2026年南职自主招生考试试题及答案

2026年南职自主招生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.在自然语言处理中，词嵌入（WordEmbedding）的主要目的是？A.提高模型计算速度B.将文本转换为数值向量C.减少特征维度D.增强模型泛化能力7.以下哪个指标不属于模型评估中的常用指标？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.相关系数（CorrelationCoefficient）8.在强化学习中，Q-学习算法的核心思想是？A.通过梯度下降优化策略B.基于价值迭代更新Q值C.使用蒙特卡洛方法估计期望D.动态调整学习率9.以下哪种技术不属于深度强化学习的范畴？A.DeepQ-Network（DQN）B.PolicyGradientC.遗传算法D.Actor-Critic10.在图像识别任务中，卷积神经网络（CNN）的主要优势是？A.支持大规模并行计算B.具备强大的特征提取能力C.对噪声数据鲁棒性高D.训练速度快二、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，用于传递输入信号到下一层的函数称为______。3.在机器学习中，过拟合通常表现为模型在______数据上表现良好，但在______数据上表现较差。4.支持向量机（SVM）的核心思想是通过一个最优超平面将不同类别的数据______。5.Dropout技术通过随机丢弃部分神经元，以______模型对特定神经元的依赖。6.堆（Heap）是一种基于______结构的完全二叉树，分为______堆和______堆。7.词嵌入技术如Word2Vec的核心目标是使语义相近的词语在向量空间中具有______的表示。8.在强化学习中，智能体通过与环境交互获得______，并根据这些反馈调整策略。9.Q-学习算法通过更新______表来学习最优策略，其中Q值表示在状态-动作对下获得的期望累积奖励。10.卷积神经网络（CNN）通过卷积层和池化层实现______和______，从而有效提取图像特征。三、判断题（总共10题，每题2分，总分20分）1.机器学习属于人工智能的一个子领域，但两者完全独立。（×）2.深度学习模型必须包含至少一个隐藏层才能称为深度神经网络。（√）3.决策树算法是一种非参数模型，适用于处理非线性关系。（√）4.支持向量机（SVM）在处理高维数据时表现优异，但计算复杂度较高。（√）5.Dropout技术会永久删除被丢弃的神经元，以降低模型参数量。（×）6.堆（Heap）是一种线性数据结构，其插入和删除操作的时间复杂度为O(1)。（×）7.词嵌入技术如Word2Vec只能处理英文文本，无法应用于中文。（×）8.在强化学习中，智能体的目标是最小化累积奖励的期望值。（×）9.Q-学习算法是一种无模型的强化学习方法，无需显式定义环境模型。（√）10.卷积神经网络（CNN）在处理自然语言处理任务时表现优于循环神经网络（RNN）。（×）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：机器学习是人工智能的一个子领域，通过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，利用深度神经网络自动提取特征，适用于复杂任务，如图像识别、自然语言处理等。深度学习模型通常需要更大数据量和计算资源，但泛化能力更强。2.解释什么是过拟合，并简述解决过拟合的常见方法。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较差的现象。解决方法包括：①正则化（如L1/L2）；②增加数据量；③简化模型结构；④使用Dropout技术。3.描述支持向量机（SVM）的核心思想及其适用场景。答：SVM通过找到一个最优超平面，最大化不同类别数据之间的间隔，从而实现分类。适用于高维数据和小样本场景，尤其当数据线性可分时表现优异。4.解释什么是强化学习，并简述其三要素。答：强化学习是智能体通过与环境交互，根据奖励或惩罚信号学习最优策略的机器学习方法。三要素包括：①智能体（Agent）；②环境（Environment）；③状态-动作-奖励（State-Action-Reward）三重关系。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，其中猫占600张，狗占400张。请简述如何使用数据增强技术提高模型的泛化能力。