

A.人工神经网络在自然语言处理等诸多领域是无可替代的。

B.深度学习进行预测的能力与其模型的层次数量密切相关。

C.沟通不同神经元的突触的强度不是恒定的,可以被改变。

D.人工神经网络模型被深度学习采用有不止一方面的原因。

参考答案4展开 / 收起

参考作答

A。

文本分析

A项 · 不符合查看证据 ↗

材料说神经网络是主要模型,同时提到其他类型模型,不能推断其在所有领域无可替代。

B项 · 符合查看证据 ↗

材料一说多层模型增强特征处理能力并使预测准确率上升,支持二者有关联;不应由此推出层数越多一定越准确。

C项 · 符合查看证据 ↗

材料说突触强度可以通过学习或训练改变,具有可塑性。

D项 · 符合查看证据 ↗

材料同时提及多层结构、特征提取转换和贡献度分配等方面,可概括为采用原因不止一个。

第5题 · 信息整合

根据以上两则材料,说明深度学习“应运而生”的原因,以及人工神经网络在深度学习中的作用。

参考答案5展开 / 收起

参考作答

①原因:浅层学习通常依赖人工设计特征,有时难以获得有助于提升预测准确率的特征,因此需要自动学习有效特征的方法。

②作用:人工神经网络的多层结构满足深度模型需要,改善特征提取和转换,并可借助相关算法处理贡献度分配问题,帮助提高预测准确率。

文本分析

产生原因查看证据 ↗

浅层学习的特征获取有局限,深度学习针对这一局限自动学习特征。

结构与特征查看证据 ↗

网络的多层结构与深度要求相适应;运用该模型能够改善特征提取、转换和预测。

贡献度分配查看证据 ↗

材料二将网络成为主要模型与其借助算法较好地处理贡献度分配问题联系起来。

研习关联

信息类文本阅读 · 文本证据与阅读推论

参考文献

试题与来源

本文关联

信息类语篇分析1 处阅读条目 →研习关联 ↗

信息类文本阅读 · 文本证据与阅读推论

文本证据与阅读推论1 处阅读条目 →研习关联 ↗

信息类文本阅读 · 文本证据与阅读推论

引用本文

信息类文本阅读选讲1 处阅读条目 →文化与科技专题 ↗

中华饮食文化 · 机器学习 · 合作之谜

信息类文本阅读补充研习1 处阅读条目 →机器学习与文旅发展 ↗

机器学习 · 文化旅游与夜间消费

全文检索

输入关键词,查找知识点、题组与课文。

按 Esc 关闭 · 支持标题与全文检索