2025年人工智能基础知识考试卷及答案

2025年人工智能基础知识考试卷及答案一、单项选择题（每题2分，共30分）1.以下哪项属于监督学习任务？A.聚类分析B.异常检测C.图像分类（带标签数据集）D.主成分分析（PCA）2.逻辑回归模型中，sigmoid函数的作用是？A.将线性输出映射到[0,1]区间B.增强模型的非线性表达能力C.减少过拟合风险D.加速梯度下降收敛3.卷积神经网络（CNN）中，“局部感受野”设计的主要目的是？A.减少参数量B.提取全局上下文信息C.增加模型深度D.提高模型的平移不变性4.循环神经网络（RNN）难以处理长序列依赖的主要原因是？A.梯度爆炸或消失B.参数量过大C.输入维度不固定D.无法并行计算5.Transformer模型中，“多头注意力”机制的核心作用是？A.同时关注不同子空间的上下文信息B.减少模型计算复杂度C.替代循环结构以支持并行计算D.增强模型的记忆能力6.以下哪项不属于自然语言处理（NLP）的基础任务？A.命名实体识别（NER）B.机器翻译（MT）C.图像分割（Segmentation）D.文本分类（TextClassification）7.支持向量机（SVM）的核心优化目标是？A.最小化训练误差B.最大化分类间隔C.最小化正则化项D.最大化预测准确率8.强化学习中，“奖励函数”的作用是？A.定义智能体的目标B.替代监督学习的标签C.加速模型训练D.减少状态空间复杂度9.以下哪种损失函数适用于多分类任务？A.均方误差（MSE）B.交叉熵损失（Cross-Entropy）C.Hinge损失D.对数损失（LogLoss）10.决策树中，“信息增益”的计算基于？A.基尼系数（GiniIndex）B.熵（Entropy）C.均方误差D.互信息（MutualInformation）11.生成对抗网络（GAN）由哪两个部分组成？A.编码器（Encoder）和解码器（Decoder）B.生成器（Generator）和判别器（Discriminator）C.前馈网络（Feedforward）和循环网络（Recurrent）D.卷积层（Conv）和全连接层（FC）12.以下哪项是迁移学习（TransferLearning）的典型应用场景？A.利用大规模预训练模型（如BERT）微调特定任务B.在小数据集上直接训练深度神经网络C.通过强化学习优化游戏策略D.使用k-means算法进行客户分群13.模型过拟合（Overfitting）的主要表现是？A.训练误差小，测试误差大B.训练误差大，测试误差小C.训练误差和测试误差均大D.训练误差和测试误差均小14.梯度下降（GradientDescent）的“学习率”设置过大会导致？A.模型收敛速度变慢B.梯度消失C.模型震荡甚至不收敛D.过拟合风险增加15.以下哪项属于无监督学习？A.用标注好的猫狗图片训练分类器B.用用户点击数据训练推荐系统C.用未标注的用户行为数据进行聚类D.用带标签的语音数据训练语音识别模型二、填空题（每题2分，共20分）1.机器学习的三要素是模型、策略和__________。2.深度学习中，常用的激活函数除了ReLU，还有__________（至少写一个）。3.自然语言处理中，将文本转换为向量的常用方法包括词袋模型（Bag-of-Words）和__________（如Word2Vec、BERT）。4.卷积操作的三个关键参数是卷积核大小、步长（Stride）和__________（Padding）。5.强化学习的核心要素包括状态（State）、动作（Action）、奖励（Reward）和__________（Policy）。6.决策树的剪枝方法分为预剪枝（Pre-Pruning）和__________（Post-Pruning）。7.生成式模型（GenerativeModel）与判别式模型（DiscriminativeModel）的区别在于是否学习__________（联合概率分布/条件概率分布）。8.神经网络训练时，批量归一化（BatchNormalization）的主要作用是__________（加速训练、缓解梯度消失等）。9.多模态学习（MultimodalLearning）是指融合__________（如文本、图像、语音）等多种类型数据的学习方法。10.AI伦理的核心问题包括隐私保护、算法公平性和__________（如责任归属、可解释性等）。三、简答题（每题6分，共30分）1.