2026年人工智能与大数据技术应用考试试题及答案

2026年人工智能与大数据技术应用考试试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在大数据的“4V”特征中，指的是数据产生和处理速度快，要求系统具备实时处理能力的特征是（）。A.Volume（大量）B.Velocity（高速）C.Variety（多样）D.Value（低价值密度）2.Hadoop分布式文件系统（HDFS）中，默认的块大小是（）。A.32MBB.64MBC.128MBD.256MB3.在MapReduce计算模型中，主要负责将Map任务的输出进行合并、排序并分发到Reduce阶段的函数是（）。A.Map()B.Reduce()C.Partitioner()D.Shuffle()4.SparkRDD的核心特性中，表示一旦创建就不能修改，只能通过转换生成新的RDD的特性是（）。A.弹性B.分布式C.只读D.缓存5.下列关于NoSQL数据库的描述中，错误的是（）。A.NoSQL数据库通常不支持复杂的SQL查询B.NoSQL数据库具有水平扩展能力C.NoSQL数据库强调ACID特性D.Redis属于键值对存储类型的NoSQL数据库6.在机器学习中，用于解决分类问题，通过寻找一个超平面将数据分开的算法是（）。A.线性回归B.K-Means聚类C.支持向量机（SVM）D.主成分分析（PCA）7.下列激活函数中，能够有效解决深层神经网络梯度消失问题，常用于隐藏层的是（）。A.SigmoidB.TanhC.ReLUD.Softmax8.卷积神经网络（CNN）中，用于降低特征图维度、减少计算量并防止过拟合的层是（）。A.卷积层B.池化层C.全连接层D.输入层9.在自然语言处理（NLP）中，将文本转换为向量表示时，能够捕捉词语上下文语义关系的模型是（）。A.BagofWords（词袋模型）B.TF-IDFC.Word2VecD.One-HotEncoding10.下列关于数据清洗的描述，不属于常见操作的是（）。A.缺失值填充B.异常值检测与处理C.数据标准化D.数据特征提取11.在推荐系统中，基于用户历史行为发现物品相似性，从而推荐与用户喜欢物品相似的其他物品的方法是（）。A.基于内容的推荐B.协同过滤推荐C.混合推荐D.知识图谱推荐12.Kafka消息系统中，用于保证消息有序性和持久化的基本单位是（）。A.TopicB.PartitionC.BrokerD.ConsumerGroup13.在深度学习优化算法中，通过动量项加速梯度下降方向收敛，并能抑制震荡的算法是（）。A.SGDB.AdamA.AdaGradD.RMSprop14.决策树算法中，用于衡量数据集纯度或不确定性的指标通常是（）。A.均方误差B.信息增益或基尼系数C.准确率D.召回率15.在TensorFlow或PyTorch框架中，用于停止梯度回传，常用于在冻结网络参数或生成对抗网络中的操作是（）。A.zero_grad()B.backward()C.detach()或stop_gradient()D.step()16.数据仓库与操作型数据库的主要区别在于（）。A.数据仓库主要处理事务，操作型数据库主要处理分析B.数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合C.操作型数据库数据量通常比数据仓库大D.数据仓库主要进行增删改操作17.在评估分类模型时，当样本类别极度不平衡时，下列指标最不可靠的是（）。A.准确率B.精确率C.召回率D.F1-Score18.循环神经网络（RNN）在处理长序列时容易出现梯度消失或梯度爆炸，为了解决长距离依赖问题，通常改进使用（）。A.LSTM或GRUB.CNNC.TransformerD.BP神经网络19.在大数据处理架构中，Lambda架构将系统分为三层，分别是（）。A.批处理层、速度层、服务层B.输入层、处理层、输出层C.实时层、离线层、存储层D.接入层、计算层、展示层20.生成式人工智能（GenerativeAI）的核心技术基础通常基于（）。A.判别式模型B.概率图模型C.大语言模型及扩散模型D.强化学习二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有二至四项是符合题目要求的。多选、少选、错选均不得分）1.下列属于Hadoop生态系统核心组件的有（）。A.HDFSB.MapReduceC.YARND.Spark2.Spark与MapReduce相比，主要优势体现在（）。A.基于内存计算，速度更快B.代码更加简洁，API丰富C.只能处理批处理任务，不能处理流计算D.支持DAG（有向无环图）优化执行计划3.常见的数据标准化方法包括（）。A.Min-Max标准化B.Z-Score标准化C.对数变换D.独热编码4.下列属于正则化技术，用于防止过拟合的方法有（）。A.L1正则化B.L2正则化C.DropoutD.早停法5.在构建卷积神经网络时，需要设定的超参数包括（）。A.卷积核大小B.步长C.填充D.激活函数类型6.下列属于关系型数据库的是（）。A.MySQLB.PostgreSQLC.MongoDBD.Oracle7.人工智能中的监督学习算法包括（）。A.逻辑回归B.K-MeansC.随机森林D.DBSCAN8.在自然语言处理中，Transformer模型引入的关键技术包括（）。A.自注意力机制B.位置编码C.前馈神经网络D.循环结构9.