2026年继续教育人工智能试卷及答案

2026年继续教育人工智能试卷及答案一、单项选择题（本大题共30小题，每小题1分，共30分）1.1956年，约翰·麦卡锡等科学家在达特茅斯会议上首次提出了“人工智能”这一术语，标志着人工智能学科的诞生。请问，这次会议举办的地点是？A.英国剑桥大学B.美国麻省理工学院C.美国达特茅斯学院D.美国斯坦福大学2.在人工智能的发展历程中，基于符号逻辑运算和知识推理的方法被称为？A.连接主义B.符号主义C.行为主义D.统计主义3.下列哪项不是机器学习的三大主要范式？A.监督学习B.无监督学习C.强化学习D.习惯性学习4.在深度学习中，用于解决梯度消失或梯度爆炸问题，常用的激活函数是？A.SigmoidB.TanhC.ReLUD.Linear5.在自然语言处理（NLP）任务中，Transformer模型的核心机制是？A.卷积运算B.循环运算C.自注意力机制D.池化运算6.下列关于“过拟合”的描述中，错误的是？A.模型在训练集上表现很好，但在测试集上表现较差B.通常是由于模型参数过多、训练数据过少导致的C.Dropout技术是一种常用的缓解过拟合的方法D.增加模型的复杂度可以有效解决过拟合7.在卷积神经网络（CNN）中，池化层的主要作用是？A.增加网络的参数数量B.提取特征C.降低特征图维度，减少计算量D.增加非线性变换8.支持向量机（SVM）在分类问题中，旨在寻找一个超平面，使得？A.所有样本点到超平面的距离之和最小B.所有样本点到超平面的距离之和最大C.不同类别的样本点到超平面的最小距离最大化D.不同类别的样本点到超平面的最小距离最小化9.在聚类算法中，K-Means算法的目标是？A.最小化类内距离，最大化类间距离B.最大化类内距离，最小化类间距离C.最小化类内距离和类间距离D.最大化类内距离和类间距离10.生成式对抗网络由两个部分组成，分别是生成器和判别器，它们之间的博弈关系是？A.生成器试图欺骗判别器，判别器试图识别真实数据B.生成器试图识别真实数据，判别器试图欺骗生成器C.两者都试图生成真实数据D.两者都试图识别真实数据11.在强化学习中，Agent通过与环境交互，目标是最大化？A.即时奖励B.累积折扣奖励C.惩罚最小化D.状态转移概率12.下列哪项技术是AlphaGo击败人类围棋世界冠军的核心算法之一？A.Q-LearningB.MonteCarloTreeSearch(MCTS)C.K-NearestNeighborsD.Apriori13.在自然语言处理中，将文本转换为向量表示的技术称为词嵌入。Word2Vec属于哪种模型？A.基于统计的模型B.基于规则的模型C.基于神经的预测模型D.基于有限状态机的模型14.大语言模型（LLM）中的“Temperature”参数主要用于控制什么？A.模型的训练速度B.模型的显存占用C.输出结果的随机性和多样性D.模型的推理精度15.在计算机视觉中，目标检测任务不仅要识别图像中的物体类别，还要？A.对物体进行语义分割B.给出物体的边界框坐标C.生成物体的描述文本D.分类图像的背景16.下列关于深度学习框架的描述，正确的是？A.TensorFlow仅支持Python语言B.PyTorch主要用于工业部署，不支持研究C.动态计算图在调试时比静态计算图更方便D.Caffe是目前最流行的自然语言处理框架17.在评估分类模型时，精确率和召回率是两个重要指标。若一个模型在正类别上的精确率为0.8，召回率为0.5，则F1分数为？A.0.65B.0.625C.0.7D.0.7518.关于人工智能伦理，下列哪项不属于AI伦理的主要关注点？A.算法偏见与公平性B.隐私保护C.可解释性D.算法的运行速度19.知识图谱是人工智能的重要分支，其基本组成单元是？A.