2025年机器学习与人工智能基础考试试卷及答案.docxVIP

2025年机器学习与人工智能基础考试试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪项属于监督学习任务？

A.对用户评论进行情感分析（正/负）

B.电商用户行为数据的聚类分析

C.图像像素值的降维（PCA）

D.生成对抗网络（GAN）生成新图像

2.训练深度神经网络时，若梯度在反向传播中逐渐消失，最可能的原因是：

A.使用ReLU激活函数

B.采用批量归一化（BatchNorm）

C.深层网络中使用Sigmoid激活函数

D.学习率设置过大

3.对于二分类问题，以下哪种损失函数更适合评估模型性能？

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.平均绝对误差（MAE）

D.Huber损失

4.随机森林（RandomForest）通过以下哪种方式降低模型方差？

A.增加决策树的最大深度

B.对样本和特征进行随机采样

C.使用信息增益作为分裂准则

D.对每个决策树进行全量特征训练

5.在自然语言处理（NLP）中，Transformer模型的“自注意力”机制主要解决了传统RNN的什么问题？

A.长距离依赖捕捉能力不足

B.计算复杂度高

C.无法处理变长序列

D.梯度爆炸

6.以下哪项不是过拟合的典型表现？

A.训练集准确率95%，测试集准确率60%

B.模型在简单数据上预测误差极小

C.模型参数数量远大于训练样本数

D.增加正则化后测试误差显著下降

7.强化学习中，“状态-动作值函数”Q(s,a)表示：

A.在状态s执行动作a后的即时奖励

B.在状态s执行动作a后，遵循当前策略的期望总回报

C.状态s的最优价值

D.动作a在所有状态下的平均奖励

8.对于图像分类任务，卷积神经网络（CNN）的“局部感受野”设计主要基于以下哪种先验假设？

A.图像像素的全局相关性

B.图像的平移不变性

C.图像的局部空间相关性

D.图像的色彩分布均匀性

9.朴素贝叶斯分类器的“朴素”假设是指：

A.特征之间相互独立

B.类别先验概率均匀分布

C.特征服从高斯分布

D.分类边界是线性的

10.大语言模型（如GPT-4）的“上下文学习”（In-ContextLearning）能力主要依赖于：

A.大量参数的记忆能力

B.预训练阶段的模式学习

C.微调时的任务特定优化

D.人工设计的提示模板

二、填空题（每空2分，共20分）

1.线性回归模型的目标函数通常定义为______（写出公式）。

2.支持向量机（SVM）的核心思想是寻找______最大的分类超平面。

3.K-means聚类的目标是最小化______（用数学表达式描述）。

4.深度学习中，防止过拟合的常用方法包括______、______（至少写两种）。

5.Transformer模型的编码器由______和______两个子层组成。

6.强化学习的三要素是______、动作（Action）和奖励（Reward）。

7.自然语言处理中的词嵌入（WordEmbedding）技术将离散的单词映射到______空间。

8.决策树的剪枝方法分为______剪枝和后剪枝。

三、简答题（每题8分，共40分）

1.比较k近邻（k-NN）算法与支持向量机（SVM）在分类任务中的优缺点。

2.解释正则化（Regularization）防止过拟合的原理，并举例说明L1和L2正则化的区别。

3.卷积神经网络（CNN）在图像处理中具有“权值共享”和“局部连接”特性，分析这两个特性对模型的影响。

4.简述强化学习中策略梯度（PolicyGradient）算法与Q-learning的核心差异。

5.大语言模型（LLM）的“涌现能力”（EmergentAbilities）指什么？举例说明其对自然语言处理任务的影响。

四、计算题（每题10分，共20分）

1.已知训练数据集包含3个样本：(x?=1,y?=3)，(x?=2,y?=5)，(x?=3,y?=7)。假设线性回归模型为y=wx+b，使用均方误差（MSE）作为损失函数，初始参数w=0，b=0，学习率η=0.1。计算第一次梯度下降更新后的w和b值（要求写出梯度计算过程）。

2.某二分类任务中，样本特征为“天气”（晴、雨）和“温度”（高、低），类别为“出行”（是、否）。已知训练数据如下：

-晴，高→出行（是）

-晴，低