2025年人工智能与机器学习考试试题及答案

2025年人工智能与机器学习考试试题及答案一、单项选择题（每题2分，共20分）1.以下哪种机器学习任务不属于无监督学习？A.客户分群（Clustering）B.异常检测（AnomalyDetection）C.情感分析（SentimentAnalysis）D.降维（DimensionalityReduction）2.在训练深度神经网络时，若输入数据未经过标准化（Normalization），最可能导致以下哪种问题？A.梯度消失（VanishingGradient）B.过拟合（Overfitting）C.激活函数饱和（SaturationofActivationFunction）D.欠拟合（Underfitting）3.关于Transformer模型中的自注意力机制（SelfAttention），以下描述错误的是？A.允许模型在编码时关注输入序列的不同位置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（MultiHeadAttention）通过并行计算多个注意力头提升模型表达能力4.假设某二分类任务中，真实标签为[1,0,1,1,0]，模型预测概率为[0.8,0.3,0.6,0.2,0.7]，则其对数损失（LogLoss）约为？（取自然对数，保留两位小数）A.0.52B.0.68C.0.79D.0.915.以下哪种优化算法在训练过程中会动态调整每个参数的学习率？A.SGD（随机梯度下降）B.Momentum（动量梯度下降）C.Adam（自适应矩估计）D.Adagrad（自适应梯度算法）6.在强化学习中，“探索利用权衡”（ExplorationExploitationTradeoff）指的是？A.智能体在已知最优动作和未知潜在更优动作之间的选择B.环境奖励与惩罚的平衡设计C.策略网络与价值网络的参数更新频率D.经验回放（ExperienceReplay）中样本的选择策略7.关于生成对抗网络（GAN），以下说法正确的是？A.生成器（Generator）的目标是最小化真实数据与生成数据的分布差异B.判别器（Discriminator）的目标是将生成数据误判为真实数据C.GAN训练稳定，不易出现模式崩溃（ModeCollapse）D.条件GAN（CGAN）通过向生成器和判别器输入额外条件信息实现可控生成8.在决策树（DecisionTree）中，信息增益（InformationGain）的计算基于？A.基尼指数（GiniIndex）B.熵（Entropy）C.均方误差（MSE）D.交叉熵（CrossEntropy）9.以下哪种技术不属于大语言模型（LLM）的微调（Finetuning）策略？A.提示学习（PromptLearning）B.适配器调整（AdapterTuning）C.全参数微调（FullFinetuning）D.知识蒸馏（KnowledgeDistillation）10.联邦学习（FederatedLearning）的核心目标是？A.在集中式服务器上训练高性能模型B.保护用户数据隐私，避免数据泄露C.提升模型在非独立同分布（NonIID）数据上的泛化能力D.减少模型训练的计算资源消耗二、填空题（每题2分，共20分）1.机器学习中，用于衡量分类模型在正负样本分布不平衡时的性能指标是________（写出一种即可）。2.卷积神经网络（CNN）中，卷积层的作用是________，池化层的作用是________。3.循环神经网络（RNN）的长期依赖问题可通过________结构缓解，其核心是引入________门控机制。4.支持向量机（SVM）中，核函数（KernelFunction）的作用是将低维线性不可分数据映射到________。5.梯度下降算法中，当学习率过小时，可能导致________；当学习率过大时，可能导致________。6.自然语言处理（NLP）中，词嵌入（WordEmbedding）的典型模型包括________（写出两种）。7.强化学习的三要素是________、________和________。8.生成式模型与判别式模型的根本区别在于前者学习________，后者学习________。9.大模型训练中，为解决内存限制问题，常用的技术包括________（写出两种）。10.多模态学习（MultimodalLearning）的关键挑战是________。三、简答题（每题6分，共30分）1.解释“过拟合”（Overfitting）的定义、产生原因及常用解决方法。2.对比随机梯度下降（SGD）、小批量梯度下降（MiniBatchGD）和批量梯度下降（BatchGD）的优缺点。3.简述Transformer模型中注意力机制（AttentionMechanism）的计算过程，并说明其相对于RNN的优势。4.列举并解释三种常用的特征工程（FeatureEngineering）方法。5.说明迁移学习（TransferLearning）的适用场景，并举例说明其在计算机视觉中的应用。四、计算题（每题10分，共20分）1.假设某线性回归模型的假设函数为\(h_\theta(x)=\theta_0+\theta_1x_1+\theta_2x_2\)，训练数据集包含3个样本：样本1：\((x_1=1,x_2=2,y=5)\)样本2：\((x_1=3,x_2=4,y=11)\)样本3：\((x_1=2,x_2=3,y=8)\)请使用最小二乘法求解参数\(\theta_0,\theta_1,\theta_2\)。（要求写出矩阵形式推导过程）2.