2026年玉田职中往年考试试题及答案

2026年玉田职中往年考试试题及答案考试时长：120分钟满分：100分一、单选题（总共10题，每题2分，总分20分）1.下列哪项不属于人工智能的核心技术领域？A.机器学习B.自然语言处理C.大数据分析D.生物遗传算法2.在神经网络中，用于计算输入层与隐藏层之间加权和的数学工具是？A.激活函数B.梯度下降C.权重矩阵D.反向传播3.以下哪种算法不属于监督学习范畴？A.决策树B.支持向量机C.K-均值聚类D.线性回归4.在深度学习模型中，Dropout技术的核心作用是？A.增加模型参数B.降低过拟合风险C.提高计算效率D.减少训练时间5.下列哪种数据结构最适合实现优先队列？A.链表B.堆栈C.堆（Heap）D.哈希表6.在图像识别任务中，卷积神经网络（CNN）主要利用哪种机制提取特征？A.全连接层B.卷积层C.循环层D.Softmax层7.以下哪个指标不属于模型评估的常用指标？A.准确率B.精确率C.召回率D.相关系数8.在强化学习中，智能体通过与环境交互获得奖励，其学习目标通常是？A.最小化误差B.最大化累积奖励C.降低计算复杂度D.提高模型泛化能力9.以下哪种技术不属于迁移学习范畴？A.预训练模型微调B.特征提取C.数据增强D.自监督学习10.在自然语言处理中，词嵌入（WordEmbedding）的主要目的是？A.提高模型训练速度B.将文本转换为数值向量C.减少模型参数量D.增强模型可解释性二、填空题（总共10题，每题2分，总分20分）1.人工智能的三大基本要素包括______、______和______。2.神经网络中，用于传递输入信号的函数称为______。3.在机器学习中，过拟合通常表现为模型在______上表现较差，但在______上表现较好。4.深度学习模型中，ReLU激活函数的数学表达式为______。5.优先队列通常采用______或______结构实现。6.卷积神经网络中，______层负责对图像进行空间卷积操作。7.模型评估中，F1分数是精确率和召回率的______。8.强化学习中，智能体通过______与环境交互并学习策略。9.迁移学习通过利用______知识来提升新任务的性能。10.自然语言处理中，BERT模型属于______预训练模型。三、判断题（总共10题，每题2分，总分20分）1.机器学习算法都需要大量标注数据进行训练。（×）2.深度学习模型一定比传统机器学习模型更准确。（×）3.支持向量机（SVM）是一种非参数学习方法。（√）4.Dropout技术会随机丢弃网络中的一部分神经元。（√）5.堆（Heap）是一种完全二叉树。（√）6.卷积神经网络（CNN）可以自然地处理序列数据。（×）7.模型评估中，AUC指标越高代表模型泛化能力越强。（√）8.强化学习中，智能体总是需要立即获得奖励才能学习。（×）9.迁移学习只能用于计算机视觉任务。（×）10.词嵌入（WordEmbedding）可以捕捉词语之间的语义关系。（√）四、简答题（总共4题，每题4分，总分16分）1.简述机器学习与深度学习的主要区别。答：机器学习是利用算法从数据中学习规律，而深度学习是机器学习的一个分支，通过多层神经网络自动提取特征，更擅长处理复杂任务。2.解释什么是过拟合，并列举两种解决过拟合的方法。答：过拟合是指模型在训练数据上表现极好，但在新数据上表现差。解决方法包括：①正则化（如L1/L2）；②增加数据量。3.描述卷积神经网络（CNN）的基本结构及其优势。答：基本结构包括卷积层、池化层和全连接层。优势是能自动提取图像特征，计算高效。4.什么是强化学习？简述其核心要素。答：强化学习是智能体通过试错学习最优策略。核心要素包括：状态、动作、奖励函数和策略。五、应用题（总共4题，每题6分，总分24分）1.假设你正在开发一个图像分类模型，现有数据集包含1000张猫和狗的图片，但标注数据不均衡（猫：狗=3:1）。请简述如何处理数据不平衡问题，并说明可能采用的评价指标。答：①过采样（如SMOTE算法）或欠采样（如随机删除狗图片）；②评价指标可选用F1分数或AUC，避免仅看准确率。2.设计一个简单的线性回归模型，输入特征为房屋面积（平方米），输出为房价（万元）。请写出损失函数的表达式，并简述梯度下降法的核心思想。