2026年人工智能专业考试试题及答案

2026年人工智能专业考试试题及答案一、单项选择题（本大题共15小题，每小题2分，共30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A*算法中，评估函数f(n)=g(n)+h(A.h(n)B.h(n)C.h(D.h(2.在机器学习中，关于支持向量机（SVM）的核函数，下列说法错误的是？A.核函数可以将低维空间的非线性问题映射到高维空间转化为线性问题B.核技巧不需要显式计算高维空间的坐标，只需计算内积C.高斯核（RBF）对应的映射空间是无穷维的D.任何函数都可以作为SVM的核函数3.在深度学习的卷积神经网络（CNN）中，假设输入图像大小为32×32，卷积核大小为A.28B.32C.30D.264.下列关于梯度下降算法的描述中，正确的是？A.批量梯度下降在每次迭代时使用所有样本更新参数，计算速度快但收敛震荡B.随机梯度下降（SGD）在每次迭代时使用一个样本更新参数，容易陷入局部最优C.小批量梯度下降结合了BGD和SGD的优点，是实际应用中最常用的方法D.梯度下降算法总能保证找到全局最小值5.在自然语言处理中，Transformer模型的核心机制是自注意力机制。在计算缩放点积注意力时，缩放因子的主要作用是？A.增大注意力分数的数值B.防止点积结果过大导致Softmax进入梯度极小的饱和区C.加速矩阵运算速度D.增加模型的非线性表达能力6.在强化学习中，Q-learning算法的价值更新公式为：Q(A.策略梯度B.基于价值迭代C.Actor-CriticD.模型驱动7.决策树算法中，ID3算法使用信息增益作为划分标准，C4.5算法使用信息增益率。引入增益率的主要目的是为了解决信息增益偏向于什么的问题？A.属性值较多的属性B.属性值较少的属性C.缺失值较多的属性D.连续值属性8.在生成对抗网络中，包含两个网络：生成器和判别器。训练过程中，生成器G的目标是？A.最大化判别器判断错误的概率B.最小化生成样本与真实样本的均方误差C.最大化判别器判断正确的概率D.最小化判别器的损失函数9.关于主成分分析（PCA），下列说法正确的是？A.PCA是一种有监督的降维算法B.PCA通过投影将数据映射到方差最小的方向C.PCA需要保留所有主成分才能完全重构原始数据D.PCA降维后的各维度之间是线性相关的10.在深度学习中，为了缓解梯度消失问题，常使用ReLU激活函数。关于ReLU，下列描述错误的是？A.ReLU的计算简单，只保留正值，负值置0B.ReLU会导致神经元“死亡”现象C.ReLU的导数在正区间恒为1，有助于缓解梯度消失D.ReLU函数在负区间也有非零梯度，保证了数据流动性11.在贝叶斯分类器中，若假设特征条件独立，则称之为朴素贝叶斯分类器。当某个特征的条件概率为0时，会导致整个后验概率为0。通常采用什么技术来避免这种情况？A.拉普拉斯平滑B.正则化C.归一化D.标准化12.下列关于循环神经网络（RNN）的描述，不正确的是？A.RNN理论上可以处理任意长度的序列数据B.标准RNN在训练长序列时存在梯度消失或梯度爆炸问题C.LSTM（长短期记忆网络）通过引入门控机制解决了标准RNN的长程依赖问题D.RNN在处理序列时，不同时间步的参数是不同的13.在聚类算法中，DBSCAN算法是一种基于密度的聚类算法。与K-Means相比，DBSCAN的主要优势在于？A.必须预先指定聚类数量B.对初始中心点的选择敏感C.可以发现任意形状的簇，并能处理噪声点D.计算复杂度远低于K-Means14.在评估二分类模型性能时，若正负样本分布极不均衡（例如负样本占99%），下列指标相对最不可靠的是？A.准确率B.精确率C.召回率D.F1-Score15.目标检测算法YOLO（YouOnlyLookOnce）将目标检测任务视为回归问题。它将输入图像划分为S×A.仅预测边界框的中心坐标B.仅预测类别的概率C.预测B个边界框以及这些框的置信度和类别概率D.