2025年CAIE人工智能工程师LevelI试题及答案

2025年CAIE人工智能工程师LevelI试题及答案SectionA单项选择题（共20题，每题1分，满分20分。每题只有1个正确答案，多选、错选、不选均不得分）1.下列关于弱人工智能（NarrowAI）与强人工智能（GeneralAI）的表述，符合CAIEAI工程师LevelI知识体系定义的是：A.弱人工智能具备自主意识，可跨领域完成任意智能任务B.强人工智能目前已实现商业化落地，广泛应用于图像识别、语音翻译场景C.弱人工智能仅能完成特定领域的单一任务，是当前AI商业化的主流形态D.强人工智能的计算能力一定弱于弱人工智能答案：C解析：弱人工智能指专注于特定任务、不具备通用认知能力的AI系统，是当前产业落地的核心形态；强人工智能指具备跨领域通用认知能力、可自主完成多类型智能任务的系统，目前仍处于理论研究阶段，未实现商业化。A选项混淆强弱AI的意识属性，B选项颠倒落地现状，D选项表述无依据。2.下列机器学习算法中，属于无监督学习范畴的是：A.逻辑回归B.K-Means聚类C.支持向量机D.决策树答案：B解析：无监督学习的核心特征是训练数据无标注标签，算法需自主挖掘数据的分布规律或聚类特征，K-Means是典型的聚类算法，属于无监督学习；A、C、D均属于需要标注标签训练的监督学习算法。3.线性回归模型的默认损失函数是：A.交叉熵损失B.均方误差损失C.绝对值损失D.铰链损失答案：B解析：均方误差（MSE）计算预测值与真实值差值的平方均值，是线性回归的标准损失函数；交叉熵损失适用于分类任务，绝对值损失（MAE）对异常值敏感度低于MSE但非全局最优，铰链损失是SVM的默认损失函数。4.下列操作中，不能有效缓解模型过拟合问题的是：A.增加训练数据量B.提高模型复杂度C.加入正则化项D.采用数据增强答案：B解析：过拟合的核心成因是模型复杂度高于数据分布的实际复杂度，导致模型拟合训练集噪声、泛化能力下降，提高模型复杂度会加剧过拟合；A、C、D均为过拟合的常规解决手段。5.下列激活函数中，能够有效缓解梯度消失问题、且是深度学习隐藏层的主流选择的是：A.SigmoidB.TanhC.ReLUD.Softmax答案：C解析：ReLU函数在输入大于0时梯度恒为1，不会出现Sigmoid、Tanh函数在输入极值区域梯度趋近于0的梯度消失问题，计算效率更高，是隐藏层的首选激活函数；Softmax仅用于多分类任务的输出层。6.卷积神经网络（CNN）中卷积层的核心作用是：A.降低特征维度B.提取局部空间特征C.输出分类概率D.防止过拟合答案：B解析：卷积层通过滑动卷积核与输入特征做局部加权求和，核心作用是提取图像、序列数据的局部空间/语义特征；降低维度是池化层的作用，输出分类概率是全连接输出层的作用，防止过拟合是Dropout、正则化的作用。7.BERT等预训练语言模型的核心基础架构是：A.循环神经网络（RNN）B.Transformer编码器C.长短期记忆网络（LSTM）D.生成对抗网络（GAN）答案：B解析：BERT基于Transformer的编码器结构搭建，通过自注意力机制捕捉长距离语义依赖，解决了RNN、LSTM的长序列梯度消失问题，是当前NLP预训练模型的主流基础架构。8.下列数据预处理操作中，适合处理类别型特征（如性别、职业）的是：A.标准化B.归一化C.独热编码D.异常值剔除答案：C解析：独热编码将类别型特征的每个取值映射为独立的0/1向量，避免标签编码引入的数值优先级偏差，是类别型特征的主流编码方式；A、B适用于数值型特征的量纲统一，D适用于数值型特征的噪声处理。9.AI算法偏见的核心来源不包括：A.训练数据的样本分布偏差B.算法设计者的主观认知偏差C.模型推理的算力不足D.特征选择的代表性偏差答案：C解析：算法偏见的来源包括数据层面（样本偏差、标注偏差）、设计层面（特征偏差、设计者认知偏差）、部署层面（应用场景适配偏差），算力不足仅会影响推理速度，不会直接导致算法偏见。10.