2025年人工智能应用基础知识考试题及答案

2025年人工智能应用基础知识考试题及答案一、单项选择题（每题2分，共20分）1.以下哪种机器学习任务属于监督学习？A.对用户评论进行情感分类（积极/消极）B.基于用户浏览记录聚类划分兴趣群体C.从无标签图像中学习特征表示D.通过强化学习训练游戏AI2.在深度学习中，ReLU（修正线性单元）激活函数的主要优点是？A.解决梯度爆炸问题B.避免过拟合C.缓解梯度消失问题D.提高计算效率3.自然语言处理（NLP）中，BERT模型与Word2Vec的核心区别在于？A.BERT基于循环神经网络，Word2Vec基于卷积神经网络B.BERT是上下文相关的词表示模型，Word2Vec是上下文无关的C.BERT仅支持英文，Word2Vec支持多语言D.BERT训练不需要标注数据，Word2Vec需要4.计算机视觉中，FasterR-CNN与YOLO模型的主要差异是？A.FasterR-CNN是单阶段检测，YOLO是双阶段检测B.FasterR-CNN使用区域建议网络（RPN），YOLO直接回归边界框C.YOLO的检测精度更高，FasterR-CNN的速度更快D.YOLO仅支持目标分类，FasterR-CNN支持目标定位5.以下哪项不属于机器学习的三要素？A.模型假设空间B.数据预处理方法C.损失函数设计D.优化算法6.在强化学习中，“奖励函数”的主要作用是？A.定义智能体的策略网络结构B.衡量智能体在环境中某一状态下的表现C.生成训练所需的样本数据D.防止模型过拟合7.以下哪种数据增强方法不适用于自然语言处理任务？A.随机替换句子中的同义词B.随机删除句子中的部分词汇C.对图像进行旋转或翻转D.调整句子中词汇的顺序（非关键位置）8.迁移学习的核心思想是？A.将已训练模型的参数直接复制到新任务中使用B.利用源任务的知识提升目标任务的性能，减少目标任务对数据量的需求C.同时训练多个任务，共享底层特征提取层D.通过对抗训练增强模型的泛化能力9.生成对抗网络（GAN）中，生成器（Generator）和判别器（Discriminator）的训练目标是？A.生成器试图欺骗判别器，判别器试图正确区分真实数据和生成数据B.两者共同优化，使生成数据与真实数据的分布完全一致C.生成器最大化判别器的准确率，判别器最小化生成器的损失D.生成器和判别器的目标函数完全相同10.AI伦理中“可解释性”的核心要求是？A.模型必须输出详细的推理过程文本B.模型决策逻辑能够被人类理解，避免“黑箱”操作C.模型参数必须公开可查D.模型训练数据必须完全透明二、填空题（每空2分，共20分）1.机器学习中，根据训练数据是否包含标签，可分为监督学习、无监督学习和__________。2.深度学习中，卷积神经网络（CNN）的核心操作是__________，其作用是提取局部空间特征。3.自然语言处理中，Transformer模型的核心机制是__________，允许模型在处理序列时动态关注不同位置的信息。4.强化学习的三要素是__________、动作（Action）和奖励（Reward）。5.过拟合的本质是模型在__________数据上表现良好，但在__________数据上性能下降。6.计算机视觉中，图像分类任务常用的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和__________（综合精确率与召回率的指标）。7.生成式AI中，除了GAN，另一种主流模型是__________（如GPT系列），其基于自回归语言模型。8.机器学习中，常用的正则化方法包括L1正则化、L2正则化和__________（通过随机丢弃神经元防止过拟合）。三、简答题（每题8分，共40分）1.简述监督学习与无监督学习的区别，并各举一个典型应用场景。2.解释“梯度消失”现象及其对深度神经网络训练的影响，列举两种缓解梯度消失的方法。3.自然语言处理中，为什么需要“词嵌入（WordEmbedding）”技术？对比Word2Vec和GloVe的异同。4.计算机视觉中，目标检测任务与图像分类任务的核心区别是什么？列举两种主流目标检测模型并说明其特点。5.结合AI伦理，说明“数据偏见”可能导致的风险，并提出至少两种缓解数据偏见的方法。四、综合应用题（20分）假设你需要为某电商平台设计一个“商品评论情感分析系统”（判断评论是正面、负面或中性），请基于人工智能技术完成以下任务：（1）描述系统的整体技术流程（需包含数据收集、预处理、模型选择、训练、评估等关键步骤）；（2）选择一种适合的深度学习模型（如CNN、RNN、Transformer等），并说明选择理由；（3）列出至少3个评估该系统性能的指标，并解释其含义。