2025年大数据与人工智能应用考试试题及答案

2025年大数据与人工智能应用考试试题及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于大数据预处理中的数据清洗步骤？A.处理缺失值B.消除重复记录C.特征选择D.纠正异常值2.在机器学习中，若目标是预测用户是否会购买某商品（二分类问题），最适合的损失函数是？A.均方误差（MSE）B.交叉熵损失（Cross-EntropyLoss）C.平均绝对误差（MAE）D.Huber损失3.深度学习中，以下哪种神经网络结构最适合处理图像分类任务？A.循环神经网络（RNN）B.卷积神经网络（CNN）C.长短期记忆网络（LSTM）D.自编码器（Autoencoder）4.大数据存储技术中，HBase主要适用于以下哪种场景？A.大规模结构化数据的实时读写B.非结构化文档的全文检索C.海量日志的批量分析D.高并发事务型数据库5.在自然语言处理（NLP）中，BERT模型的核心创新是？A.引入注意力机制B.基于双向Transformer的预训练C.采用循环结构处理序列D.结合卷积提取局部特征6.以下哪项属于无监督学习任务？A.预测房价（连续值）B.图像分类（标注好的数据集）C.用户分群（无标签数据）D.垃圾邮件识别（有标签邮件）7.大数据实时处理框架Flink的核心优势是？A.支持离线批量处理B.基于事件时间的精确处理C.简化的SQL查询接口D.高容错性的分布式存储8.机器学习中，过拟合的主要原因是？A.训练数据量过大B.模型复杂度低C.模型在训练集上表现过好，测试集上表现差D.特征维度过低9.在推荐系统中，协同过滤（CollaborativeFiltering）的核心假设是？A.用户会喜欢与自己相似的用户喜欢的物品B.用户会喜欢与目标物品相似的物品C.用户的历史行为无法预测未来偏好D.物品的内容属性是推荐的关键10.联邦学习（FederatedLearning）的主要目的是？A.提升模型训练速度B.保护数据隐私，避免数据集中存储C.降低计算资源消耗D.解决非平衡数据问题二、填空题（每空2分，共20分）1.大数据的“4V”特征是指体量（Volume）、速度（Velocity）、多样性（Variety）和__________。2.机器学习中，将原始数据转换为模型可处理的数值形式的过程称为__________。3.深度学习中，激活函数ReLU的表达式是__________。4.大数据处理框架Hadoop的核心组件是HDFS（分布式文件系统）和__________（分布式计算框架）。5.自然语言处理中，词嵌入（WordEmbedding）的典型模型包括Word2Vec和__________。6.时间序列预测中，LSTM（长短期记忆网络）通过__________结构解决了RNN的长依赖问题。7.推荐系统的三大主流方法是协同过滤、__________和混合推荐。8.数据仓库（DataWarehouse）的核心特性包括面向主题、__________、集成性和时变性。9.机器学习中，通过交叉验证（CrossValidation）可以评估模型的__________。10.生成式人工智能（AIGC）的典型模型包括__________（如文本生成）和StableDiffusion（如图像生成）。三、简答题（每题8分，共40分）1.简述数据标准化（Z-Score标准化）与归一化（Min-Max归一化）的区别及应用场景。2.监督学习与无监督学习的根本区别是什么？各举一个实际应用案例。3.解释卷积神经网络（CNN）中“卷积层”和“池化层”的作用。4.大数据实时处理与批量处理的主要差异有哪些？分别适用于哪些场景？5.人工智能伦理中“算法偏见”的产生原因及可能的解决方法。四、应用题（每题10分，共20分）1.某电商平台需对用户进行分群（如“高价值用户”“潜在用户”“流失用户”），现有用户行为数据包括：年龄、性别、近30天购买次数、平均客单价、最近一次购买时间（R值）、购买品类偏好。请设计基于这些数据的用户分群步骤（需包含数据预处理、特征工程、模型选择及评估方法）。2.假设你需要用Python的scikit-learn库训练一个逻辑回归模型，预测用户是否会点击某广告（二分类问题）。已知数据集为“ad_click.csv”，包含特征列（如“年龄”“浏览时长”“历史点击次数”）和目标列“是否点击（1/0）”。请写出关键代码步骤（需包含数据加载、划分训练集/测试集、模型训练、评估指标计算）。五、综合分析题（20分）随着医疗大数据与AI技术的发展，智能诊断系统（如基于医学影像的肿瘤识别）逐渐普及。请结合大数据与人工智能的技术特点，分析以下问题：（1）医疗大数据采集与处理的主要挑战有哪些？