下列Python库中，专门用于结构化数据处理、核心数据结构为DataFrame的是：A.NumPyB.PandasC.MatplotlibD.Scikit-learn答案：B解析：Pandas是结构化数据处理的主流库，核心数据结构为Series和DataFrame；NumPy用于数值计算，Matplotlib用于可视化，Scikit-learn用于传统机器学习算法实现。11.二分类模型的混淆矩阵中，精确率的计算公式是：A.TP/(TP+FN)B.TP/(TP+FP)C.TN/(TN+FP)D.(TP+TN)/(TP+TN+FP+FN)答案：B解析：精确率（Precision）指模型预测为正例的样本中真实正例的占比，计算公式为TP/(TP+FP)；A是召回率公式，C是真负类率公式，D是准确率公式。12.梯度下降算法训练模型时，若学习率设置过大，最可能出现的问题是：A.模型收敛速度过慢B.模型在最优值附近震荡无法收敛C.模型立刻陷入局部最优D.模型出现欠拟合答案：B解析：学习率控制梯度下降的步长，学习率过大时，参数更新步长超过最优值范围，会导致模型在最优值附近反复震荡无法收敛；学习率过小会导致收敛过慢，欠拟合与学习率无直接关联。13.K-Means聚类算法中，选择最优聚类数k的常用方法是：A.肘部法B.网格搜索法C.交叉验证法D.分层抽样法答案：A解析：肘部法通过绘制不同k值对应的簇内平方和（SSE）曲线，选择SSE下降速率明显放缓的拐点作为最优k值，是K-Means的标准k值选择方法；网格搜索用于超参数调优，交叉验证用于模型评估，分层抽样用于数据集划分。14.下列选项中，均属于主流深度学习框架的是：A.TensorFlow、PyTorchB.Scikit-learn、XGBoostC.Pandas、NumPyD.OpenCV、PIL答案：A解析：TensorFlow、PyTorch是当前产业界应用最广的两大深度学习框架，支持静态/动态计算图、GPU加速训练；B选项为传统机器学习框架，C选项为数据处理工具库，D选项为计算机视觉工具库。15.下列计算机视觉任务中，需要同时输出目标类别和目标位置的是：A.图像分类B.目标检测C.语义分割D.图像生成答案：B解析：目标检测的核心任务是识别图像中目标的类别并输出boundingbox坐标标注位置；图像分类仅输出整体类别，语义分割输出每个像素的类别，图像生成输出新的图像内容。16.下列关于正则化的表述，正确的是：A.L1正则化会产生稀疏权重，可用于特征选择B.L2正则化会产生稀疏权重，可用于特征选择C.Dropout正则化仅在模型推理阶段生效D.正则化会提高模型在训练集上的准确率答案：A解析：L1正则化通过惩罚权重的绝对值，会让大量不重要特征的权重变为0，产生稀疏解，可用于特征选择；L2正则化会让权重趋近于0但不会归零，Dropout仅在训练阶段生效，正则化会降低模型在训练集的准确率、提高泛化能力。17.强化学习的核心要素中，用于指导智能体决策优化、代表单步决策收益的是：A.环境B.状态C.奖励D.动作答案：C解析：强化学习中，奖励是环境对智能体单步动作的反馈，智能体的优化目标是最大化长期累积奖励；环境是智能体的交互对象，状态是环境的当前属性，动作是智能体的输出。18.监督学习任务中，训练集、验证集、测试集的常规划分比例是：A.5:3:2B.7:2:1C.9:0.5:0.5D.6:3:1答案：B解析：7:2:1是监督学习的标准划分比例，训练集用于模型参数学习，验证集用于超参数调优和过拟合监控，测试集用于最终泛化能力评估；数据量极大的场景可适当提高训练集占比，但LevelI知识体系默认标准为7:2:1。19.数值型特征的异常值检测中，箱线图的IQR指的是：A.上四分位数与下四分位数的差值B.最大值与最小值的差值C.均值与中位数的差值D.方差与标准差的比值答案：A解析：IQR（四分位距）是上四分位数Q3与下四分位数Q1的差值，常规异常值判定阈值为Q1-1.5*IQR、Q3+1.5*IQR，超出该范围的取值判定为异常值。