键值对B.实体和关系C.向量和矩阵D.树和图20.在Transformer架构中，位置编码的主要作用是？A.增加模型的容量B.为模型提供序列中单词的位置信息C.加速模型的收敛D.防止过拟合21.提示工程是指什么？A.编写底层AI代码的过程B.优化硬件以运行AI模型的过程C.设计和优化输入给大模型的提示词以引导其输出的过程D.清洗训练数据的过程22.在图像生成领域，DiffusionModel（扩散模型）的核心思想是？A.通过前向扩散过程添加噪声，通过反向过程去噪恢复数据B.通过生成器和判别器对抗生成数据C.通过变分推断估计潜在变量D.通过自回归方式逐像素生成23.下列哪种数据增强技术常用于图像数据集的扩充？A.主成分分析（PCA）B.旋转、裁剪、翻转C.特征缩放D.独热编码24.在深度学习中，优化器Adam结合了哪两种算法的优点？A.SGD和MomentumB.Momentum和RMSPropC.Adagrad和RMSPropD.SGD和Adagrad25.残差网络中引入的“跳跃连接”主要解决了什么问题？A.参数量过大的问题B.深层网络难以训练的退化问题C.过拟合问题D.计算速度慢的问题26.在贝叶斯分类器中，朴素贝叶斯做出“朴素”假设是指？A.特征之间是相互独立的B.类别之间是相互独立的C.样本之间是相互独立的D.数据是正态分布的27.循环神经网络（RNN）在处理长序列时面临的主要问题是？A.无法处理非线性数据B.梯度消失或梯度爆炸C.计算量过大D.无法并行计算28.下列关于“弱人工智能”和“强人工智能”的描述，正确的是？A.弱人工智能是指在特定领域达到人类水平的AIB.强人工智能已经实现并广泛应用C.弱人工智能具备自我意识和情感D.强人工智能只能完成单一任务29.在自动驾驶系统中，激光雷达主要用于？A.识别交通标志B.精确测距和构建环境三维点云C.车道线检测D.语音交互30.模型压缩技术中，将模型中的全精度参数（32位浮点数）转换为低精度参数（如8位整数）的技术称为？A.剪枝B.量化C.知识蒸馏D.权值共享二、多项选择题（本大题共15小题，每小题2分，共30分。多选、少选、错选均不得分）1.下列属于人工智能主要应用领域的有？A.智能医疗B.金融风控C.智能交通D.游戏与娱乐2.机器学习中的特征工程包括哪些步骤？A.特征提取B.特征选择C.特征构建D.模型训练3.常用的深度学习损失函数有哪些？A.均方误差B.交叉熵损失C.HingeLossD.TripletLoss4.卷积神经网络（CNN）的典型架构包含哪些层？A.卷积层B.池化层C.全连接层D.循环层5.下列哪些属于无监督学习算法？A.K-Means聚类B.主成分分析（PCA）C.层次聚类D.逻辑回归6.自然语言处理中的常见任务包括？A.机器翻译B.情感分析C.命名实体识别D.文本摘要7.强化学习的基本要素包括？A.Agent（智能体）B.Environment（环境）C.Reward（奖励）D.Policy（策略）8.导致算法偏见的主要原因可能包括？A.训练数据存在历史偏见B.算法设计者的主观倾向C.特征选择不当D.模型参数过多9.下列关于大语言模型（LLM）的描述，正确的有？A.具有强大的上下文理解能力B.能够涌现出训练时未明确教导的能力C.不存在“幻觉”问题D.通常基于Transformer架构10.模型融合的方法有哪些？A.Voting（投票法）B.BaggingC.BoostingD.Stacking11.在图像语义分割中，常用的网络模型包括？A.FCNB.U-NetC.MaskR-CNND.ResNet12.数据清洗的主要任务包括？A.处理缺失值B.处理异常值C.去除重复数据D.数据标准化13.人工智能安全面临的挑战包括？A.对抗样本攻击B.模型窃取C.