2026年广西华侨学校考试试题及答案

2026年广西华侨学校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.在深度学习中，Dropout技术的核心目的是？A.增加模型参数B.减少过拟合C.加速训练速度D.提高模型泛化能力5.下列哪种数据结构最适合实现LRU（最近最少使用）缓存算法？A.队列B.哈希表C.双向链表D.栈6.在自然语言处理中，BERT模型的核心机制是？A.卷积神经网络B.递归神经网络C.预训练与微调D.转换器（Transformer）7.以下哪种技术不属于强化学习范畴？A.Q-学习B.深度Q网络（DQN）C.神经进化D.随机梯度下降8.在图像识别任务中，通常使用哪种损失函数来优化模型？A.均方误差（MSE）B.交叉熵损失C.动态规划D.贪心算法9.以下哪种方法不属于特征工程范畴？A.特征缩放B.特征选择C.模型集成D.根据领域知识构建新特征10.在分布式计算中，MapReduce框架的核心思想是？A.数据分治B.单点登录C.内存优化D.异步处理二、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是______、______和______。2.在神经网络中，用于传递输入信号的函数称为______。3.决策树算法的常见剪枝策略包括______和______。4.深度学习模型中，用于优化参数的常用算法是______。5.在自然语言处理中，词嵌入技术的主要目的是将词语映射到______空间。6.强化学习中的“智能体”通过______与环境交互并学习最优策略。7.图像识别任务中，常用的数据增强方法包括______和______。8.特征工程中的“特征交叉”指的是通过______组合原始特征生成新特征。9.分布式计算中，Hadoop的核心组件包括______和______。10.机器学习中的“过拟合”现象通常表现为模型在______上表现较差。三、判断题（总共10题，每题2分，总分20分）1.人工智能的目标是让机器完全模拟人类智能。（×）2.卷积神经网络（CNN）特别适合处理序列数据。（×）3.支持向量机（SVM）通过寻找最优超平面来分类数据。（√）4.Dropout技术可以完全消除神经网络的过拟合问题。（×）5.哈希表的时间复杂度为O(1)。（√）6.BERT模型是第一种基于Transformer的预训练语言模型。（√）7.强化学习中的“折扣因子”γ通常取值在0.5到1之间。（×）8.图像识别任务中，数据集的类别不平衡会导致模型性能下降。（√）9.特征工程是机器学习中的“黑盒”技术，无需领域知识支持。（×）10.MapReduce框架适用于实时计算任务。（×）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：机器学习是更广泛的概念，包括传统算法（如决策树、SVM）和深度学习。深度学习是机器学习的一个分支，通过多层神经网络自动学习特征表示，特别擅长处理大规模数据。2.解释什么是“过拟合”及其常见解决方法。答：过拟合是指模型在训练数据上表现极好，但在测试数据上表现差的现象。解决方法包括：①减少模型复杂度（如减少层数）；②增加数据量；③使用正则化（如L1/L2）；④早停法。3.描述自然语言处理中词嵌入技术的核心思想。答：词嵌入技术将词语映射到低维向量空间，使语义相近的词语在空间中距离较近。常用方法包括Word2Vec、BERT等，其核心思想是利用上下文信息学习词语的分布式表示。4.解释强化学习中的“折扣因子”γ的作用。答：折扣因子γ用于平衡即时奖励与长期奖励的重要性。γ=1表示完全重视未来奖励，γ=0表示只关注即时奖励。通常取0.9-0.99，以平衡短期与长期目标。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，但猫的图片只有200张。请简述如何通过数据增强方法缓解类别不平衡问题。答：①随机旋转、裁剪、翻转图片；②使用数据平衡技术（如过采样猫的图片或欠采样狗的图片）；③引入合成数据（如GAN生成猫的图片）；④调整损失函数权重（如对猫的误分类惩罚更高）。2.设计一个简单的神经网络结构，用于分类MNIST手写数字数据集，并说明各层的作用。答：①输入层：784个神经元（28×28像素）；②隐藏层1：128个神经元，ReLU激活函数（提取低级特征）；③隐藏层2：64个神经元，ReLU激活函数（提取高级特征）；④输出层：10个神经元，Softmax激活函数（多分类）。3.