大数据采集工具Flume的特点包括（）。A.分布式B.高可用C.高可靠D.只能从网络端口采集数据10.在评估回归模型性能时，常用的评价指标有（）。A.均方误差（MSE）B.均方根误差（RMSE）C.平均绝对误差（MAE）D.R平方（R²）三、填空题（本大题共15小题，每小题2分，共30分）1.HDFS采用________架构，包含NameNode和DataNode两种节点。2.SparkRDD的两种操作类型分别是Transformation（转换）和________。3.在机器学习中，将数据集划分为训练集、验证集和________，以验证模型的泛化能力。4.Python中用于科学计算的核心库是________，用于数据分析的核心库是Pandas。5.神经网络中的反向传播算法主要利用________链式法则来计算梯度。6.在K-Means聚类算法中，需要预先指定聚类的________。7.ETL是Extract、Transform、________的缩写，是数据集成的核心流程。8.在深度学习中，________损失函数常用于多分类问题。9.HBase是一个分布式的、面向列的________数据库，构建在HDFS之上。10.Redis支持的数据结构中，________类型可以用于实现消息队列。11.在图像识别任务中，常用的预训练卷积神经网络模型包括ResNet、VGG和________。12.大数据安全技术中的________技术，通过对敏感数据进行转换，使其在保留格式和统计特性的同时无法识别真实值。13.在强化学习中，智能体通过与环境交互，最大化累积________。14.谷歌提出的________分布式计算模型，主要用于处理大规模图计算和迭代计算。15.在时间序列分析中，ARIMA模型的全称是自回归积分________模型。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）1.HDFS适合存储大量的小文件，因为其设计初衷就是为了处理高并发的小文件读写。（）2.SparkStreaming是微批处理流计算框架，而Flink支持基于事件的真正流式处理。（）3.深度学习模型的效果一定随着网络层数的增加而线性提升。（）4.在逻辑回归中，Sigmoid函数的输出值范围是[0,1]，可以被解释为概率。（）5.数据归一化对于基于距离的算法（如KNN）是必须的，但对于决策树算法通常不是必须的。（）6.MongoDB是文档型数据库，支持复杂的嵌套文档结构和索引。（）7.梯度下降算法中，学习率越大，收敛速度一定越快。（）8.Word2Vec模型包括CBOW和Skip-gram两种训练架构。（）9.在Kafka中，一个Topic只能有一个Partition。（）10.深度学习中的BatchNormalization（BN）层通常用于全连接层之后，激活函数之前。（）五、简答题（本大题共5小题，每小题8分，共40分）1.简述HDFS的读写流程（以读流程为例）。2.请对比说明RNN（循环神经网络）与Transformer在处理序列数据时的主要区别。3.简述数据挖掘中关联规则算法Apriori的核心思想。4.什么是过拟合？请列举三种防止过拟合的方法。5.简述Kappa架构与Lambda架构在大数据处理中的异同点。六、应用与分析题（本大题共3小题，共40分）1.（12分）某电商平台收集了用户的行为数据，包括用户ID、商品ID、点击时间、购买行为等。现在需要构建一个基于Spark的离线数据处理流程，统计每日每个类目的销量Top5商品。(1)请描述该数据处理流程的主要步骤。(2)假设使用SparkSQL，请写出关键的伪代码逻辑（包含数据加载、过滤、聚合、排序）。2.（13分）在二分类问题中，测试集共有100个样本。实际正类样本有50个，负类样本有50个。模型预测结果如下：真正例（TP）：40假正例（FP）：10假反例（FN）：10真反例（TN）：40(1)请计算准确率、精确率、召回率和F1-Score。(2)如果该场景是癌症检测（正类代表患病），你认为应该更关注精确率还是召回率？为什么？3.（15分）某银行希望构建一个信用评分卡模型，利用逻辑回归算法预测客户是否会违约。数据集包含客户的年龄、收入、负债率、历史违约次数等特征。(1)请简述使用逻辑回归进行建模前的数据预处理步骤。(2)简述逻辑回归模型中Sigmoid函数的作用。(3)模型训练完成后，如何根据模型输出结果设定阈值来判定客户是否违约？如果调整阈值提高，会对精确率和召回率产生什么影响？参考答案及解析一、单项选择题1.B2.C3.D4.C5.C6.C7.C8.B9.C10.D11.B12.B13.B14.B15.C16.B17.A18.A19.A20.C二、多项选择题1.ABC2.ABD3.AB4.ABCD5.ABCD6.ABD7.AC8.ABC9.ABC10.ABCD三、填空题1.主从2.Action（行动）3.测试集4.NumPy5.求导6.簇数量（K值）7.Load（加载）8.交叉熵9.NoSQL（或列式存储）10.List（列表）11.Inception（或GoogLeNet）12.脱敏13.奖励14.Pregel15.滑动平均四、判断题1.×2.√3.×4.√5.√6.√7.×8.√9.×10.×五、简答题1.简述HDFS的读写流程（以读流程为例）。答：HDFS的读流程主要包括以下步骤：(1)客户端调用DistributedFileSystem对象的open()方法，打开要读取的文件。