数据投毒D.隐私泄露14.下列哪些是Transformer模型中Encoder部分包含的组件？A.多头自注意力机制B.前馈神经网络C.残差连接D.Masked操作15.边缘计算与人工智能结合（EdgeAI）的优势在于？A.降低延迟B.保护数据隐私C.减轻云端服务器负载D.必须依赖高功耗GPU三、判断题（本大题共15小题，每小题1分，共15分。正确的打“√”，错误的打“×”）1.图灵测试是判断机器是否具有智能的一种标准，如果机器能够欺骗人类判断者，使其误以为自己是人类，则认为机器通过测试。()2.深度学习是机器学习的一个子集，而机器学习是人工智能的一个子集。()3.所有的神经网络都需要大量的标注数据进行训练，无法利用无标签数据。()4.梯度下降算法中，学习率越大，模型收敛速度越快，因此学习率应设置得尽可能大。()5.Sigmoid函数的输出值范围在0到1之间，常用于二分类问题的输出层。()6.卷积神经网络中的卷积核参数是随机初始化的，不需要通过反向传播进行更新。()7.L1正则化相比于L2正则化，更容易产生稀疏解，即让许多参数变为0。()8.在决策树算法中，ID3使用信息增益作为分裂准则，C4.5使用信息增益率。()9.K-近邻算法（KNN）是一种懒惰学习算法，它在训练阶段不进行显式的模型构建。()10.长短期记忆网络（LSTM）通过引入门控机制解决了RNN的梯度消失问题，但无法解决梯度爆炸。()11.在自然语言处理中，BERT模型是双向的，GPT模型是单向的（自回归）。()12.人工智能模型的可解释性越强，通常意味着模型的精度越低。()13.数据增强可以有效地防止过拟合，提高模型的泛化能力。()14.生成式AI只能生成文本内容，无法生成图像或音频。()15.迁移学习是指将一个领域学到的知识应用到另一个相关领域，常用于解决目标领域数据不足的问题。()四、填空题（本大题共10小题，每小题2分，共20分）1.在感知机模型中，假设输入向量为x，权重向量为w，偏置为b，则模型的输出函数可以表示为y=f(2.在反向传播算法中，根据链式法则计算误差对权重的梯度，目的是利用______算法更新网络参数。3.主成分分析（PCA）是一种常用的降维算法，它通过______变换将数据投影到新的坐标系中。4.在评估回归模型时，______指标计算的是预测值与真实值差值的平方的均值。5.Transformer模型中，为了并行计算并捕捉序列中词与词之间的距离关系，引入了______编码。6.在深度学习训练中，如果训练集Loss持续下降，但验证集Loss上升，通常发生了______现象。7.随机森林属于Bagging集成策略，它通过组合多个______决策树来提高模型的稳定性和准确性。8.强化学习中，Agent根据当前状态采取动作，环境反馈奖励和下一状态，这个五元组通常被称为______。9.在目标检测算法YOLO（YouOnlyLookOnce）中，将目标检测问题转化为单一的______问题。10.大语言模型在推理时，根据当前上下文预测下一个词的概率分布，通常采用______策略从分布中选择一个词生成。五、简答题（本大题共5小题，每小题6分，共30分）1.简述监督学习、无监督学习和强化学习的主要区别。2.什么是卷积神经网络中的“感受野”？它的大小对网络性能有何影响？3.简述Transformer模型中“自注意力机制”的工作原理及其优势。4.解释生成式人工智能与判别式人工智能的区别，并各举一个典型模型示例。5.在处理结构化数据（如Excel表格）时，为什么树模型（如XGBoost、LightGBM）通常比深度神经网络表现更好？六、综合应用题（本大题共3小题，每小题15分，共45分）1.逻辑回归与梯度下降计算假设我们有一个二分类问题，使用逻辑回归模型。