预测图像的语义分割掩码二、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，有多项是符合题目要求的。全部选对得3分，选对得2分，有错选得0分）1.人工智能的三大主要学派包括哪些？A.符号主义B.连接主义C.行为主义D.逻辑主义2.下列哪些属于正则化的方法，用于防止过拟合？A.L1正则化B.L2正则化C.DropoutD.早停法3.关于深度学习中的优化算法，下列说法正确的有？A.动量法可以加速SGD在相关方向上的收敛，并抑制震荡B.Adam算法结合了动量法和RMSProp的优点，自适应调整学习率C.学习率衰减有助于在训练后期使模型收敛到更窄的极小值区域D.随机梯度下降的收敛速度通常比二阶优化算法（如牛顿法）慢4.在自然语言处理中，Word2Vec模型包含两种训练模式，分别是？A.CBOW（ContinuousBag-of-Words）B.Skip-gramC.GloVeD.BERT5.下列关于卷积神经网络中池化层的描述，正确的有？A.池化层可以引入不变性（如平移、旋转）B.最大池化能够提取区域内的显著特征C.平均池化能够保留背景信息的概览D.池化层包含可学习的参数6.强化学习中的探索与利用困境，常见的解决策略包括？A.ϵ-Greedy策略B.Softmax策略C.UpperConfidenceBound(UCB)D.ThompsonSampling7.下列哪些是常用的图像分割方法？A.全卷积网络B.U-NetC.MaskR-CNND.基于区域生长的方法8.在机器学习的数据预处理中，常见的特征缩放方法包括？A.Min-Max归一化B.Z-Score标准化C.对数变换D.独热编码9.关于异常检测算法，下列属于无监督学习方法的有？A.孤立森林B.One-ClassSVMC.局部异常因子D.基于分类的异常检测（使用带标签数据训练分类器）10.人工智能伦理中，算法偏见可能来源于？A.训练数据中存在历史偏见B.特征选择不当C.算法设计者的主观假设D.模型过于简单导致欠拟合三、填空题（本大题共10小题，每小题2分，共20分）1.在搜索策略中，深度优先搜索（DFS）使用________数据结构来实现，而广度优先搜索（BFS）使用________数据结构来实现。2.在信息论中，熵是衡量系统不确定性的指标。若一个随机变量X有两个取值0,1，且P(X=3.在反向传播算法中，链式法则用于计算复合函数的导数。假设损失函数为L，权重为w，则权重的更新量Δw与成________比。4.随机森林是一种集成学习方法，它通过组合多个________来提高预测准确性，并通过________技术来降低树的方差。5.在循环神经网络中，为了解决长距离依赖问题，LSTM引入了三个门：遗忘门、输入门和________。6.在计算机视觉中，非极大值抑制（NMS）是目标检测后处理的关键步骤，其主要作用是________。7.强化学习中，马尔可夫决策过程（MDP）由五元组⟨S,A,P,R,γ⟩组成，其中8.Transformer模型引入了位置编码来弥补模型缺乏递归结构带来的位置信息缺失。位置编码通常使用________和余弦函数生成。9.在生成模型中，变分自编码器（VAE）通过优化证据下界来训练，其损失函数由两部分组成：重构误差和________。10.K-近邻（KNN）算法是一种懒惰学习算法，在分类时，通常采用________原则来决定样本的类别。四、简答题（本大题共4小题，每小题10分，共40分）1.请简述监督学习、无监督学习和半监督学习的区别，并各举一个典型的算法示例。2.请解释什么是过拟合，以及产生过拟合的原因。列举至少三种防止过拟合的技术手段。3.请简述卷积神经网络中的“卷积”操作与数学中的卷积运算有何异同（主要联系深度学习框架如TensorFlow/PyTorch的实现）。4.请简述Attention机制（注意力机制）的核心思想，并说明它如何解决长序列处理中的瓶颈问题。五、综合应用题（本大题共3小题，共50分）1.