答：损失函数：\(L=\frac{1}{2n}\sum_{i=1}^{n}(y_i-(wx_i+b))^2\)；梯度下降法通过计算损失函数对参数的梯度，逐步更新参数，使损失最小化。3.在自然语言处理任务中，如何利用BERT模型进行文本分类？请简述关键步骤。答：①将文本输入BERT模型进行编码；②在BERT输出上添加全连接层进行分类；③微调模型以适应特定任务。4.假设你正在使用Q-learning算法训练一个智能体玩迷宫游戏，迷宫有4个状态（A、B、C、D），智能体需要从A移动到D。请写出状态A的Q值更新公式，并解释ε-greedy策略的作用。答：Q值更新公式：\(Q(s,a)\leftarrowQ(s,a)+\alpha[r+\gamma\max_{a'}Q(s',a')-Q(s,a)]\)；ε-greedy策略以概率ε选择随机动作，以概率1-ε选择最优动作，平衡探索与利用。【标准答案及解析】一、单选题1.D解析：生物遗传算法属于进化计算领域，非AI核心技术。2.C解析：权重矩阵用于计算加权和，激活函数处理输出，梯度下降是优化方法，反向传播是计算梯度过程。3.C解析：K-均值聚类属于无监督学习。4.B解析：Dropout通过随机丢弃神经元降低过拟合。5.C解析：堆（Heap）支持高效获取最大/最小值，适合优先队列。6.B解析：CNN通过卷积层提取图像特征。7.D解析：相关系数用于衡量线性关系，非模型评估指标。8.B解析：强化学习目标是最小化累积奖励期望。9.D解析：自监督学习属于无监督学习，非迁移学习。10.B解析：词嵌入将文本映射为向量表示。二、填空题1.算法、数据、计算资源解析：AI三要素是理论框架的基础。2.输入层解析：输入层接收原始数据。3.测试集、训练集解析：过拟合导致测试集表现差。4.\(f(x)=\max(0,x)\)解析：ReLU函数定义。5.堆、二叉搜索树解析：堆支持高效优先级操作。6.卷积解析：卷积层是CNN核心操作。7.调和平均数解析：F1是精确率和召回率的调和平均。8.动作解析：智能体通过动作与环境交互。9.预训练解析：迁移学习利用已有知识。10.Transformer解析：BERT基于Transformer架构。三、判断题1.×解析：无监督学习可使用未标注数据。2.×解析：深度学习并非总是更优，需权衡复杂度。3.√解析：SVM不依赖参数假设。4.√解析：Dropout随机丢弃神经元。5.√解析：堆是满足堆性质的完全二叉树。6.×解析：CNN主要处理网格状数据，RNN更适序列。7.√解析：AUC衡量模型区分能力。8.×解析：强化学习可延迟奖励。9.×解析：迁移学习适用于多任务。10.√解析：词嵌入捕捉语义相似性。四、简答题1.机器学习与深度学习的区别：①机器学习使用固定结构（如线性回归），深度学习使用可学习的多层网络；②深度学习能自动提取特征，机器学习需人工设计特征；③深度学习计算复杂度更高，但泛化能力更强。2.过拟合及解决方法：过拟合是模型对训练数据过度拟合，泛化能力差。解决方法：①正则化：在损失函数添加惩罚项（如L2）；②数据增强：通过旋转/翻转等方式扩充数据。3.CNN结构及优势：结构：卷积层（提取特征）、池化层（降维）、全连接层（分类）；优势：自动特征提取、平移不变性、计算高效。4.强化学习及核心要素：强化学习是智能体通过试错学习最优策略。核心要素：①状态（当前环境描述）；②动作（智能体可执行操作）；③奖励函数（反馈信号）；④策略（动作选择规则）。五、应用题1.数据不平衡处理及评价指标：处理方法：①过采样：复制少数类样本（如SMOTE）；②欠采样：随机删除多数类样本；③合成数据：生成新样本。评价指标：F1分数（综合精确率和召回率）、AUC（区分能力）。2.线性回归模型及梯度下降：损失函数：\(L=\frac{1}{2n}\sum_{i=1}^{n}(y_i-(wx_i+b))^2\)；梯度下降：通过计算损失函数对参数的梯度，逐步更新参数，公式为：\(w\leftarroww-\alpha\frac{\partialL}{\partialw}\)，\(b\leftarrowb-\alpha\frac{\partialL}{\partialb}\)，其中α为学习率。3.BERT文本分类步骤：①输入文本：将文本输入BERT模型进行编码；②特征提取：BERT输出包含上下文信息的