模型参数为权重w和偏置b。假设只有单个特征x，当前的参数值为w=1，b=0。激活函数为Sigmoid函数：现有一个训练样本(x=1请计算：(1)当前参数下，该样本的预测值是多少？（保留两位小数）(2)计算损失函数值L。（保留两位小数）(3)推导损失函数关于权重w的梯度，并计算其值。(4)利用梯度下降法更新权重w。2.卷积神经网络特征图尺寸计算假设输入图像的尺寸为64×64（高经过第一层卷积层：卷积核大小为3×经过第二层池化层：池化核大小为2×经过第三层卷积层：卷积核大小为5×请计算：(1)第一层卷积层输出特征图的尺寸（高、宽、通道数）。(2)第二层池化层输出特征图的尺寸。(3)第三层卷积层输出特征图的尺寸。(4)第三层卷积层输出层的总参数量（不考虑偏置项）是多少？3.混淆矩阵与模型评估分析在一个包含1000个样本的癌症检测测试集中，实际患病样本（正类）有100个，健康样本（负类）有900个。某分类模型的预测结果如下：正确预测出患病样本（TP）为80个。错误将健康样本预测为患病（FP）为50个。错误将患病样本预测为健康（FN）为20个。正确预测出健康样本（TN）为850个。请根据上述信息回答：(1)请列出该模型的混淆矩阵。(2)计算该模型的准确率、精确率、召回率和特异度。(3)在癌症筛查场景中，通常更看重哪个指标？为什么？(4)如果要提高召回率，通常会对分类阈值进行怎样的调整？这可能会对精确率产生什么影响？参考答案与解析一、单项选择题1.C解析：1956年的达特茅斯会议在达特茅斯学院举行，麦卡锡、明斯基、罗切斯特和香农等人共同发起了此次会议。2.B解析：符号主义，又称逻辑主义或心理学派，其原理主要为物理符号系统假设和有限合理性原理，基于知识表征和推理。3.D解析：机器学习主要分为监督学习、无监督学习和强化学习。习惯性学习不是机器学习的标准范式。4.C解析：ReLU（RectifiedLinearUnit）函数在正区间导数恒为1，有效缓解了深层网络中的梯度消失问题，且计算速度快。5.C解析：Transformer完全抛弃了RNN/CNN的循环和卷积结构，仅利用注意力机制来处理序列信息，核心是自注意力机制。6.D解析：过拟合是因为模型太复杂。解决过拟合的方法包括减少模型复杂度（如减少层数、神经元数）、使用正则化、Dropout、增加数据量等。增加复杂度会加剧过拟合。7.C解析：池化层（如最大池化、平均池化）用于下采样，减小特征图的尺寸，从而减少计算量和参数数量，并在一定程度上保持平移不变性。8.C解析：SVM的目标是找到能够正确划分训练数据集且几何间隔最大的分离超平面，即最大化不同类别样本点到超平面的最小距离。9.A解析：聚类的目标是让同一类别的样本尽可能相似（距离小），不同类别的样本尽可能差异大（距离大）。10.A解析：GAN中，生成器试图生成逼真的样本以欺骗判别器，判别器试图准确区分真实样本和生成样本。11.B解析：强化学习的目标是最大化长期累积回报，通常包含折扣因子，即累积折扣奖励。12.B解析：AlphaGo结合了深度神经网络和蒙特卡洛树搜索（MCTS），其中MCTS负责搜索和评估棋局。13.C解析：Word2Vec（CBOW和Skip-gram）是基于浅层神经网络的预测模型，通过上下文预测中心词或通过中心词预测上下文来学习词向量。14.C解析：Temperature参数控制Softmax分布的平滑度。Temperature越高，分布越平缓，输出越随机；Temperature越低，分布越尖锐，输出越确定。15.B解析：目标检测需要在图像中定位物体的位置，通常用边界框表示，并给出类别标签。16.C解析：PyTorch使用动态计算图，便于调试和实验；TensorFlow1.x主要是静态图，2.x引入了EagerExecution也支持动态。