2026年人工智能基础知识考试试卷及答案

2026年人工智能基础知识考试试卷及答案一、单项选择题（每题2分，共30分）1.人工智能（AI）这一术语首次在哪个会议上被正式提出？A.日内瓦会议B.达特茅斯会议C.图灵测试大会D.计算机协会年会答案：B2.下列机器学习算法中，属于无监督学习算法的是？A.逻辑回归B.支持向量机C.K-MeansD.随机森林答案：C3.在神经网络中，引入非线性激活函数的主要目的是？A.加快模型训练速度B.防止梯度消失C.使网络能够学习非线性映射D.减少模型参数量答案：C4.下列哪种方法通常用于解决机器学习中的过拟合问题？A.增加模型复杂度B.减少训练数据量C.引入L1/L2正则化D.增大学习率答案：C5.在梯度下降算法中，如果学习率设置过大，可能会出现什么现象？A.收敛速度过慢B.陷入局部最优解C.在最小值附近震荡甚至无法收敛D.损失函数始终为零答案：C6.下列哪个深度学习框架是由Google开发并开源的？A.PyTorchB.TensorFlowC.KerasD.Caffe答案：B7.在卷积神经网络（CNN）中，卷积核的主要作用是？A.对图像进行下采样B.提取局部特征C.消除图像噪声D.防止过拟合答案：B8.逻辑回归模型用于二分类任务时，其输出值域是？A.(B.[C.[D.(答案：B解析：逻辑回归使用Sigmoid函数将线性输出映射到(09.自然语言处理中，Word2Vec模型的主要作用是？A.文本分词B.词性标注C.将词语映射为低维稠密向量D.生成文本摘要答案：C10.下列优化算法中，结合了动量和自适应学习率的是？A.SGDB.AdamC.RMSpropD.Adagrad答案：B11.循环神经网络（RNN）在处理长序列数据时，容易遇到的主要问题是？A.计算量过小B.梯度消失或梯度爆炸C.无法提取局部特征D.模型参数过少答案：B12.在强化学习中，智能体根据当前状态选择的动作，其好坏通常用什么来衡量？A.准确率B.召回率C.奖励函数D.交叉熵答案：C13.以下关于Transformer模型的说法，错误的是？A.完全摒弃了循环和卷积结构B.核心机制是自注意力机制C.只能处理自然语言处理任务，不能用于图像领域D.支持并行化计算，训练效率较高答案：C解析：Transformer架构具有通用性，近年来已被广泛应用于计算机视觉领域（如VisionTransformer,ViT），并非只能处理NLP任务。14.评估二分类模型时，精确率和召回率是一对相互矛盾的指标。如果要综合考量这二者，通常使用哪个指标？A.MSEB.MAEC.F1ScoreD.ROC曲线下面积答案：C15.决策树算法在划分节点时，ID3算法使用的划分准则是？A.信息增益B.信息增益率C.基尼指数D.均方差答案：A二、多项选择题（每题3分，共15分）1.下列算法中，属于监督学习算法的有？A.线性回归B.K-MeansC.支持向量机D.决策树答案：A、C、D解析：K-Means是无监督聚类算法，不需要带标签的数据。线性回归、SVM和决策树均需要有标签的数据进行训练。2.下列哪些方法可以有效防止神经网络模型的过拟合？A.DropoutB.L2正则化C.数据增强D.提前停止训练答案：A、B、C、D3.以下哪些是Transformer架构的核心组件？A.多头注意力机制B.前馈神经网络C.残差连接与层归一化D.长短期记忆网络（LSTM）答案：A、B、C解析：Transformer完全基于注意力机制，摒弃了RNN和CNN。LSTM是RNN的一种变体，不属于Transformer的组件。4.一个完整的机器学习项目流程通常包括哪些步骤？A.数据收集与预处理B.特征工程与模型选择C.模型训练与调优D.模型评估与部署答案：A、B、C、D5.关于梯度下降算法的变体，以下说法正确的有？A.批量梯度下降（BGD）每次使用全部训练数据更新参数B.