2025年人工智能与机器学习课程考试卷及答案

2025年人工智能与机器学习课程考试卷及答案一、单项选择题（每题2分，共20分）1.在监督学习中，若目标变量为连续型数值，且数据存在显著异方差性（方差随特征值增大而增大），最适合选择的损失函数是（）。A.均方误差（MSE）B.平均绝对误差（MAE）C.均方对数误差（MSLE）D.分位数损失（QuantileLoss）2.以下关于过拟合的描述中，错误的是（）。A.增加训练数据量可缓解过拟合B.L1正则化通过惩罚权重的绝对值和抑制过拟合C.早停法（EarlyStopping）的本质是限制模型训练的迭代次数D.随机失活（Dropout）在测试阶段需要调整输出神经元的激活值3.对于卷积神经网络（CNN），当输入图像尺寸为224×224×3（H×W×C），使用5×5卷积核、步长2、padding=2，输出特征图的尺寸为（）。A.112×112×3B.112×112×N（N为卷积核数量）C.113×113×3D.113×113×N4.在自然语言处理（NLP）中，以下哪项技术最依赖“上下文信息的长距离依赖建模”？（）A.词袋模型（Bag-of-Words）B.TF-IDFC.Transformer的自注意力机制D.n-gram模型5.强化学习中，策略梯度（PolicyGradient）方法直接优化的目标是（）。A.状态值函数V(s)B.动作值函数Q(s,a)C.策略π(a|s)的期望累积奖励D.环境的转移概率P(s'|s,a)6.以下关于无监督学习的说法，正确的是（）。A.K-means的聚类结果受初始质心选择影响较小B.主成分分析（PCA）的目标是最大化数据在投影方向上的方差C.高斯混合模型（GMM）假设各簇数据服从独立的伯努利分布D.自编码器（Autoencoder）的输出层与输入层神经元数量一定相同7.在梯度下降优化中，若学习率设置过大，最可能出现的现象是（）。A.模型收敛速度变慢B.损失函数在最小值附近震荡甚至发散C.模型陷入局部极小值D.训练数据的拟合效果显著下降8.对于二分类问题，若正负样本比例为1:99（极不平衡），且模型将所有样本预测为负类，此时准确率（Accuracy）和F1-score分别为（）。A.99%，0B.99%，0.99C.1%，0D.1%，0.029.以下哪项不是Transformer模型中位置编码（PositionalEncoding）的作用？（）A.为序列中的每个位置添加绝对位置信息B.允许模型捕捉词与词之间的相对位置关系C.替代循环神经网络（RNN）的顺序处理能力D.增强模型对长序列的记忆能力10.在迁移学习中，若源域与目标域的任务相同但数据分布差异较大（如源域是自然图像，目标域是医学影像），最适合的迁移策略是（）。A.直接使用源域预训练模型的输出层参数B.冻结源域模型的底层特征提取层，微调顶层分类层C.对源域模型进行全参数微调D.仅使用源域模型的输入层参数二、填空题（每空1分，共20分）1.逻辑回归模型的决策函数形式为__________，其本质是通过__________函数将线性回归的输出映射到[0,1]区间。2.支持向量机（SVM）的核心思想是寻找__________最大的分类超平面，对于非线性可分问题，需通过__________将数据映射到高维空间。3.循环神经网络（RNN）的长期依赖问题是指模型难以捕捉__________的依赖关系，门控循环单元（GRU）通过__________和__________两个门控机制缓解该问题。4.提供对抗网络（GAN）由__________和__________两部分组成，其训练目标是最小化__________损失。5.评估分类模型时，精确率（Precision）定义为__________，召回率（Recall）定义为__________；当需要同时关注两者时，常用__________作为综合指标。6.随机森林（RandomForest）通过__________和__________两种随机化策略增强模型的泛化能力，其基学习器通常为__________。7.在深度学习中，批量归一化（BatchNormalization）的主要作用是__________，其计算时需对每个批次的__________和__________进行归一化。