2025年人工智能基础课程考试卷及答案

2025年人工智能基础课程考试卷及答案一、单项选择题（每题2分，共20分）1.以下哪项属于监督学习任务？A.客户分群（聚类）B.房价预测（回归）C.异常检测D.主成分分析（降维）2.关于ReLU激活函数，以下描述错误的是？A.缓解梯度消失问题B.在输入为负时输出0C.计算复杂度低D.输出范围为(-∞,+∞)3.自然语言处理（NLP）中，Word2Vec的核心目标是？A.生成语法正确的句子B.将词语映射到低维连续向量空间C.识别文本中的实体名称D.计算两个句子的相似度4.在决策树算法中，信息增益的计算基于以下哪个指标？A.基尼系数（GiniImpurity）B.交叉熵损失C.信息熵（Entropy）D.均方误差（MSE）5.强化学习（RL）中，“奖励（Reward）”的主要作用是？A.定义智能体的策略（Policy）B.指导智能体学习最优行为C.存储历史状态-动作对D.计算状态价值函数6.以下哪种技术是Transformer模型的核心机制？A.循环神经网络（RNN）B.注意力机制（Attention）C.卷积操作（Convolution）D.批量归一化（BatchNorm）7.过拟合（Overfitting）的典型表现是？A.训练集和测试集误差均很高B.训练集误差低，测试集误差高C.训练集误差高，测试集误差低D.训练集和测试集误差均很低8.计算机视觉（CV）中，FasterR-CNN的主要改进是？A.引入区域提议网络（RPN）B.使用更深的卷积层C.采用多尺度特征融合D.优化非极大值抑制（NMS）9.以下哪项不属于机器学习的三要素？A.模型（Model）B.数据（Data）C.策略（Strategy）D.算法（Algorithm）10.在生成对抗网络（GAN）中，生成器（Generator）的目标是？A.区分真实数据和生成数据B.最小化真实数据与生成数据的差异C.最大化判别器（Discriminator）的错误率D.学习数据的真实分布二、填空题（每题2分，共20分）1.机器学习中，将数据划分为训练集、验证集和测试集的主要目的是__________。2.神经网络中，反向传播（Backpropagation）的核心是通过__________计算梯度。3.Transformer模型中的“自注意力（Self-Attention）”机制允许模型在处理序列时__________。4.支持向量机（SVM）的最优超平面是使__________最大的分隔面。5.卷积神经网络（CNN）中，池化层（Pooling）的主要作用是__________。6.自然语言处理中的“词袋模型（Bag-of-Words）”忽略了词语的__________信息。7.强化学习中的“马尔可夫决策过程（MDP）”由状态、动作、转移概率、奖励和__________组成。8.欠拟合（Underfitting）通常通过__________模型复杂度（如增加层数或特征）来缓解。9.决策树剪枝的目的是__________，避免过拟合。10.生成式模型（如VAE）与判别式模型的根本区别在于前者__________。三、简答题（每题8分，共40分）1.请比较支持向量机（SVM）与逻辑回归（LogisticRegression）的异同。2.解释注意力机制（Attention）如何解决循环神经网络（RNN）在长序列任务中的“长距离依赖”问题。3.随机梯度下降（SGD）与批量梯度下降（BatchGD）各有什么优缺点？4.什么是迁移学习（TransferLearning）？请举例说明其典型应用场景。5.人工智能伦理中，“算法公平性”需要关注哪些核心问题？四、计算题（每题10分，共20分）1.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[0.8,0.3,0.6,0.4,0.7]（阈值为0.5时，概率≥0.5预测为1，否则为0）。计算该模型的准确率（Accuracy）、精确率（Precision）和召回率（Recall）。2.一个全连接神经网络输入层有3个神经元，隐藏层有4个神经元，输出层有2个神经元。假设输入向量为[2,-1,3]，隐藏层权重矩阵为3×4（元素为0.1,-0.2,0.3,0.4；0.5,0.6,-0.7,0.8；-0.9,1.0,1.1,-1.2]，偏置为[0.1,-0.1,0.2,-0.2]。计算隐藏层的输出（激活函数使用ReLU）。五、综合题（20分）假设你需要设计一个基于深度学习的图像分类模型，用于识别宠物狗的品种（如金毛、柯基、哈士奇等）。请回答以下问题：（1）简述模型的整体架构（需包含输入层、特征提取层、分类层的设计）；（2）说明数据预处理的关键步骤（如数据增强、标准化等）；（3）列举至少3个评估模型性能的指标，并解释其含义；（4）若模型在训练集上准确率很高（98%），但测试集准确率较低（75%），可能的原因是什么？如何解决？答案一、单项选择题1.B2.D3.B4.C5.B6.B7.B8.A9.B10.D二、填空题1.评估模型的泛化能力2.链式法则（反向传播误差）3.动态关注序列中不同位置的信息4.正负样本到超平面的间隔（Margin）5.降低特征维度，增强平移不变性6.顺序（或上下文/位置）7.折扣因子（γ）8.增加9.减少决策树的复杂度10.学习数据的联合概率分布（P(X,Y)），而判别式模型学习条件概率分布（P(Y|X)）三、简答题1.相同点：均为监督学习中的分类模型；目标均为找到一个分隔超平面；可通过正则化防止过拟合。