随机梯度下降（SGD）每次仅使用一个样本更新参数C.小批量梯度下降结合了BGD和SGD的特点D.三种变体中，SGD通常收敛最慢且容易在最优点附近震荡答案：A、B、C、D三、判断题（每题1分，共10分）1.深度学习是机器学习的一个子集，而机器学习是人工智能的一个子集。答案：正确2.KNN算法既可以用于分类任务，也可以用于回归任务。答案：正确3.交叉熵损失函数主要用于衡量连续值预测的误差，常用于回归问题。答案：错误解析：交叉熵损失常用于分类问题。回归问题通常使用均方误差（MSE）或平均绝对误差（MAE）。4.在神经网络中，使用ReLU激活函数完全可以避免梯度消失问题。答案：错误解析：ReLU在正区间梯度恒为1，缓解了梯度消失问题，但在负区间梯度为0，可能导致“神经元死亡”现象，并非完全避免所有梯度问题。5.增加神经网络的层数一定能提高模型在测试集上的泛化能力。答案：错误6.Adam优化器结合了Momentum和RMSprop两种优化算法的优点。答案：正确7.支持向量机（SVM）通过核函数可以将低维线性不可分的数据映射到高维空间，使其变得线性可分。答案：正确8.K-Means聚类算法对初始簇心的选择不敏感，总能收敛到全局最优解。答案：错误解析：K-Means对初始簇心敏感，容易陷入局部最优解。通常采用K-Means++算法优化初始簇心选择。9.强化学习中的智能体通过与环境的交互来学习策略，目标是最大化累计奖励。答案：正确10.词袋模型会保留文本中词语的先后顺序信息。答案：错误解析：词袋模型将文本视为词的无序集合，丢失了词序信息。四、简答题（每题5分，共15分）1.简述监督学习和无监督学习的主要区别，并分别列举两个典型算法。答案：监督学习使用带有标签的训练数据进行学习，目标是建立输入到输出的映射。典型算法有线性回归、支持向量机（SVM）。无监督学习使用没有标签的数据进行学习，目标是发现数据内部的潜在结构与规律。典型算法有K-Means聚类、主成分分析（PCA）。2.什么是过拟合？列举三种常见的防止过拟合的方法。答案：过拟合是指模型在训练集上表现极好，误差很低，但在未见过的测试集或验证集上表现很差，即模型泛化能力弱。防止过拟合的方法有：(1)引入正则化（L1/L2）；(2)使用Dropout随机失活神经元；(3)增加训练数据量或进行数据增强；(4)提前停止训练。任举三种即可。3.简述梯度下降算法的基本原理。答案：梯度下降是一种迭代优化算法。其基本原理是：在每次迭代中，计算损失函数对模型参数的梯度，然后沿着梯度的反方向（即损失函数下降最快的方向）更新参数，更新步长由学习率控制。通过多次迭代，直到损失函数收敛至极小值，从而求得最优模型参数。五、计算与综合应用题（每题15分，共30分）1.在一个二分类任务中，给定逻辑回归模型的线性输出z=w⋅x+b。设某样本特征向量x=[2,3(1)计算线性输出z；(2)计算预测概率y；(3)计算当前样本的交叉熵损失L。（提示：e0.9≈2.460答案：(1)线性输出z：z(2)预测概率y：y代入e0.9y(3)交叉熵损失L：由于真实标签y=L根据提示ln(L解析：本题考察逻辑回归的前向传播计算及交叉熵损失函数的推导。关键是计算z值时注意权重的正负号，以及Sigmoid函数中指数部分−z的代入运算。当真实标签y=0时，预测概率y2.在构建决策树时，信息增益是常用的节点划分准则。给定某训练集D包含10个样本，分为正例和负例两类。初始集合D中有6个正例，4个负例。若按照特征A进行划分，将D划分为两个子集D1和D2。其中D1包含5个样本（4个正例，1个负例），D(1)计算划分前集合D的信息熵H((2)计算划分后子集D1和D2的信息熵H((3)计算特征A的信息增益g(D,A)。（提示：log20.6答案：(1)划分前集合D的信息熵H(D)：正例