假设你正在使用BERT模型进行文本分类，请简述预训练和微调的步骤。答：①预训练：在大量无标签文本上训练BERT，学习通用语言表示；②微调：在特定任务（如文本分类）上继续训练，替换BERT顶层并冻结其他层；③评估：在验证集上测试模型性能，调整学习率等超参数。4.解释如何使用梯度下降算法优化神经网络中的权重参数。答：①前向传播计算预测值；②反向传播计算损失函数对权重的梯度；③更新权重：w←w-η∇L（η为学习率）；④重复上述步骤直至收敛。梯度下降的变种包括Adam、RMSprop等。【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，与人工智能的核心技术（机器学习、NLP、大数据）无关。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，其余均为监督学习算法。4.B解析：Dropout通过随机丢弃神经元，强制网络学习冗余特征，减少过拟合。5.C解析：双向链表支持快速插入删除，适合LRU缓存的前进后退操作。6.D解析：BERT基于Transformer架构，核心是自注意力机制。7.D解析：随机梯度下降是通用优化算法，不属于强化学习。8.B解析：图像分类常用交叉熵损失，均方误差用于回归。9.C解析：模型集成（如Bagging）是模型评估或组合方法，不属于特征工程。10.A解析：MapReduce通过数据分治实现分布式计算。二、填空题1.算法、数据、计算资源解析：人工智能的三大基本要素是可执行的算法、可处理的数据以及计算资源。2.激活函数解析：激活函数（如Sigmoid、ReLU）决定神经元是否传递信号。3.基于剪枝、基于阈值解析：剪枝策略包括删除不重要节点（如ID3的基于信息增益）和设置阈值（如决策树深度限制）。4.梯度下降解析：梯度下降及其变种（Adam、RMSprop）是深度学习最常用的优化算法。5.向量解析：词嵌入将词语映射到高维向量空间，使语义相近的词语距离近。6.状态-动作解析：智能体通过感知状态并执行动作与环境交互，学习最优策略。7.随机旋转、水平翻转解析：数据增强方法常用于扩充数据集，提高模型泛化能力。8.特征交叉解析：特征交叉通过组合原始特征（如性别×年龄）生成新特征。9.HDFS、MapReduce解析：Hadoop的核心组件是分布式文件系统（HDFS）和计算框架（MapReduce）。10.测试集解析：过拟合导致模型在未见数据（测试集）上表现差。三、判断题1.×解析：人工智能的目标是模拟人类智能，但并非完全复制。2.×解析：CNN适合图像处理，RNN适合序列数据。3.√解析：SVM通过超平面最大化样本间隔实现分类。4.×解析：Dropout只能缓解过拟合，不能完全消除。5.√解析：哈希表通过哈希函数实现O(1)平均查找时间。6.√解析：BERT是2018年提出的基于Transformer的预训练模型。7.×解析：折扣因子γ通常取0.9-0.99，表示未来奖励占0.1-0.01权重。8.√解析：类别不平衡会导致模型偏向多数类。9.×解析：特征工程需要领域知识（如医学图像处理需医生参与）。10.×解析：MapReduce适用于批处理，Spark适合实时计算。四、简答题1.机器学习与深度学习的区别：-机器学习包括传统算法（如决策树、SVM）和深度学习；-深度学习通过多层神经网络自动学习特征，无需人工设计；-深度学习需要大规模数据和高计算资源。2.过拟合及其解决方法：过拟合是模型在训练集上表现好但在测试集上表现差的现象。解决方法：①减少模型复杂度（如减少层数）；②增加数据量（如数据增强）；③正则化（L1/L2）；④早停法（EarlyStopping）。3.词嵌入技术的核心思想：词嵌入将词语映射到低维向量空间，使语义相近的词语距离近。核心思想是利用上下文信息学习词语的分布式表示，常用方法包括Word2Vec、BERT等。4.折扣因子γ的作用：折扣因子γ用于平衡即时奖励与长期奖励的重要性。γ=1表示完全重视未来奖励，γ=0表示只关注即时奖励。通常取0.9-0.99，以平衡短期与长期目标。五、应用题1.数据增强方法：①随机旋转、裁剪、翻转图片；②过采样猫的图片或欠采样狗的图片；③使用GAN生成合成猫图片；④调整损失函数权重（如对猫的误分类惩罚更高）。2.神经网络结构：①输入层：784个神经元（28×28像素）；②隐藏层1：128个神经元，ReLU激活函数（提取低级特征）；③隐藏层2：64个神经元，ReLU激活函数（提取高级特征）；④输出层：10个神经元，Softmax激活函数（多分类）。