三、简答题（每题8分，共40分）1.简述梯度下降（GradientDescent）、随机梯度下降（SGD）和小批量梯度下降（Mini-batchGD）的区别，并分析各自的优缺点。2.解释为什么深度神经网络需要非线性激活函数，若全部使用线性激活函数会导致什么问题？3.对比K-means聚类与DBSCAN聚类的核心差异，说明DBSCAN在处理非凸形状簇和噪声数据时的优势。4.什么是注意力机制（AttentionMechanism）？请结合Query-Key-Value框架，说明自注意力（Self-Attention）的计算过程。5.列举三种常见的模型正则化方法（除L1/L2正则化外），并分别说明其抑制过拟合的原理。四、计算题（每题10分，共30分）1.某二分类任务中，真实标签为y=[1,0,1,0]，模型预测概率为p=[0.8,0.3,0.6,0.4]。计算：（1）交叉熵损失（单个样本平均）；（2）若将阈值设为0.5，计算混淆矩阵及F1-score。2.假设有一个简单神经网络：输入层2个神经元（x₁,x₂），隐藏层2个神经元（h₁,h₂），输出层1个神经元（y）。激活函数均为sigmoid，损失函数为均方误差（MSE）。已知输入x=[2,3]，隐藏层权重W¹=[[0.1,0.2],[0.3,0.4]]（W¹的第i行对应h_i的输入权重），输出层权重W²=[0.5,0.6]，真实标签t=1。计算：（1）隐藏层神经元h₁、h₂的激活值；（2）输出层的预测值y；（3）输出层权重W²的梯度∂L/∂W²（L为损失函数）。3.给定数据集：样本A（2,3）、B（4,1）、C（5,2）、D（1,4）、E（3,5），使用K-means算法（k=2），初始质心为μ₁=(2,3)（对应A）、μ₂=(4,1)（对应B）。计算第一次迭代后的质心位置（需写出样本分配和质心更新步骤）。五、综合题（每题15分，共30分）1.设计一个基于深度学习的图像分类模型（如识别猫/狗），需包含以下内容：（1）数据预处理步骤（至少3项）；（2）模型架构设计（需说明各层类型及作用）；（3）训练策略（优化器、学习率调整、正则化方法选择及理由）；（4）评估指标选择及原因。2.某电商平台希望优化商品推荐系统，当前使用协同过滤（CF）方法但效果不佳（如冷启动问题、推荐多样性不足）。请结合机器学习技术提出改进方案，要求：（1）分析协同过滤的局限性；（2）提出融合内容信息的混合推荐模型（需说明模型结构及关键模块）；（3）设计实验验证改进效果（需包括数据集划分、对比模型、评估指标）。答案一、单项选择题1.C2.C3.B4.C5.C6.B7.B8.A9.D10.B二、填空题1.y=2.间隔（Margin）；核函数（KernelFunction）3.长距离（长时间步）；更新门（UpdateGate）；重置门（ResetGate）4.提供器（Generator）；判别器（Discriminator）；对抗（Adversarial）5.真阳性/(真阳性+假阳性)；真阳性/(真阳性+假阴性)；F1-score6.样本随机采样（Bootstrap）；特征随机选择；决策树（CART）7.缓解内部协变量偏移（InternalCovariateShift）；均值；方差三、简答题1.区别：梯度下降使用全部训练数据计算梯度，随机梯度下降使用单个样本，小批量梯度下降使用部分样本（如32-256）。优点：GD梯度计算准确，收敛稳定；SGD计算效率高，易跳出局部极小；Mini-batch平衡计算效率与梯度稳定性。缺点：GD计算成本高（数据量大时）；SGD梯度波动大，收敛不平稳；Mini-batch依赖批量大小选择。2.原因：若全用线性激活函数，多层网络等价于单层线性模型（线性组合的线性组合仍是线性），无法拟合非线性关系。问题：模型表达能力受限，无法学习复杂特征，仅能处理线性可分问题。3.核心差异：K-means基于距离划分簇（假设簇为球状），需预先指定k值；DBSCAN基于密度（核心点、边界点、噪声点），自动识别簇形状和数量。优势：DBSCAN通过密度阈值（ε邻域、最小样本数MinPts）可捕捉任意形状簇，噪声点被标记为“离群点”，无需假设簇的几何形状。