简述过拟合的定义、产生原因及至少两种解决方法。2.对比卷积神经网络（CNN）和循环神经网络（RNN）的适用场景，并举例说明。3.解释Transformer模型中“自注意力机制”（Self-Attention）的工作原理。4.什么是“迁移学习”？为什么它在实际应用中具有重要价值？5.列举强化学习与监督学习的三个主要区别。四、计算题（共20分）1.（8分）假设有一个二分类逻辑回归模型，其参数为w=[0.5,-0.3]，b=0.2。输入样本x=[2,4]，计算该样本的预测概率p(y=1|x)（要求写出sigmoid函数公式及计算过程）。2.（6分）某数据集包含3个类别，样本数分别为C1:10个，C2:20个，C3:30个。计算该数据集的信息熵（要求写出熵的计算公式及计算过程）。3.（6分）一个简单神经网络的前向传播过程为：输入x=3，经过线性层z=wx+b（w=2，b=1），再经过ReLU激活函数a=ReLU(z)，最后输出y=a。假设损失函数为MSE，真实值y_true=5，计算输出层到输入层的梯度（即∂L/∂w和∂L/∂b，要求写出反向传播步骤）。答案一、单项选择题1-5:CAAAA6-10:CBABB11-15:BAACC二、填空题1.算法2.Sigmoid/Tanh（任写一个）3.词嵌入（WordEmbedding）4.填充（Padding）5.策略（Policy）6.后剪枝7.联合概率分布8.减少内部协变量偏移（或加速训练、稳定梯度）9.多模态数据（或不同模态数据）10.可解释性（或责任归属、伦理风险等）三、简答题1.过拟合定义：模型在训练数据上表现很好，但在未见过的测试数据上表现差，泛化能力弱。产生原因：模型复杂度过高（如参数过多）、训练数据量不足、数据噪声干扰。解决方法：正则化（L1/L2正则）、增加训练数据、早停（EarlyStopping）、dropout层、特征选择。2.适用场景对比：-CNN：适合处理局部空间相关性强的数据（如图像），通过卷积核提取局部特征，平移不变性强。例如：图像分类（ResNet）。-RNN：适合处理序列数据（如文本、时间序列），通过循环结构捕捉时序依赖。例如：文本生成（LSTM）。3.自注意力机制原理：自注意力计算输入序列中每个位置与其他所有位置的相关性，生成注意力权重。具体步骤：-对输入向量计算查询（Query）、键（Key）、值（Value）矩阵；-计算Q与K的点积，得到注意力分数；-分数经SoftMax归一化得到权重；-权重与V加权求和，得到上下文感知的输出。4.迁移学习定义：将从源任务（如大规模预训练）学到的知识迁移到目标任务（如特定领域微调），避免从头训练。价值：解决小样本学习问题、降低计算成本、利用已有知识提升目标任务性能（如BERT微调用于情感分析）。5.主要区别：-监督学习依赖标注数据，强化学习通过试错和奖励信号学习；-监督学习输入独立同分布，强化学习数据有时间依赖性（序列性）；-监督学习目标是最小化预测误差，强化学习目标是最大化长期累积奖励。四、计算题1.逻辑回归预测概率计算：sigmoid函数公式：σ(z)=1/(1+e^(-z))，其中z=w·x+b。计算z=0.5×2+(-0.3)×4+0.2=1-1.2+0.2=0p(y=1|x)=σ(0)=1/(1+e^0)=0.52.信息熵计算：总样本数N=10+20+30=60，各类别概率p1=10/60=1/6，p2=20/60=1/3，p3=30/60=1/2。熵公式：H=-Σ(p_ilog₂p_i)计算：H=-[(1/6)log₂(1/6)+(1/3)log₂(1/3)+(1/2)log₂(1/2)]=-[(1/6)(-log₂6)+(1/3)(-log₂3)+(1/2)(-1)]=(log₂6)/6+(log₂3)/3+0.5≈(2.585)/6+(1.585)/3+0.5≈0.431+0.528+0.5=1.459（比特）3.反向传播梯度计算：前向传播：z=2×3+1=7，a=ReLU(7)=7，y=7。损失L=MSE=0.5×(7-5)²=0.5×4=2（或直接用(y-y_true)²，此处用0.5MSE不影响梯度方向）。反向传播：∂L/∂y=2×(y-y_true)=2×(7-5)=4（若用MSE原式，梯度为(y-y_true)=2）；∂y/∂a=1（因y=a）；∂a/∂z=1（因z=7>0，ReLU导数为1）；∂z/∂w=x=3，∂z/∂b=