TensorFlow支持多种语言。17.B解析：F1===≈0.615。按选项计算，最接近0.625（注：若按精确数值0.615，选项B最接近，可能题目设定数值略有不同，按公式计算即可）。修正计算：2×0.8×0.5=0.8;0.8+0.5=1.3;0.8/18.D解析：AI伦理关注偏见、公平、隐私、可解释性、安全性、责任归属等。运行速度属于工程性能指标，不属于伦理范畴。19.B解析：知识图谱的基本单元是三元组（实体1-关系-实体2），即实体和关系。20.B解析：由于Self-Attention机制本身不具备位置信息，且是并行计算，需要显式加入位置编码以注入序列中词的相对或绝对位置信息。21.C解析：提示工程是优化输入给大语言模型的文本提示，以引导模型输出更符合用户期望的结果。22.A解析：扩散模型通过前向过程不断向数据添加高斯噪声，直到变成纯噪声，然后学习反向过程从噪声中逐步恢复数据。23.B解析：图像数据增强常用几何变换（旋转、裁剪、翻转）和颜色变换。24.B解析：Adam优化器结合了Momentum（动量）和RMSProp（自适应学习率）的优点。25.B解析：残差连接引入恒等映射，使得梯度可以直接流向前面的层，有效解决了深层网络的退化问题，使得训练极深网络成为可能。26.A解析：朴素贝叶斯假设特征之间相互条件独立。27.B解析：RNN在处理长序列时，由于连乘效应，容易出现梯度消失或梯度爆炸，导致无法学习长距离依赖。28.A解析：弱人工智能（ANI）专注于解决特定领域问题；强人工智能（AGI）具备类似人类的通用智能和意识。目前强人工智能尚未实现。29.B解析：激光雷达通过发射激光束测量物体距离，生成高精度的三维点云数据，是自动驾驶感知系统的核心传感器之一。30.B解析：量化是指将模型参数从高精度（如FP32）转换为低精度（如INT8），以减小模型体积和加速推理。二、多项选择题1.ABCD解析：AI应用极为广泛，涵盖医疗、金融、交通、娱乐等各个垂直领域。2.ABC**解析：特征工程包括从原始数据中提取特征、选择最重要的特征以及构造新的特征。模型训练是特征工程之后的步骤。**解析：特征工程包括从原始数据中提取特征、选择最重要的特征以及构造新的特征。模型训练是特征工程之后的步骤。3.ABCD解析：这些都是常见的损失函数，MSE用于回归，CrossEntropy用于分类，Hinge用于SVM，Triplet用于度量学习。4.ABC解析：CNN典型结构包含卷积层、池化层和全连接层。循环层属于RNN。5.ABC解析：逻辑回归是监督学习算法。K-Means、PCA、层次聚类属于无监督学习。6.ABCD解析：NLP任务包括翻译、情感分析、NER、摘要、问答等。7.ABCD解析：强化学习包含Agent、Environment、State、Action、Reward、Policy等要素，ABCD均为核心要素。8.ABC解析：算法偏见主要源于数据偏见、算法设计缺陷和特征选取不当。参数过多导致过拟合，不直接导致社会层面的偏见。9.ABD解析：LLM具有强大的上下文理解和涌现能力，基于Transformer。LLM存在幻觉问题，即生成看似合理但虚假的内容。10.ABCD解析：Voting是简单的投票融合；Bagging、Boosting、Stacking都是高级的集成学习策略。11.ABC解析：FCN、U-Net是语义分割网络；MaskR-CNN是实例分割网络。ResNet主要用于图像分类。12.ABCD解析：数据清洗涉及处理缺失值、异常值、去重、标准化/归一化等。13.ABCD解析：AI安全包括对抗攻击、模型窃取、数据投毒、隐私保护（如差分隐私、联邦学习）等。14.ABC解析：TransformerEncoder包含多头自注意力、前馈网络、残差连接和层归一化。