2025年人工智能与机器学习知识考核考试试卷及答案.docxVIP

2025年人工智能与机器学习知识考核考试试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪项不属于监督学习任务？

A.预测房价（回归）

B.图像分类（分类）

C.用户分群（聚类）

D.情感分析（文本分类）

2.在训练深度神经网络时，若梯度消失问题严重，最可能的原因是？

A.学习率设置过大

B.激活函数选择Sigmoid且网络层数过深

C.批量归一化（BatchNorm）未正确应用

D.损失函数选择MSE（均方误差）

3.以下哪种模型最适合处理时序数据？

A.卷积神经网络（CNN）

B.循环神经网络（RNN）

C.随机森林（RandomForest）

D.支持向量机（SVM）

4.关于交叉熵损失函数（Cross-EntropyLoss），以下描述错误的是？

A.适用于多分类任务

B.当预测概率与真实标签完全一致时，损失为0

C.对分类错误的样本惩罚更明显

D.等价于均方误差（MSE）在分类任务中的应用

5.在机器学习中，“偏差-方差权衡”（Bias-VarianceTradeoff）指的是？

A.模型复杂度增加时，偏差降低但方差升高

B.数据量增加时，偏差和方差同时降低

C.正则化系数增大时，偏差和方差同时降低

D.学习率增大时，偏差降低但方差升高

6.以下哪项是自监督学习（Self-SupervisedLearning）的典型应用？

A.使用标注好的图像数据集训练分类模型

B.通过预测句子中被掩码的单词训练语言模型（如BERT）

C.通过奖励机制训练游戏AI（强化学习）

D.使用K-means对用户行为数据聚类

7.对于不平衡数据集（如正样本占1%），最不适合的评估指标是？

A.准确率（Accuracy）

B.F1分数（F1-Score）

C.ROC-AUC

D.精确率（Precision）与召回率（Recall）

8.以下哪种优化算法通过动量（Momentum）加速收敛？

A.SGD（随机梯度下降）

B.Adam

C.RMSprop

D.Adagrad

9.在卷积神经网络（CNN）中，卷积核（Filter）的主要作用是？

A.减少参数数量

B.提取局部特征（如边缘、纹理）

C.增加模型非线性

D.防止过拟合

10.关于Transformer模型中的注意力机制（Attention），以下描述正确的是？

A.仅编码器（Encoder）使用注意力

B.注意力分数计算依赖于查询（Query）、键（Key）、值（Value）的点积

C.无法处理长距离依赖（Long-RangeDependency）

D.必须使用循环结构处理序列输入

二、填空题（每题2分，共20分）

1.机器学习中，将数据划分为训练集、验证集和测试集的核心目的是________。

2.支持向量机（SVM）的最优超平面是使________最大的分隔面。

3.循环神经网络（RNN）的长期依赖问题可通过________结构（如LSTM或GRU）缓解。

4.梯度下降中，“批量”（Batch）指的是________。

5.生成对抗网络（GAN）由________和判别器（Discriminator）组成。

6.在决策树中，信息增益（InformationGain）用于________。

7.词嵌入（WordEmbedding）的典型模型包括Word2Vec、GloVe和________。

8.迁移学习（TransferLearning）的核心思想是________。

9.强化学习中的“奖励函数”（RewardFunction）用于________。

10.计算图（ComputationGraph）是________（如TensorFlow、PyTorch）的核心概念。

三、简答题（每题6分，共30分）

1.解释“过拟合”（Overfitting）的定义、产生原因及至少3种解决方法。

2.对比随机森林（RandomForest）与梯度提升树（GradientBoostingDecisionTree,GBDT）的核心差异。

3.简述Transformer模型中“多头注意力”（Multi-HeadAttention）的作用。

4.列举并解释深度学习中常用的3种正则化（Regularization）方法。

5.说明在图像分类任务中，数据增强（Data