20.根据CAIE人工智能伦理规范，AI系统采集用户数据时遵循的“数据最小化”原则指的是：A.尽可能少采集用户数据，仅采集实现业务功能必需的数据B.尽可能压缩用户数据的存储大小，降低存储成本C.尽可能减少用户数据的使用次数，避免数据泄露D.尽可能缩短用户数据的存储周期，到期自动删除答案：A解析：数据最小化原则的核心是限制数据采集范围，仅采集实现业务功能的必要数据，禁止过度采集与业务无关的用户数据；B、C、D均为数据安全的补充要求，不属于数据最小化的核心定义。SectionB简答题（共5题，每题8分，满分40分）1.简述监督学习、无监督学习、强化学习的核心差异，并各举2个典型应用场景。参考答案：核心差异：①数据要求：监督学习需要标注好的训练数据，无监督学习不需要标注数据，强化学习无预先标注数据，通过与环境交互获得的奖励信号迭代；②优化目标：监督学习目标是最小化预测值与真实标签的误差，无监督学习目标是挖掘数据内在分布或聚类特征，强化学习目标是最大化长期累积奖励；③交互方式：监督学习、无监督学习训练阶段与部署阶段无动态交互，强化学习全程与环境动态交互（4分）。应用场景：监督学习：医疗影像诊断、垃圾邮件识别；无监督学习：用户群体分群、异常流量检测；强化学习：自动驾驶决策、游戏AI开发（每个场景0.5分，共4分）。2.简述过拟合的定义、产生原因及3种常用的解决方法。参考答案：定义：模型在训练集上表现优异（准确率高、损失低），但在测试集/未知数据上表现大幅下降，泛化能力不足的现象（2分）。产生原因：模型复杂度过高、训练数据量不足、训练数据包含大量噪声、特征维度过高（2分，答出2点即可得分）。解决方法：①正则化：在损失函数中加入L1/L2正则项或Dropout层，惩罚过大的权重，降低模型复杂度；②数据增强：对训练数据做裁剪、旋转、加噪等操作，扩充训练数据量和多样性；③早停：训练过程中监控验证集指标，指标不再提升时提前终止训练，避免模型拟合噪声；④简化模型：减少神经网络层数/神经元数量、降低决策树深度，降低模型容量（4分，答出3点即可，每点需说明核心逻辑）。3.简述卷积神经网络中池化层的作用及两种常见池化方式的差异。参考答案：作用：①降维减参：对卷积层输出的特征图做下采样，减少特征维度和参数量，降低计算成本；②平移不变性：扩大感受野，让模型对目标的微小平移、缩放更鲁棒；③防止过拟合：降低特征冗余，减少模型对局部细节的过度拟合（4分，答出2点即可）。常见池化方式差异：①最大池化：取特征图局部区域内的最大值作为输出，优势是能够保留纹理、边缘等显著特征，适合需要识别目标细节的任务，缺点是容易丢失局部整体分布信息；②平均池化：取特征图局部区域内的平均值作为输出，优势是能够保留区域的整体特征、降低噪声干扰，适合需要保留全局分布的任务，缺点是容易弱化边缘特征（4分，每点2分，需说明原理和适用差异）。4.根据CAIE人工智能伦理规范，简述AI系统开发过程中需要遵循的3项核心数据伦理原则，并说明具体落地要求。参考答案：①知情同意原则：采集用户数据前需明确告知用户数据采集的范围、用途、存储周期、共享范围及删除渠道，获得用户主动授权后方可采集，禁止默认授权、过度采集用户数据（3分）；②公平性原则：训练数据需覆盖不同性别、年龄、地域、收入水平的群体样本，避免样本分布偏差导致的歧视性输出，模型上线前需通过多群体公平性测试，保证不同群体的模型误差差控制在阈值范围内（3分）；③数据安全原则：用户数据需采用加密存储、脱敏处理，禁止未经授权共享用户数据，建立数据泄露应急响应机制，发生数据泄露时第一时间告知用户并上报监管部门（2分）。（也可回答可解释性、数据最小化等原则，表述符合CAIE规范即可得分）5.简述混淆矩阵中精确率、召回率、F1值的定义，及三者适用的业务场景。参考答案：定义：精确率（P）指模型预测为正例的样本中真实正例的占比，衡量模型预测结果的准确性；召回率（R）指真实正例中被模型正确识别的占比，衡量模型对正例的覆盖能力；F1值是精确率和召回率的调和平均数，衡量模型的综合性能，公式为F1=2*P*R/(P+R)（4分）。