人工智能训练师题库及答案.docxVIP

人工智能训练师题库及答案

一、单项选择题

1.以下哪项不属于数据标注的核心质量指标？()

A.标注一致性

B.标注覆盖率

C.标注速度

D.标注准确性

答案：C

解析：数据标注的核心质量指标包括准确性（标注与真实标签的匹配度）、一致性（不同标注员结果的统一度）、覆盖率（标注范围的完整性）。标注速度属于效率指标，而非质量指标。

2.在机器学习模型训练中，若验证集准确率远低于训练集准确率，最可能的原因是？()

A.数据量不足

B.模型欠拟合

C.模型过拟合

D.学习率过低

答案：C

解析：过拟合表现为模型在训练集上效果很好（高准确率），但在验证集/测试集上效果差（泛化能力弱）。欠拟合则是训练集和验证集效果均差；数据量不足可能同时影响两者；学习率过低会导致训练速度慢，但不会直接导致验证集准确率显著下降。

3.以下哪项是自然语言处理（NLP）中“命名实体识别（NER）”的典型任务？()

A.判断两个句子是否语义相似

B.提取文本中的人名、地名、机构名

C.生成一段与输入主题相关的文本

D.对文本情感倾向进行分类（积极/消极）

答案：B

解析：命名实体识别的核心是从文本中识别并分类特定类型的实体（如人名、地名、机构名等）；A是文本相似度任务，C是文本生成任务，D是情感分类任务。

4.图像标注中，“边界框标注（BoundingBox）”主要用于以下哪种任务？()

A.图像分类

B.目标检测

C.图像分割

D.图像风格迁移

答案：B

解析：目标检测需要定位图像中目标的位置（边界框）并分类；图像分类仅需整体标签；图像分割需像素级标注；风格迁移是生成任务，无需标注。

5.以下哪种工具常用于多模态数据标注（文本+图像+语音）？()

A.LabelStudio

B.LabelImg

C.VGGImageAnnotator（VIA）

D.Brat

答案：A

解析：LabelStudio支持文本、图像、语音、视频等多模态数据的标注与管理；LabelImg和VIA主要用于图像标注；Brat主要用于文本（如NER）标注。

6.在神经网络训练中，“损失函数（LossFunction）”的作用是？()

A.控制模型复杂度

B.衡量预测值与真实值的差异

C.优化模型参数更新方向

D.防止过拟合

答案：B

解析：损失函数直接计算模型预测结果与真实标签的差异（如均方误差、交叉熵等）；优化器（如SGD、Adam）负责参数更新方向；正则化用于控制复杂度和防止过拟合。

7.以下哪种数据增强方法不适用于文本数据？()

A.同义词替换

B.随机插入

C.高斯模糊

D.随机删除

答案：C

解析：高斯模糊是图像数据增强的常用方法（通过模糊图像模拟真实场景中的模糊）；文本数据增强通常采用同义词替换、插入、删除、回译等方法。

8.BERT（BidirectionalEncoderRepresentationsfromTransformers）模型的核心创新是？()

A.引入循环神经网络（RNN）结构

B.采用单向语言模型预训练

C.基于Transformer的双向上下文建模

D.仅用于文本生成任务

答案：C

解析：BERT的核心是通过Transformer的编码器（Encoder）实现双向上下文理解（同时考虑左右文信息），突破了传统单向语言模型（如GPT）的限制；RNN是早期模型结构；BERT主要用于特征提取（如文本分类、NER），也可适配生成任务。

9.在模型评估中，“F1分数（F1-Score）”是以下哪两个指标的调和平均数？()

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和准确率（Accuracy）

D.真阳性率（TPR）和假阳性率（FPR）

答案：B

解析：F1分数综合了精确率（预测为正的样本中实际为正的比例）和召回率（实际为正的样本中被正确预测的比例），公式为(F1=2×Pre

10.以下哪项是“过拟合（Overfitting）”的典型表现？()

A.训练集和验证集误差均很高

B.训练集误差低，验证集误差高

C.训练集误差高，验证集误差低

D.训练集和验证集误差均很低

答案：B

解析：过拟合时模型过度学习训练数据的细节（包括噪声），导致对新数据（验证集）的泛化能力差，表现为训练集误差低但验证集误差高；欠拟合则是两者误差均高。

二、多项选择题

1.数据清洗的主要步骤包括？()

A.处理缺失值（如删除、填充）

B.去除重复数据

C.标准化数据格式（如统一时间格式）

D.数据增强（如随机旋转图像）

答案：ABC

解析：