(2)RPC调用NameNode，NameNode返回文件的部分或全部block列表（包含副本位置）。对于每个block，NameNode会返回距离客户端最近的DataNode地址。(3)客户端创建FSDataInputStream对象，开始读取数据。(4)客户端调用stream.read()方法，从最近的DataNode读取数据。(5)读取完一个block后，客户端会断开与该DataNode的连接，并寻找下一个block的最佳DataNode继续读取。(6)读取完毕后，调用close()方法关闭流。2.请对比说明RNN（循环神经网络）与Transformer在处理序列数据时的主要区别。答：(1)计算方式：RNN采用串行计算，t时刻的计算依赖t-1时刻的隐藏状态，难以并行；Transformer基于自注意力机制，所有位置的计算可以同时进行，并行度高。(2)长距离依赖：RNN虽然理论上能捕捉长距离依赖，但实际中受梯度消失/爆炸影响，效果有限；Transformer通过位置编码和全局注意力，能直接捕捉任意距离的依赖关系。(3)特征提取：RNN主要依赖时间步的递归传递信息；Transformer通过多头注意力机制从不同子空间提取特征。(4)结构复杂度：Transformer结构相对更复杂，参数量通常更大。3.简述数据挖掘中关联规则算法Apriori的核心思想。答：Apriori算法的核心思想是频繁项集的所有子集也一定是频繁的（即先验性质）。算法采用逐层搜索的迭代方法：(1)首先扫描数据库，找出所有频繁1-项集。(2)利用频繁k-项集，通过连接步生成候选(k+1)-项集。(3)对候选(k+1)-项集进行剪枝（基于先验性质，删除包含非频繁子集的候选项）。(4)再次扫描数据库计算候选集的支持度，筛选出频繁(k+1)-项集。(5)重复步骤直到无法找到更长的频繁项集，最后由频繁项集产生强关联规则。4.什么是过拟合？请列举三种防止过拟合的方法。答：过拟合是指模型在训练数据上表现很好，误差很低，但在测试数据或新数据上表现较差，泛化能力弱的现象。这通常是因为模型过于复杂，捕捉了训练数据中的噪声和特例。防止过拟合的方法包括：(1)正则化（L1/L2正则化）：在损失函数中加入惩罚项，限制参数规模。(2)Dropout：在神经网络训练过程中随机丢弃部分神经元，减少神经元之间的共适应。(3)早停法：在训练过程中监控验证集误差，当验证集误差不再下降时提前停止训练。(4)数据增强：增加训练数据的数量和多样性。(5)交叉验证：更充分地利用数据评估模型性能，选择最佳模型。5.简述Kappa架构与Lambda架构在大数据处理中的异同点。答：相同点：都是为了处理实时和离线数据，提供统一的查询视图，解决批处理延迟高和流处理准确性难以兼顾的问题。不同点：(1)结构复杂度：Lambda架构包含批处理层、速度层和服务层，需要维护两套代码（批处理和流处理）；Kappa架构去除了批处理层，只保留流处理层，通过重放历史消息来实现全量计算，架构更简单，只需维护一套代码。(2)数据处理逻辑：Lambda架构中，最终视图由批处理视图（高准确性）和实时视图（低延迟）合并而成；Kappa架构中，所有处理都通过流处理引擎完成，通过保存预写日志来支持重算。(3)适用场景：Lambda架构适合历史数据量大且流处理引擎可能不完善的场景；Kappa架构适合流处理引擎功能强大（如Flink、KafkaStreams）且希望简化运维的场景。六、应用与分析题1.（12分）某电商平台...(1)数据处理流程主要步骤：1.数据采集与清洗：从日志或数据库中提取原始数据，过滤无效数据（如测试数据、爬虫数据），处理缺失值。2.特征关联/丰富：将用户行为日志与商品维度表进行Join操作，获取商品所属类目信息。3.数据过滤：筛选出“购买”行为的数据。4.分组聚合：按照“日期”和“类目ID”进行分组，统计每个商品的销量。5.排序与TopN：在每个分组内，按销量降序排列，取前5名。6.结果存储：将结果写入MySQL、HBase或Redis供前端展示。(2)SparkSQL伪代码逻辑：```sql假设原始表为user_behavior，商品维度表为product_info1.加载数据并关联CREATETABLEdaily_salesASSELECTdate(event_time)assale_date,category_id,product_id,count(*)assales_volumeFROMuser_behavioruJOINproduct_infopONduct_id=duct_idWHEREaction_type='purchase'--筛选购买行为GROUPBYdate(event_time),category_id,product_id;2.使用窗口函数进行TopN筛选SELECTsale_date,category_id,product_id,sales_volumeFROM(SELECT*,row_number()OVER(PARTITIONBYsale_date,category_idORDERBYsales_volumeDESC)asrankFROMdaily_sales)tWHERErank<=5;```2.（13分）在二分类问题中...(1)计算指标：准确率=(TP+TN)/(TP+FP+FN+TN)=(40+40)/100=0.8(80%)精确率=TP/(TP+FP)=40/(40+10)=0.8(80%)召回率=TP/(T