（15分）逻辑回归与极大似然估计假设我们有一个二分类问题，样本x∈，标签y∈0,1(1)请写出样本(,)属于类别的概率表达式P(2)假设训练集有m个样本，且样本之间独立同分布，请写出对数似然函数ℓ((3)说明为什么逻辑回归通常使用交叉熵损失函数，它与对数似然函数有何关系？2.（15分）决策树计算给定如下数据集，包含10个样本，特征为“天气”（晴、阴、雨），标签为“是否出去玩”（是、否）。天气温度湿度玩晴高高否晴高正常否阴高高是雨正常高是雨正常正常是雨高正常否阴正常正常是晴正常高否晴正常正常是雨正常高否(1)请计算数据集的经验熵H((2)请计算特征“天气”的信息增益g((3)根据ID3算法，当前节点应该选择哪个特征进行划分？（注：只需计算“天气”的特征，无需计算其他特征比较，假设这是根节点的选择过程）。3.（20分）深度学习模型设计与分析设计一个用于文本分类的卷积神经网络（TextCNN）模型结构。(1)请画出或详细描述模型的结构图，包括输入层、嵌入层、卷积层、池化层、全连接层和输出层。(2)假设输入句子长度为50，词表大小为10000，词向量维度为100。我们使用3种不同尺寸的卷积核，尺寸分别为3,4,5，每种卷积核的数量各为100。请计算：a.嵌入层输出的张量形状。b.经过卷积层和最大池化层后，每种卷积核对应的特征向量维度。c.拼接所有池化层输出后的总特征维度。(3)解释TextCNN如何利用不同尺寸的卷积核提取文本特征。参考答案与解析一、单项选择题1.B解析：A*算法可采纳性的条件是启发式函数h(n)是可采纳的，即h(n)永远不超过从节点2.D解析：核函数必须是满足Mercer条件的对称正半定函数，并不是任何函数都可以作为核函数。3.A解析：输出尺寸=(输入尺寸-卷积核尺寸+2*填充)/步长+1=(32-5+0)/1+1=28。4.C解析：A项BGD速度慢；B项SGD容易震荡，但不一定容易陷入局部最优（因其随机性可能跳出）；C项正确；D项非凸函数（如神经网络）不能保证找到全局最小值。5.B解析：当维度很大时，点积结果很大，Softmax函数会将大的差异映射为接近0或1，导致梯度极小，缩放因子用于缓解此问题。6.B解析：Q-learning是直接估计状态-动作值函数Q(7.A解析：信息增益倾向于选择取值较多的属性（如ID编号），增益率通过引入分裂信息对此进行了惩罚。8.A解析：生成器G希望生成的样本G(z)被判别器D判别为真，即最大化D9.C解析：A项PCA是无监督；B项映射到方差最大的方向；D项降维后各维度（主成分）是正交（线性无关）的。10.D解析：ReLU在负区间导数为0，这也是导致“神经元死亡”的原因，D项描述错误。11.A解析：拉普拉斯平滑通过给所有计数加一个小的常数（通常为1），避免了零概率问题。12.D解析：RNN在不同时间步共享同一组参数，这是RNN的核心特性之一。13.C解析：DBSCAN基于密度连接，不需要指定簇数量，能发现任意形状的簇，且对噪声不敏感。K-Means必须指定簇数量且对初始点敏感。14.A解析：在样本极度不平衡时，若模型将所有样本都预测为多数类（负样本），准确率会很高（99%），但这没有意义。15.C解析：YOLO的每个网格负责预测B个边界框，以及这些框的置信度（包含物体概率+IOU）和类别条件概率。二、多项选择题1.ABC解析：人工智能三大主要学派是符号主义（逻辑主义）、连接主义（仿生学派）和行为主义（进化主义）。2.ABCD解析：L1/L2正则化通过限制权重范数防止过拟合；Dropout随机丢弃神经元；早停法在验证集误差上升时停止训练。3.ABCD解析：A、B、C、D关于优化算法的描述均正确。4.AB解析：Word2Vec包含CBOW和Skip-gram两种模型。GloVe是基于共现矩阵的全局向量方法，BERT是基于Transformer的编码器模型。5.ABC解析：池化层（最大/平均）通常没有可学习的参数（D错误），主要用于降维和引入不变性。6.ABCD解析：ϵ-Greedy、Softmax、UCB和ThompsonSampling都是解决探索与利用困境的常见策略。