2025年机器学习与人工智能应用能力考试卷及答案.docxVIP

2025年机器学习与人工智能应用能力考试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪项任务更适合使用无监督学习方法解决？

A.根据用户历史购买记录预测其下一次购买的商品类别

B.从大量未标注的用户评论中发现潜在的情感倾向分布

C.基于患者病历数据预测其患糖尿病的概率

D.识别图像中特定物体（如猫、狗）的位置和类别

答案：B

2.在训练深度神经网络时，若观察到训练损失持续下降但验证损失先下降后上升，最可能的原因是？

A.学习率过小

B.模型过拟合

C.数据存在标签错误

D.批量归一化（BatchNorm）未正确应用

答案：B

3.关于Transformer模型中的自注意力机制（Self-Attention），以下描述错误的是？

A.允许模型在处理序列时关注输入中的任意位置

B.计算复杂度与序列长度的平方成正比

C.必须依赖位置编码（PositionalEncoding）来捕捉序列顺序信息

D.多头注意力（Multi-HeadAttention）通过多个独立的注意力头提升模型表达能力

答案：C（注：部分改进模型如RotaryPositionEmbedding可隐式捕捉顺序，非必须显式位置编码）

4.评估一个二分类模型时，若正样本占比仅1%（极不平衡数据），最不适合的指标是？

A.准确率（Accuracy）

B.F1分数（F1-Score）

C.ROC-AUC

D.召回率（Recall）

答案：A（准确率在极不平衡数据中易被多数类主导，无法反映模型对少数类的识别能力）

5.以下哪种方法最适合解决时间序列数据中的长期依赖问题？

A.普通前馈神经网络（FNN）

B.卷积神经网络（CNN）

C.长短期记忆网络（LSTM）

D.自回归模型（AR）

答案：C

6.在支持向量机（SVM）中，核函数（KernelFunction）的主要作用是？

A.降低特征维度

B.将低维线性不可分数据映射到高维线性可分空间

C.减少过拟合风险

D.加速模型训练速度

答案：B

7.以下哪项不属于迁移学习（TransferLearning）的典型应用场景？

A.利用预训练的BERT模型微调完成特定领域的文本分类任务

B.将ImageNet预训练的ResNet模型用于医学影像肿瘤检测

C.在小样本数据集上直接训练一个全新的深度神经网络

D.基于已训练的语音识别模型调整参数适配方言识别任务

答案：C

8.强化学习（ReinforcementLearning）中的“奖励函数（RewardFunction）”设计直接影响？

A.状态空间的大小

B.智能体（Agent）的学习目标

C.环境（Environment）的观测空间维度

D.经验回放（ExperienceReplay）的效率

答案：B

9.在梯度下降（GradientDescent）优化过程中，“梯度消失（VanishingGradient）”现象最可能发生在？

A.使用ReLU激活函数的深层网络

B.使用Sigmoid激活函数的深层网络

C.浅层神经网络

D.循环神经网络（RNN）的长期依赖计算中

答案：B（Sigmoid导数在输入绝对值较大时趋近于0，导致深层网络反向传播时梯度衰减）

10.关于生成对抗网络（GAN），以下描述正确的是？

A.生成器（Generator）和判别器（Discriminator）的目标函数完全一致

B.训练稳定，不易出现模式崩溃（ModeCollapse）

C.可用于生成高保真的图像、文本等内容

D.无需真实数据参与训练

答案：C

二、填空题（每空2分，共20分）

1.逻辑回归（LogisticRegression）的损失函数是__________，其数学表达式为__________（用y表示真实标签，?表示预测概率）。

答案：交叉熵损失；-[y·log(?)+(1-y)·log(1-?)]

2.随机森林（RandomForest）通过__________（采样方法）和__________（特征选择策略）实现模型的多样性。

答案：自助采样（BootstrapSampling）；随机选择特征子集

3.Transformer模型中的注意力分数（AttentionScore）计算通常使用__________公式，其中Q、K、V分别代表查询（Query）、键（Key）、值（