不同点：-SVM基于最大间隔优化，关注边界样本（支持向量）；逻辑回归基于似然函数最大化，关注所有样本的概率拟合。-SVM输出类别标签（硬分类），逻辑回归输出概率（软分类）。-SVM通过核函数处理非线性问题，逻辑回归需手动构造非线性特征。2.RNN在处理长序列时，梯度会随着时间步长的增加而消失（梯度消失），导致模型无法捕捉远距离的依赖关系。注意力机制通过计算序列中每个位置与其他位置的相关性（注意力权重），直接建立任意两个位置的联系，避免了信息传递的路径长度限制。例如，在翻译“我来自中国，那里的首都是北京”时，“北京”可直接关联到“中国”，无需通过中间所有词传递信息。3.随机梯度下降（SGD）：-优点：每次仅用1个样本更新参数，计算速度快；引入随机性，可能跳出局部最优。-缺点：参数更新波动大，收敛不稳定；可能错过全局最优。批量梯度下降（BatchGD）：-优点：利用全部样本计算梯度，方向更准确，收敛稳定；适用于小数据集。-缺点：计算复杂度高（O(n)），内存需求大；对大规模数据不友好。4.迁移学习是指将从一个任务（源领域）学习到的知识迁移到另一个相关任务（目标领域），解决目标领域数据不足的问题。应用场景：-医疗影像诊断：用大量自然图像预训练的CNN模型（如ResNet）迁移到肺部CT图像分类（目标领域数据少）。-低资源语言翻译：利用英语-法语翻译模型的知识，迁移到英语-斯瓦希里语翻译（斯瓦希里语数据少）。5.算法公平性需关注：-群体公平：模型对不同性别、种族等群体的错误率是否均衡（如招聘算法不应对某一群体歧视）。-个体公平：相似个体是否被模型相似对待（如同信用水平的用户获得相似的贷款额度）。-数据偏见：训练数据是否包含历史歧视（如犯罪预测数据中某种族被过度标记）。-可解释性：模型决策是否可追溯，避免“黑箱”导致的不公平。四、计算题1.步骤：-预测标签（阈值0.5）：[1,0,1,0,0]（原预测概率：0.8≥0.5→1；0.3<0.5→0；0.6≥0.5→1；0.4<0.5→0；0.7≥0.5→0？不，0.7≥0.5应为1？原预测概率第五个是0.7，所以预测标签应为[1,0,1,0,1]。修正后：真实标签：[1,0,1,1,0]预测标签：[1,0,1,0,1]-混淆矩阵：TP（真正例）=真实1且预测1→样本1（1,1）、样本3（1,1）→TP=2FN（假负例）=真实1且预测0→样本4（1,0）→FN=1FP（假正例）=真实0且预测1→样本5（0,1）→FP=1TN（真负例）=真实0且预测0→样本2（0,0）→TN=1-准确率=(TP+TN)/(TP+TN+FP+FN)=(2+1)/(2+1+1+1)=3/5=60%精确率=TP/(TP+FP)=2/(2+1)=66.67%召回率=TP/(TP+FN)=2/(2+1)=66.67%（注：原预测概率第五个为0.7，预测标签应为1，因此修正后计算结果如上。）2.计算隐藏层输入：输入向量X=[2,-1,3]权重矩阵W（3×4）：第一行：0.1,-0.2,0.3,0.4第二行：0.5,0.6,-0.7,0.8第三行：-0.9,1.0,1.1,-1.2偏置b=[0.1,-0.1,0.2,-0.2]隐藏层输入Z=X·W+b（矩阵乘法）：Z₁=2×0.1+(-1)×0.5+3×(-0.9)+0.1=0.2-0.5-2.7+0.1=-2.9Z₂=2×(-0.2)+(-1)×0.6+3×1.0+(-0.1)=-0.4-0.6+3.0-0.1=1.9Z₃=2×0.3+(-1)×(-0.7)+3×1.1+0.2=0.6+0.7+3.3+0.2=4.8Z₄=2×0.4+(-1)×0.8+3×(-1.2)+(-0.2)=0.8-0.8-3.6-0.2=-3.8ReLU激活后输出：a₁=max(0,-2.9)=0a₂=max(0,1.9)=1.9a₃=max(0,4.8)=4.8a₄=max(0,-3.8)=0因此，隐藏层输出为[0,1.9,4.8,0]五、综合题（1）模型架构：-输入层：接收224×224×3的彩色图像（标准化为0-1或归一化到均值0、方差1）。-特征提取层：采用ResNet-50作为骨干网络（预训练于ImageNet），通过卷积层（Conv2D）、批量归一化（BatchNorm）、残差块（ResidualBlock）提取多尺度特征（如C3、C4、C5层）。-分类层：对提取的全局特征（通过全局平均池化GAP）连接全连接层（FC），最后接Softmax激活函数输出10类（假设目标为10种狗品种）的概率分布。（2）数据预处理：-数据增强：训练集使用随机翻转（水平/垂直）、旋转（±15°）、缩放（0.8-1.2倍）、亮度/对比度调整（±20%），提升模型泛化能力。-标准化：所有图像缩放至224×224，像素值除以255（归一化到0-1），或使用ImageNet的均值[0.485,0.456,0.406]和标准差[0.229,0.224,0.225]进行Z-score标准化。-类别平衡：若某品种样本过少，通过过采样（复制少数类样本）或合成样本（如GAN生成）平衡类别分布。（3）评估指标：-准确率（Accuracy）：正确分类的样本数占总样本数的比例（整体性能）。-精确率（Precision）：某品种被正确预测的比例（关注误报率）。-F1分数（F1-score）：精确率与召回率的调和平均（平衡两者的综合指标）。-mAP（平均精度均值）：多类别任务中各品种精确率的平均值（适用于更细粒度评估）。（4）可能原因及解决：-原因：过拟合（模型记住了训练集的噪声或特