适用场景：①精确率适用于误判成本极高的场景，如垃圾邮件识别，误将正常邮件判定为垃圾邮件的代价远高于漏判垃圾邮件，需要优先保证精确率；②召回率适用于漏判成本极高的场景，如癌症筛查，漏诊癌症患者的代价远高于误诊健康人，需要优先保证召回率；③F1值适用于需要兼顾精确率和召回率的场景，如金融反欺诈，漏判欺诈和误判正常用户的代价相近，需要优先优化F1值（4分）。SectionC实操应用题（共2题，每题20分，满分40分）1.给定二分类糖尿病预测数据集，包含10个特征（年龄、BMI、空腹血糖、收缩压、舒张压、家族病史、性别、胆固醇水平、胰岛素水平、妊娠次数），标签为是否患糖尿病（1=患病，0=未患病），数据集存在5%的缺失值和少量异常值，正负样本比例为1:3。请完成以下问题：（1）写出该任务的数据预处理完整流程（6分）（2）选择2种适合该任务的分类算法，并说明选型理由（6分）（3）写出该任务的3个核心模型评估指标及计算逻辑（8分）参考答案：（1）预处理流程：①数据清洗：首先处理缺失值，对年龄、BMI等数值型特征的缺失值采用中位数填充（避免异常值干扰），对性别、家族病史等分类特征的缺失值采用众数填充；其次采用IQR法检测异常值，对超出Q1-1.5IQR、Q3+1.5IQR的数值特征取值采用盖帽法处理，将异常值截断为上下阈值，保留数据分布的同时降低噪声干扰（3分）。②特征处理：对性别、家族病史等分类特征采用独热编码，避免标签编码引入的数值优先级偏差；对空腹血糖、胰岛素水平等量纲差异较大的数值特征采用标准化处理，映射为均值为0、标准差为1的分布，适配对量纲敏感的算法；采用互信息法筛选与标签相关性高于阈值的特征，剔除无关特征降低模型复杂度（2分）。③数据集划分：采用分层抽样法按7:2:1的比例划分为训练集、验证集、测试集，保证三个数据集的正负样本比例与原始数据集一致，避免样本分布偏差影响评估结果（1分）。（2）算法选型及理由：①逻辑回归：该算法训练速度快、可解释性强，能够输出每个特征对患病风险的贡献权重，符合医疗场景的可解释性要求，同时支持输出患病概率，方便医生根据阈值调整判定标准，对表格型数据的拟合效果稳定（3分）。②梯度提升树（XGBoost/LightGBM）：该算法为集成学习模型，抗过拟合能力强，对缺失值、异常值的鲁棒性优于传统单模型，能够自动捕捉特征之间的非线性关系，对不平衡数据集的适配能力更强，在表格型分类任务上的表现稳定领先（3分）。（3）评估指标及计算逻辑：①召回率（Sensitivity）：计算公式为TP/(TP+FN)，医疗场景漏诊糖尿病患者的代价极高，召回率是核心指标，需优先保证召回率达到90%以上，降低漏诊风险（3分）。②AUC-ROC：计算公式为ROC曲线下的面积，衡量模型区分正负样本的整体能力，不受正负样本比例不平衡的影响，能够客观评估模型的整体排序能力，适合不平衡二分类任务的综合评估（3分）。③精确率：计算公式为TP/(TP+FP)，在召回率达标的前提下，尽可能提高精确率，减少对健康人的误诊，降低用户的焦虑和后续检查成本（2分）。2.给定手写数字识别数据集MNIST（包含6万张28*28像素的灰度训练图像、1万张测试图像，标签为0-9共10个数字类别），要求采用全连接神经网络完成多分类任务，请完成以下问题：（1）写出网络结构的设计思路，包含输入层、隐藏层、输出层的维度及激活函数选择（7分）（2）写出训练过程的核心参数配置及对应作用（7分）（3）若训练过程中出现训练集准确率99%、测试集准确率82%的情况，写出3种调优方案并说明理由（6分）参考答案：（1）网络结构设计：①输入层：维度为784，将28*28的二维灰度图像展平为一维向量，无需激活函数（2分）。②隐藏层：设置2-3层全连接层，第一层设置256个神经元，第二层设置128个神经元，激活函数均采用ReLU，既可以避免梯度消失问题，又能提高训练效率，加入Dropout层（失活率0.2）