答案一、单项选择题1.A（监督学习需要标签，情感分类的标签是“积极/消极”）2.C（ReLU在输入>0时梯度为1，缓解了sigmoid等函数的梯度消失问题）3.B（BERT通过双向Transformer捕捉上下文，Word2Vec生成固定词向量）4.B（FasterR-CNN是双阶段，先通过RPN生成候选区域；YOLO是单阶段直接回归）5.B（机器学习三要素：模型、损失函数、优化算法）6.B（奖励函数定义智能体在环境中的“目标”，指导策略优化）7.C（图像增强适用于计算机视觉，NLP需文本增强）8.B（迁移学习核心是知识迁移，减少目标任务数据需求）9.A（生成器试图让判别器误判，判别器试图正确区分）10.B（可解释性强调决策逻辑可被人类理解）二、填空题1.半监督学习2.卷积操作（或“卷积运算”）3.注意力机制（或“自注意力机制”）4.状态（State）5.训练；测试（或“新”）6.F1分数（或F1-score）7.大语言模型（或“LLM”“自回归模型”）8.丢弃法（Dropout）三、简答题1.区别：监督学习使用带标签数据训练，目标是学习输入到标签的映射；无监督学习使用无标签数据，目标是发现数据内在结构。场景：监督学习如垃圾邮件分类（标签为“垃圾/非垃圾”）；无监督学习如用户分群（根据行为数据聚类）。2.梯度消失：在深度神经网络中，反向传播时梯度通过多层传递后逐渐变小（如使用sigmoid激活函数时，其导数最大值为0.25），导致浅层网络参数更新缓慢甚至停止更新。影响：模型无法有效学习深层特征，训练效果差。缓解方法：使用ReLU等非饱和激活函数；采用残差网络（ResNet）跳过部分层，缩短梯度传播路径；BatchNormalization（批量归一化）稳定各层输入分布。3.词嵌入的必要性：原始文本的独热编码（One-Hot）存在高维稀疏、无法捕捉语义关联的问题，词嵌入将词映射到低维稠密向量，保留语义相似性（如“猫”和“狗”向量更接近）。异同：-相同点：均生成低维词向量，捕捉词间语义关系。-不同点：Word2Vec基于局部上下文（窗口内词）训练，通过预测上下文或中心词学习；GloVe基于全局词共现矩阵，通过最小化共现概率的对数差学习，结合了全局统计信息。4.核心区别：图像分类仅需判断图像整体类别（如“猫”）；目标检测需定位图像中多个目标的位置（边界框）并分类（如“猫在左上角，狗在右下角”）。主流模型及特点：-YOLO（YouOnlyLookOnce）：单阶段检测，将图像划分为网格，直接回归边界框和类别，速度快（适合实时场景），但小目标检测精度较低。-FasterR-CNN：双阶段检测，先通过区域建议网络（RPN）生成候选区域，再对候选区域分类和调整边界框，精度高但速度较慢（适合对精度要求高的场景）。5.风险：数据偏见可能导致模型输出歧视性结果（如招聘AI因训练数据中某群体样本少而低估其能力）、决策不公（如信用评分对特定地区用户误判），损害用户权益或引发社会争议。缓解方法：-数据层面：扩大数据收集范围，平衡各群体样本量；使用数据清洗技术检测并修正偏见（如删除带有刻板印象的标注）。-模型层面：引入公平性损失函数（如最小化不同群体间的预测差异）；采用对抗训练，使模型对敏感属性（如性别、种族）不敏感。四、综合应用题（1）技术流程：-数据收集：从电商平台爬取或导出用户商品评论数据，需包含评论内容及人工标注的情感标签（正面/负面/中性）。-预处理：-文本清洗：去除无关符号（如链接、表情）、统一大小写；-分词：使用中文分词工具（如jieba）将评论拆分为词语；-去停用词：过滤无意义词汇（如“的”“了”）；-词嵌入：将文本转换为词向量（如使用预训练的Word2Vec或BERT词向量）。-模型选择与训练：选择基于Transformer的微调模型（如BERT），划分训练集（70%）、验证集（20%）、测试集（10%），使用交叉熵损失函数和Adam优化器训练。-评估与优化：通过验证集调整超参数（如学习率、批次大小），测试集评估最终性能；若效果不佳，考虑增加数据增强（如同义词替换）或调整模型结构。（2）模型选择及理由：选择BERT模型。理由：BERT通过双向Transformer捕捉上下文信息，能更好理解评论中的语义（如“价格高但质量好”同时包含负面和正面元素）；预训练模型在大量文本上学习了通用语义特征，微调时只需少量标注数据即可