答：数据增强技术包括随机旋转、翻转、裁剪、调整亮度等，可以扩充数据集，减少模型对特定样本的依赖。具体步骤：①对每张图片随机应用上述变换；②重复变换生成新样本；③将增强数据与原始数据混合训练。2.在自然语言处理任务中，如何评估一个词嵌入模型的质量？答：评估方法包括：①同义词检测：检查语义相近的词语是否在向量空间中距离较近；②类比推理：验证“king-man+woman=queen”等关系是否成立；③下游任务性能：如文本分类、情感分析，评估嵌入向量对任务的影响。3.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10×10个格子，起点为左上角，终点为右下角。请简述Q-table的初始化方法。答：Q-table初始化方法：①将所有状态-动作对的Q值设为0；②对于终点状态，设置到达终点的动作Q值为正无穷（或奖励值）；③对于不可达状态，设置Q值为负无穷。4.在卷积神经网络（CNN）中，卷积层和池化层的作用分别是什么？答：卷积层通过滤波器提取局部特征，如边缘、纹理等；池化层通过下采样降低数据维度，减少计算量并增强模型鲁棒性。两者结合可以高效提取层次化特征，提高模型泛化能力。【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的范畴，与人工智能的核心技术（机器学习、自然语言处理、大数据分析）无关。2.C解析：权重矩阵用于计算输入层与隐藏层之间的加权和，激活函数用于非线性变换，梯度下降是优化方法，反向传播是算法过程。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，降低模型对特定参数的依赖，从而防止过拟合。5.C解析：堆（Heap）是一种支持高效插入和删除最大/最小元素的优先队列数据结构。6.B解析：词嵌入将文本转换为数值向量，便于模型处理。7.D解析：相关系数系数用于衡量线性关系，不属于模型评估指标。8.B解析：Q-learning通过更新Q-table学习最优策略。9.C解析：遗传算法属于进化计算，不属于深度强化学习。10.B解析：CNN通过卷积和池化自动提取图像特征。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算法、数据、计算资源。2.激活函数解析：激活函数用于传递输入信号到下一层。3.训练、测试解析：过拟合表现为训练集表现好，测试集表现差。4.分离解析：SVM通过超平面分离不同类别数据。5.降低解析：Dropout降低模型对特定神经元的依赖。6.二叉树、最大、最小解析：堆基于二叉树，分为最大堆和最小堆。7.距离解析：语义相近的词语向量距离应较近。8.奖励解析：智能体通过奖励信号调整策略。9.Q解析：Q-learning更新Q-table。10.特征提取、降维解析：CNN通过卷积和池化实现特征提取和降维。三、判断题1.×解析：机器学习是人工智能的核心子领域。2.√解析：深度神经网络至少包含一个隐藏层。3.√解析：决策树适用于非线性关系。4.√解析：SVM在高维数据表现优异但计算复杂。5.×解析：Dropout随机丢弃神经元，但不会永久删除。6.×解析：堆是树形结构，插入和删除时间复杂度为O(logn)。7.×解析：Word2Vec可处理多种语言。8.×解析：智能体目标是最小化损失或最大化累积奖励。9.√解析：Q-learning是无模型方法。10.×解析：CNN和RNN各有优势，取决于任务类型。四、简答题1.机器学习与深度学习的区别：-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；-深度学习使用深度神经网络自动提取特征，而机器学习可能需要人工设计特征；-深度学习需要更大数据量和计算资源，但泛化能力更强。2.过拟合与解决方法：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（L1/L2）；②数据增强；③简化模型；④Dropout。3.SVM核心思想与适用场景：核心思想：通过最优超平面最大化类别间隔，实现分类。适用场景：高维数据、小样本、线性可分问题。4.强化学习与三要素：强化学习是智能体通过与环境交互学习最优策略。三要素：①智能体（Agent）；②环境（Environment）；③状态-动作-奖励（State-Action-Reward）。五、应用题1.数据增强技术：步骤：①随机旋转（如±15°）；②水平/垂直翻转；③随机裁剪（如75%区域）；④调整亮度