2025年人工智能基础及应用考试试题及答案

2025年人工智能基础及应用考试试题及答案一、单项选择题（每题2分，共20分）1.以下哪项属于无监督学习任务？A.图像分类（标注数据训练）B.客户分群（无标注数据）C.房价预测（连续值输出）D.情感分析（文本标签训练）2.关于Transformer模型的描述，错误的是？A.仅使用自注意力机制B.引入位置编码解决序列顺序问题C.编码器-解码器结构支持机器翻译任务D.多头注意力通过多个子空间增强特征提取3.在卷积神经网络（CNN）中，3×3卷积核的步长（stride）为2，填充（padding）为1，输入特征图尺寸为32×32×3（H×W×C），则输出特征图的高度为？A.16B.17C.32D.154.强化学习中，“奖励函数”的核心作用是？A.定义智能体的目标B.优化模型参数C.生成训练数据D.加速收敛速度5.以下哪项是自然语言处理（NLP）中“词嵌入（WordEmbedding）”的典型应用？A.文本情感极性判断B.将单词映射到低维连续向量空间C.识别句子中的实体名称D.生成符合语法的新句子6.支持向量机（SVM）的“最大间隔”目标是为了？A.最小化训练误差B.最大化模型泛化能力C.降低计算复杂度D.增强模型可解释性7.关于循环神经网络（RNN）的描述，正确的是？A.能够处理任意长度的序列输入B.完全解决了长序列依赖问题C.隐藏状态仅依赖当前输入D.前向传播时无需保存历史状态8.以下哪种损失函数适用于二分类任务？A.均方误差（MSE）B.交叉熵损失（Cross-Entropy）C.余弦相似度D.绝对平均误差（MAE）9.在知识图谱中，“实体-关系-实体”三元组（如“北京-属于-中国”）的主要作用是？A.存储结构化知识B.优化文本生成质量C.增强图像识别鲁棒性D.加速模型训练速度10.迁移学习的核心思想是？A.使用大规模预训练模型适配小样本任务B.仅在相同领域内复用模型参数C.完全重新训练模型以避免过拟合D.通过数据增强扩大训练集规模二、填空题（每空2分，共20分）1.机器学习中，“过拟合”现象指模型在________数据上表现良好，但在________数据上表现较差。2.卷积神经网络中的“池化层”主要作用是________和________。3.Transformer模型中的“自注意力”机制通过计算________之间的相似度分配权重。4.强化学习的三要素是________、________和奖励函数。5.自然语言处理中，“BERT”模型基于________架构，采用________预训练任务（如掩码语言模型）。三、简答题（每题8分，共32分）1.简述监督学习、无监督学习和半监督学习的区别，并各举一例说明。2.解释“梯度消失”现象在深度神经网络中的成因及常见解决方法。3.对比生成对抗网络（GAN）和变分自编码器（VAE）在生成数据时的核心差异。4.说明“数据清洗”在机器学习项目中的重要性，并列举至少3项数据清洗的常见操作。四、计算题（每题10分，共20分）1.某逻辑回归模型的参数为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（sigmoid函数：σ(z)=1/(1+e^(-z))）。2.输入图像尺寸为224×224×3（H×W×C），经过以下卷积操作：-卷积核1：3×3，步长1，填充1，输出通道数64-最大池化层1：2×2，步长2-卷积核2：3×3，步长1，填充1，输出通道数128计算两次卷积和池化后的特征图尺寸（高度×宽度×通道数）。五、综合应用题（8分）设计一个基于深度学习的“商品评论情感分析”系统，要求：（1）描述系统的主要模块及功能；（2）说明数据预处理的关键步骤；（3）选择合适的模型（如BERT、LSTM等）并解释理由；（4）列出至少3个评估模型性能的指标。参考答案一、单项选择题1.B2.A3.B4.A5.B6.B7.A8.B9.A10.A二、填空题1.训练；测试2.降低特征维度（或下采样）；提取局部不变性特征3.查询（Query）与键（Key）4.智能体（Agent）；环境（Environment）5.Transformer编码器；双向三、简答题1.区别与示例：-监督学习：使用带标签数据训练（如用标注好的图片训练分类模型识别猫和狗）；-无监督学习：使用无标签数据发现模式（如用用户行为数据聚类划分客户群体）；-半监督学习：结合少量标签数据和大量无标签数据（如用少量标注的医疗文本和大量未标注文本训练疾病分类模型）。2.梯度消失成因及解决方法：成因：深度神经网络中，反向传播时梯度通过多层激活函数（如Sigmoid）后逐渐衰减，导致浅层网络参数更新缓慢；解决方法：-使用ReLU等非饱和激活函数；-采用残差网络（ResNet）引入跳跃连接；-批量归一化（BatchNorm）稳定各层输入分布；-合理初始化权重（如He初始化）。3.GAN与VAE的核心差异：-生成机制：GAN通过生成器与判别器的对抗博弈生成数据；VAE通过编码器-解码器结构建模数据分布的概率密度；-数据质量：GAN生成的样本更接近真实数据分布，但训练不稳定；VAE生成的样本较模糊，但训练更稳定；-可解释性：VAE显式建模概率分布，具有更好的数学可解释性；GAN依赖隐式分布拟合，可解释性较弱。4.数据清洗的重要性及操作：重要性：脏数据（如缺失值、噪声、异常值）会导致模型训练偏差，降低泛化能力；常见操作：-处理缺失值（删除、均值/中位数填充、模型预测填充）；-去除异常值（基于Z-score、IQR方法检测并修正）；-纠正数据格式错误（如日期格式统一）；-去重（删除重复样本）；-处理类别不平衡（过采样、欠采样或调整类别权重）。四、计算题1.逻辑回归预测概率计算：线性组合z=w·x+b=0.5×2+(-0.3)×4+0.2=1-1.2+0.2=0；预测概率p=σ(z)=1/(1+e^0)=0.5。2.特征图尺寸计算：-卷积核1后尺寸：(224+2×1-3)/1+1=224（H=224，W=224），通道数64；-最大池化层1后尺寸：224/2=112（H=112，W=112），通道数64；-卷积核2后尺寸：(112+2×1-3)/1+1=112（H=112，W=112），通道数128；最终尺寸：112×112×128。五、综合应用题系统设计方案：（1）主要模块及功能：-数据采集模块：爬取电商平台商品评论数据；-数据预处理模块：清洗、分词、向量化；-模型训练模块：加载预训练模型（如BERT）微调；-预测与输出模块：对新评论输出情感极性（积极/消极/中性）。（2）数据预处理关键步骤：-清洗：去除广告、重复评论、非文本内容；-分词：使用中文分词工具（如jieba）分割句子；-去停用词：过滤“的”“了”等无意义词汇；-标签对齐：将评论标注为积极（如4-5星）、消极（1-2星）、中性（3星）；-文本向量化：通过BERTtokenizer转换为输入ID、注意力掩码等。（3）模型选择及理由：选择BERT模型。理由：BERT基于双向Transformer，能捕捉上下文语义依赖；预训练阶段学习了大量文本的通用特征，微调时仅需少量标注数