（2）AI模型在医疗诊断中的核心需求（如准确性、可解释性）是什么？为什么？（3）若你是项目负责人，会采取哪些措施确保系统的可靠性与安全性？答案一、单项选择题1.C（特征选择属于特征工程，非数据清洗步骤）2.B（二分类问题常用交叉熵损失）3.B（CNN适合图像局部特征提取）4.A（HBase是列式数据库，支持实时读写）5.B（BERT的核心是双向Transformer预训练）6.C（无监督学习无标签，如分群）7.B（Flink基于事件时间处理，支持毫秒级延迟）8.C（过拟合表现为训练集好、测试集差）9.A（协同过滤依赖用户或物品的相似性）10.B（联邦学习核心是隐私保护下的联合建模）二、填空题1.价值密度（Value）2.特征工程（或特征提取）3.ReLU(x)=max(0,x)4.MapReduce5.GloVe（或BERT，合理即可）6.门控单元（或遗忘门、输入门、输出门）7.基于内容的推荐（或基于知识的推荐）8.非易失性（或稳定性）9.泛化能力10.GPT系列（如GPT-4）三、简答题1.区别：标准化将数据转换为均值0、标准差1的分布（Z=(x-μ)/σ），归一化将数据缩放到[0,1]区间（(x-min)/(max-min)）。场景：标准化适用于数据分布未知或需要消除量纲影响（如SVM、KNN）；归一化适用于需要保留数据原始范围（如神经网络输入层）。2.根本区别：监督学习使用带标签数据训练（如分类、回归），无监督学习使用无标签数据发现模式（如分群、降维）。案例：监督学习（垃圾邮件分类）、无监督学习（用户分群）。3.卷积层：通过卷积核滑动提取图像局部特征（如边缘、纹理），保留空间信息；池化层：通过下采样（如最大池化）降低特征维度，减少计算量，增强平移不变性。4.差异：实时处理（低延迟，秒级/毫秒级，如实时推荐、监控）；批量处理（高吞吐量，小时级/天级，如日志分析、离线报表）。场景：实时处理（股票交易监控）、批量处理（用户行为周报生成）。5.原因：训练数据偏差（如样本分布不均衡）、特征选择偏见（如性别歧视特征）、模型设计缺陷（如忽略敏感属性）。解决方法：数据层面（平衡采样、去偏处理）、模型层面（公平性约束损失函数）、评估层面（引入公平性指标如EqualOpportunity）。四、应用题1.分群步骤：（1）数据预处理：处理缺失值（如用中位数填充年龄）、消除异常值（如过滤购买次数异常高的用户）；（2）特征工程：计算RFM指标（最近一次购买R、频率F、消费金额M）、将品类偏好转换为独热编码或嵌入向量；（3）模型选择：使用K-means（基于距离分群）或DBSCAN（基于密度，处理噪声）；（4）评估方法：轮廓系数（SilhouetteScore）衡量分群质量，结合业务验证（如高价值群的平均客单价是否显著高于其他群）。2.Python代码示例：```pythonimportpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_score,roc_auc_score数据加载data=pd.read_csv("ad_click.csv")X=data[["年龄","浏览时长","历史点击次数"]]特征y=data["是否点击"]目标划分训练集/测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)模型训练model=LogisticRegression()model.fit(X_train,y_train)预测与评估y_pred=model.predict(X_test)y_proba=model.predict_proba(X_test)[:,1]print("准确率:",accuracy_score(y_test,y_pred))print("AUC值:",roc_auc_score(y_test,y_proba))```五、综合分析题（1）挑战：-数据异构性：医疗数据包括影像（DICOM）、文本（病历）、结构化（检查指标），格式统一困难；-隐私安全：涉及患者个人健康信息（PHI），需符合HIPAA等法规，防止泄露；-标注成本高：医学影像标注需专业医生，标注数据稀缺且耗时；-数据质量：噪声（如设备误差）、缺失（如未记录的过敏史）影响模型性能。（2）核心需求：-准确性：医疗诊断直接关系患者生命安全，需高准确率（如肿瘤识别的召回率>99%）；-可解释性：医生需理解模型决策依据（如影像中哪些区域提示肿瘤），避免“黑箱”导致信任缺失；-鲁棒性：对不同设备、不同患者的异质性数据保持稳定性能（如CT机型号差异）；-合规性：符合医疗监管要求（如FDA认证），确保模型可追溯、可审计。（3）可靠性与安全性措