4.注意力机制：让模型在处理序列时动态关注关键信息。自注意力计算：（1）对输入序列提供Q（Query）、K（Key）、V（Value）矩阵（通常由输入线性变换得到）；（2）计算Q与K的点积相似度，得到注意力分数；（3）通过Softmax归一化分数，得到各位置的注意力权重；（4）权重与V加权求和，得到上下文向量。5.（1）Dropout：随机失活部分神经元，迫使模型学习冗余特征，降低对特定神经元的依赖；（2）数据增强（DataAugmentation）：通过旋转、翻转等提供新数据，增加训练集多样性，避免过拟合单一模式；（3）早停法（EarlyStopping）：在验证集损失不再下降时停止训练，防止模型过度拟合训练数据。四、计算题1.（1）交叉熵损失：单个样本损失：−[−[−[−[平均损失：(0.223（2）阈值0.5时，预测标签为[1,0,1,0]，真实标签[1,0,1,0]。混淆矩阵：真阳性（TP）=2，真阴性（TN）=2，假阳性（FP）=0，假阴性（FN）=0；F1-score=2×(TP/(TP+FP))×(TP/(TP+FN))/[(TP/(TP+FP))+(TP/(TP+FN))]=2×1×1/(1+1)=12.（1）h₁的输入：0.1×2+h₂的输入：0.3×2+（2）输出层输入：0.5×（3）损失L=0.5×(y-t)²=0.5×(0.703-1)²≈0.5×0.088≈0.044；梯度∂L/∂W²=(y-t)×y×(1-y)×[h₁,h₂]=(0.703-1)×0.703×(1-0.703)×[0.689,0.858]≈(-0.297)×0.703×0.297×[0.689,0.858]≈(-0.297×0.209)×[0.689,0.858]≈-0.062×[0.689,0.858]≈[-0.043,-0.053]3.第一次迭代：（1）计算各样本到μ₁、μ₂的欧氏距离：A到μ₁：0，到μ₂：√[(4-2)²+(1-3)²]=√8≈2.828→分配给μ₁；B到μ₁：√[(2-4)²+(3-1)²]=√8≈2.828，到μ₂：0→分配给μ₂；C到μ₁：√[(2-5)²+(3-2)²]=√10≈3.162，到μ₂：√[(4-5)²+(1-2)²]=√2≈1.414→分配给μ₂；D到μ₁：√[(2-1)²+(3-4)²]=√2≈1.414，到μ₂：√[(4-1)²+(1-4)²]=√18≈4.242→分配给μ₁；E到μ₁：√[(2-3)²+(3-5)²]=√5≈2.236，到μ₂：√[(4-3)²+(1-5)²]=√17≈4.123→分配给μ₁；（2）更新质心：μ₁簇样本：A、D、E→坐标分别为(2,3)、(1,4)、(3,5)；新μ₁=((2+1+3)/3,(3+4+5)/3)=(6/3,12/3)=(2,4)；μ₂簇样本：B、C→坐标(4,1)、(5,2)；新μ₂=((4+5)/2,(1+2)/2)=(4.5,1.5)；五、综合题1.（1）数据预处理：归一化：将像素值从[0,255]缩放到[0,1]或标准化（减均值除方差），稳定训练；数据增强：随机水平翻转、旋转（±15°）、裁剪（保持长宽比），增加样本多样性；类别平衡：若猫狗样本不平衡，使用过采样（SMOTE）或调整类别权重，避免模型偏向多数类。（2）模型架构：输入层：224×224×3（RGB图像）；卷积块：3×3卷积（64核）+ReLU+最大池化（2×2，步长2）→提取边缘、纹理等低级特征；残差块（ResBlock）：堆叠3个残差单元（1×1降维→3×3卷积→1×1升维），缓解梯度消失，学习深层特征；全局平均池化（GAP）：将特征图压缩为1×1×N，减少参数；全连接层：256神经元+Dropout（0.5）+ReLU→融合高级特征；输出层：1神经元+sigmoid→二分类概率。（3）训练策略：优化器：Adam（自适应学习率，收敛快）；学习率调整：初始学习率1e-3，使用余弦退火（CosineAnnealing），后期降低学习率以精细调整；正则化：Dropout（0.5）抑制过拟合，L2正则化（权重衰减1e-4）惩罚大权重，增强泛化。（4）评估指标：准确率（Accuracy）：整体分类正确比例，简单直观；F1-score