给定一个二分类任务的混淆矩阵如下：||预测正类|预测负类||||||真实正类|80|20||真实负类|10|90|计算准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1Score），并说明各指标的实际意义。五、综合题（10分）设计一个基于深度学习的图像分类系统，要求包含以下步骤：（1）数据预处理；（2）模型选择与架构设计；（3）训练策略（包括损失函数、优化器、超参数设置）；（4）模型评估与调优。需结合实际场景（如医疗影像分类、自动驾驶目标检测等）说明各步骤的具体实现方法，并分析可能遇到的挑战及解决方案。参考答案一、单项选择题1.C（情感分析属于监督学习）2.C（未标准化可能导致输入值过大，激活函数（如sigmoid）进入饱和区，梯度消失）3.C（自注意力本身不捕捉顺序，需位置编码，但并非“必须”，部分模型通过相对位置编码替代）4.B（计算每个样本的logloss：[(1×ln0.8)+(0×ln(10.3))+(1×ln0.6)+(1×ln0.2)+(0×ln(10.7))]/5≈0.68）5.C（Adam通过一阶矩和二阶矩估计动态调整学习率）6.A（探索未知动作，利用已知最优动作）7.D（条件GAN通过输入条件信息控制生成内容）8.B（信息增益=原熵条件熵）9.D（知识蒸馏是模型压缩技术，非微调策略）10.B（联邦学习核心是“数据不动模型动”，保护隐私）二、填空题1.F1分数（或AUCROC、召回率等）2.提取局部特征；降低特征维度（或平移不变性）3.LSTM（或GRU）；遗忘门（或输入门、输出门）4.高维空间（使其线性可分）5.收敛速度慢；震荡或发散6.Word2Vec、GloVe、BERT（任选两种）7.智能体（Agent）、环境（Environment）、奖励（Reward）8.联合概率分布\(P(X,Y)\)；条件概率分布\(P(Y|X)\)9.梯度检查点（GradientCheckpointing）、模型并行（ModelParallelism）、混合精度训练（MixedPrecisionTraining）（任选两种）10.不同模态数据的语义对齐（或异质数据的特征融合）三、简答题1.过拟合：模型在训练集上表现良好，但在未见过的测试集上泛化能力差。原因：模型复杂度过高（如参数过多）、训练数据量不足、噪声干扰。解决方法：正则化（L1/L2）、早停（EarlyStopping）、数据增强（DataAugmentation）、交叉验证、降低模型复杂度（如减少神经网络层数）。2.SGD：每次用1个样本更新参数，训练速度快但噪声大，收敛不稳定；BatchGD：用全部样本更新参数，梯度准确但计算开销大，适合小数据集；MiniBatchGD：折中方案（如32128个样本），兼顾速度与稳定性，实际中最常用。3.注意力计算过程：查询（Query）、键（Key）、值（Value）矩阵由输入线性变换得到；计算Q与K的点积，除以\(\sqrt{d_k}\)（防止梯度消失），得到注意力分数；分数经Softmax归一化，与V加权求和得到输出。优势：并行计算（无序列依赖）、长距离依赖捕捉（直接关注任意位置）。4.特征工程方法：特征缩放（标准化/归一化）：消除量纲影响，加速模型收敛；特征交叉（FeatureCrossing）：组合原始特征（如\(x_1\timesx_2\)），捕捉交互效应；缺失值处理（填充均值/中位数、插值、模型预测）：避免数据丢失；类别特征编码（独热编码、目标编码）：将非数值特征转化为模型可处理形式。5.适用场景：目标任务数据少、标注成本高，但存在相关领域的大量已标注数据。计算机视觉应用：在ImageNet预训练的ResNet模型，迁移到医疗影像分类任务（如肺结节检测），仅微调最后几层全连接层，利用预训练的特征提取能力，减少对医疗影像标注数据的需求。四、计算题1.线性回归最小二乘法求解：假设函数矩阵形式为\(Y=X\theta+\epsilon\)，其中\(X=\begin{bmatrix}1&1&2\\1&3&4\\1&2&3\end{bmatrix}\)，\(Y=\begin{bmatrix}5\\11\\8\end{bmatrix}\)，\(\theta=\begin{bmatrix}\theta_0\\\theta_1\\\theta_2\end{bmatrix}\)。最小二乘解为\(\theta=(X^TX)^{1}X^TY\)。计算\(X^TX=\begin{bmatrix}3&6&9\\6&14&20\\9&20&29\end{bmatrix}\)，其逆矩阵\((X^TX)^{1}=\frac{1}{2}\begin{bmatrix}29&30&9\\30&36&12\\9&12&4\end{bmatrix}\)（计算过程略）。\(X^TY=\begin{bmatrix}24\\54\\77\end{bmatrix}\)，最终\(\theta=(X^TX)^{1}X^TY=\begin{bmatrix}1\\2\\1\end{bmatrix}\)，即\(\theta_0=1,\theta_1=2,\theta_2=1\)。2.指标计算：准确率=(80+90)/(80+20+10+90)=170/200=0.85（整体分类正确比例）；精确率=80/(80+10)≈0.889（预测为正类中实际正类的比例）；召回率=80/(80+20)=0.8（实际正类中被正确预测的比例）；F1分数=2×(0.889×0.8)/(0.889+0.8)≈0.844（精确率与召回率的调和平均，平衡两者表现）。五、综合题（示例：医疗影像肺结节分类系统）（1）数据预处理：标准化：对DICOM格式的CT影像进行灰度归一化（0255→01），消除设备差异；增强：旋转（±15°）、翻转