7.ABCD解析：FCN、U-Net、MaskR-CNN是深度学习方法；区域生长是传统图像处理方法，均用于分割。8.AB解析：Min-Max和Z-Score是特征缩放方法。对数变换通常用于偏态数据，独热编码用于处理类别特征，不属于数值缩放。9.ABC解析：孤立森林、One-ClassSVM、LOF均是无监督异常检测。D项需要标签，是有监督的。10.ABC解析：算法偏见主要源于数据偏见、特征选择和设计者假设。模型简单导致欠拟合通常导致精度低，而非系统性偏见。三、填空题1.栈；队列2.0.5解析：二值熵在p=3.反4.决策树；Bootstrap采样5.输出门6.去除重叠的边界框，保留置信度最高的框7.折扣因子8.正弦9.KL散度解析：VAE损失=重构误差+KL散度（隐变量分布与先验分布的距离）。10.少数服从多数或投票四、简答题1.答：监督学习：训练数据既包含特征又包含正确的标签（输出）。目标是学习一个从输入到输出的映射函数。例如：线性回归、支持向量机（SVM）。无监督学习：训练数据只有特征，没有标签。目标是发现数据内部的结构或模式。例如：K-Means聚类、主成分分析（PCA）。半监督学习：训练数据中只有少量有标签的数据和大量无标签的数据。利用有标签数据指导模型，同时利用无标签数据的数据结构信息。例如：标签传播算法、基于图的半监督学习。2.答：过拟合：指模型在训练数据上表现非常好，误差很低，但在测试集或新数据上表现较差，泛化能力弱的现象。模型过于复杂，捕捉了训练数据中的噪声和特例。原因：1.训练数据量太少，不足以代表真实分布。2.模型复杂度过高（参数过多），导致模型“死记硬背”训练样本。3.数据特征过多，存在大量无关特征。防止技术：1.正则化：如L1、L2正则化，限制权重的大小，降低模型复杂度。2.Dropout：在训练过程中随机丢弃神经元，防止特征共适应。3.早停法：在验证集误差不再下降时停止训练。4.数据增强：增加训练样本的数量和多样性。3.答：相同点：核心思想都是利用一个滑动窗口（核/滤波器）在输入数据上滑动，在每一个位置执行加权求和（或互相关）运算，提取局部特征。不同点：1.卷积核翻转：数学中的卷积运算要求将卷积核在水平和垂直方向上进行翻转（180度旋转）后再进行加权求和。而在深度学习框架（如CNN）中，通常实现的是“互相关”运算，即不翻转卷积核，直接滑动相乘求和。2.本质：深度学习中的“卷积”实际上是互相关，但由于卷积核的参数是学习得到的，翻转与否只是改变了权重的排列顺序，通过训练可以自适应地调整，因此效果等价。为了计算效率和实现简便，深度学习省略了翻转步骤。4.答：核心思想：Attention机制模拟了人类视觉的注意力集中特性。在处理序列数据时，不再将所有输入视为同等重要，而是动态地为输入序列中的每个元素分配不同的权重。权重的大小反映了当前时刻（或生成目标）对输入序列各部分的关注程度。解决长序列瓶颈：1.在传统的RNN/LSTM中，长距离的信息需要一步步传递，容易导致梯度消失或遗忘。2.Attention机制允许模型在每一步输出时，直接“看”到输入序列中的所有位置，计算相关性并直接聚合信息，大大缩短了长距离依赖的路径。3.它实现了并行计算（如Transformer中），提升了处理长序列的效率和效果。五、综合应用题1.解：(1)对于单个样本，概率分布为：P(2)整个数据集的似然函数L(对数似然函数为：ℓ=(3)逻辑回归使用交叉熵损失函数J(在统计学中，极大似然估计旨在找到使观测数据出现概率最大的参数，即最大化对数似然函数。在机器学习优化中，我们习惯最小化损失函数。因此，逻辑回归的交叉熵损失函数本质上是负的对数似然函数。最小化交叉熵等价于最大化对数似然。2.解：总样本数D=正例（玩=是）数量：5个（阴高高，雨正常高，雨正常正常，阴正常正常，晴正常正常）。负例（玩=否）数量：5个。(1)经验熵H(HHH(2)特征“天气”有3个取值：晴、阴、雨。晴：样本数4。正例1（晴正常正常），负例