Masked操作主要用于Decoder。15.ABC解析：EdgeAI优势在于低延迟、隐私保护、节省带宽。边缘设备通常资源受限，不一定依赖高功耗GPU，常使用NPU或量化模型。三、判断题1.√解析：这是图灵测试的标准定义。2.√解析：AI>ML>DL，包含关系正确。3.×解析：自监督学习、半监督学习等方法可以利用无标签数据。预训练也常使用大量无标签数据。4.×解析：学习率过大可能导致无法收敛（震荡），需要在收敛速度和稳定性之间权衡。5.√解析：Sigmoid函数将实数映射到(0,1)区间，适合表示概率。6.×解析：卷积核参数是网络权重的一部分，需要通过反向传播和梯度下降进行更新。7.√解析：L1正则化倾向于产生稀疏权值，许多参数变为0，具有特征选择的效果。8.√解析：ID3使用信息增益，偏向取值多的特征；C4.5使用信息增益率，进行了改进。9.√解析：KNN是实例-based学习，训练时只是存储数据，计算主要发生在预测阶段。10.×解析：LSTM通过门控机制设计旨在解决梯度消失问题，同时也对梯度爆炸有一定缓解作用（配合梯度裁剪），但不能说“无法解决梯度爆炸”，其设计初衷主要是针对长距离依赖（梯度消失）。11.√解析：BERT使用双向TransformerEncoder，GPT使用单向TransformerDecoder（MaskedSelf-Attention）。12.×解析：不一定。虽然深度神经网络通常是黑盒，但可解释性AI（XAI）的研究旨在打破这一权衡，并非绝对反比。13.√解析：数据增加了数据的多样性和数量，有助于提高泛化能力，防止过拟合。14.×解析：生成式AI涵盖文本、图像、音频、视频、3D模型等多模态内容生成。15.√解析：迁移学习正是为了利用源域知识辅助目标域学习，解决小样本问题。四、填空题1.阶跃（或Sign/激活）解析：感知机输出通常使用阶跃函数或符号函数，若为逻辑回归则是Sigmoid。此处按经典感知机定义填阶跃或符号函数均可，通常指二值输出。2.梯度下降解析：反向传播计算梯度，梯度下降利用梯度更新参数。3.正交（或线性）解析：PCA通过正交变换将数据投影到方差最大的方向（主成分）。4.均方误差（MSE）解析：MSE=∑(5.位置解析：Transformer使用位置编码注入位置信息。6.过拟合解析：训练Loss下降，验证Loss上升是过拟合的典型特征。7.决策（或CART）解析：随机森林由多棵决策树组成。8.元组解析：即(,9.回归解析：YOLO将目标检测框的坐标和类别概率预测转化为一个回归问题。10.采样（或Top-k/核采样）解析：从概率分布中选择词，策略包括贪婪采样、Top-k采样、Nucleus采样等。五、简答题1.答：监督学习：训练数据既有特征又有标签（正确答案）。模型通过学习输入与输出的映射关系进行预测。典型任务：分类、回归。无监督学习：训练数据只有特征，没有标签。模型需要从数据中自动发现结构或模式。典型任务：聚类、降维。强化学习：没有固定的训练数据，Agent通过与环境交互（试错），根据奖励或惩罚机制来调整策略，以最大化累积奖励。典型任务：游戏博弈、机器人控制。2.答：感受野：指卷积神经网络中，特征图上的某个像素点对应输入图像上的区域大小。即该像素点的输出受输入图像中哪些区域的影响。影响：感受野越大，网络能捕捉到的全局语义信息越强，有利于识别大物体和理解上下文；感受野越小，网络更关注局部细节，有利于边缘检测和纹理识别。通常深层网络通过堆叠卷积层来扩大感受野。3.答：原理：自注意力机制通过计算序列中每个元素与其他所有元素的相关性（权重），来聚合信息。具体来说，通过Query、Key、Value三个向量，计算Query与Key的点积得到注意力