2026年人工智能技术基础与应用知识考试试题及答案

2026年人工智能技术基础与应用知识考试试题及答案一、单项选择题（每题2分，共20分）1."人工智能"（AI）这一术语是在哪次会议上首次被正式提出的？A.达特茅斯会议B.日内瓦会议C.图灵测试会议D.香山科学会议答案：A2.下列哪种算法不属于监督学习算法？A.线性回归B.支持向量机C.K-均值聚类D.逻辑回归答案：C3.在神经网络中，ReLU激活函数的表达式为？A.fB.fC.fD.f答案：C4.当模型在训练集上误差很低，但在测试集上误差很高时，这种现象称为？A.欠拟合B.过拟合C.交叉验证D.正则化答案：B5.决策树算法中，信息增益的计算基于哪种度量？A.均方误差B.熵C.欧氏距离D.梯度答案：B6.在深度学习的优化算法中，Adam优化器主要结合了以下哪两种方法的思想？A.梯度下降与牛顿法B.动量法与自适应学习率C.随机梯度下降与小批量学习D.拉格朗日乘子法与共轭梯度法答案：B7.自然语言处理中，Transformer架构摒弃了传统的循环结构，主要依赖哪种机制处理序列数据？A.门控循环单元（GRU）B.长短期记忆网络（LSTM）C.自注意力机制D.卷积操作答案：C8.下列关于强化学习的描述，错误的是？A.强化学习通过试错机制进行学习B.强化学习包含状态、动作和奖励等要素C.强化学习必须有标注的输入输出对D.Q-learning是一种经典的强化学习算法答案：C解析：强化学习是通过与环境交互获取奖励信号来学习策略的，不需要像监督学习那样具备明确的标注输入输出对。9.在模型评估中，若希望尽可能把正类样本找出来，应重点关注哪个指标？A.精确率B.召回率C.准确率D.F1值答案：B10.下列哪种技术不能有效缓解深度神经网络训练中的梯度消失问题？A.使用ReLU激活函数B.引入批归一化C.使用残差连接D.增加隐藏层数量答案：D解析：增加隐藏层数量反而可能加剧梯度消失现象。使用ReLU、引入批归一化和残差连接均是缓解梯度消失的常用有效手段。二、多项选择题（每题3分，共15分）1.下列属于人工智能常见应用领域的有？A.机器视觉B.自然语言处理C.语音识别D.专家系统答案：ABCD2.处理类别不平衡数据集时，常用的策略包括？A.欠采样多数类B.过采样少数类C.使用F1值代替准确率作为评估指标D.删除少数类样本答案：ABC解析：处理类别不平衡数据时，通常需要对多数类进行欠采样或对少数类进行过采样，同时使用F1值等更能反映少数类分类效果的指标。删除少数类样本会进一步加剧不平衡。3.关于卷积神经网络（CNN）中池化层的描述，正确的有？A.池化层可以减少特征图的维度B.池化层通常没有可学习的参数C.池化层能够提供一定程度的平移不变性D.最大池化会提取窗口内的平均值答案：ABC解析：最大池化提取的是窗口内的最大值，平均池化才提取平均值，故D错误。ABC均为池化层的正确特性。4.下列属于生成式模型的有？A.朴素贝叶斯B.支持向量机C.生成对抗网络（GAN）D.变分自编码器（VAE）答案：ACD解析：生成式模型对联合概率分布P(X,Y)5.机器学习中常用的防止过拟合的方法包括？A.L1/L2正则化B.DropoutC.数据增强D.提前停止训练答案：ABCD三、判断题（每题1分，共10分）1.人工智能、机器学习和深度学习是包含关系，深度学习是机器学习的一个子集。答案：正确2.K-近邻算法（KNN）在预测阶段需要进行模型训练。答案：错误解析：KNN是一种惰性学习算法，没有显式的训练过程，所有的计算都发生在预测阶段。3.逻辑回归不仅可以处理二分类问题，还可以通过扩展处理多分类问题。答案：正确4.主成分分析（PCA）是一种常用的有监督降维方法。答案：错误解析：PCA是一种无监督的降维方法，不利用样本的标签信息。5.在二分类任务中，ROC曲线的横轴是假阳性率，纵轴是真阳性率。答案：正确6.循环神经网络（RNN）适合处理图像和视频等空间结构数据。答案：错误解析：RNN主要用于处理时间序列等具有时序依赖关系的数据；图像和视频等空间结构数据通常由卷积神经网络（CNN）处理。7.批归一化的主要作用之一是加速模型收敛，并允许使用更大的学习率。答案：正确8.独热编码主要用于处理连续型数值特征，以避免引入大小关系。答案：错误解析：独热编码主要用于处理无序的离散型类别特征，将其转化为二进制向量表示。9.聚类算法的评价指标内部指标有轮廓系数，外部指标有兰德指数。答案：正确10.生成对抗网络（GAN）由生成器和判别器组成，两者通过极大极小博弈进行联合训练。答案：正确四、简答题（每题5分，共25分）1.简述监督学习和无监督学习的主要区别，并各列举一个典型算法。答案：监督学习使用带有标签的训练数据，目标是学习输入到输出的映射关系，典型算法如线性回归或支持向量机。无监督学习使用无标签的数据，目标是发现数据内在的结构和规律，典型算法如K-均值聚类或主成分分析（PCA）。2.什么是梯度消失现象？请列举两种缓解该问题的方法。答案：梯度消失是指在深度神经网络的训练过程中，误差梯度通过反向传播传递到浅层时逐渐减小甚至接近于零，导致浅层网络权重无法有效更新的现象。缓解方法包括：(1)使用ReLU等非饱和激活函数替代Sigmoid函数；(2)引入批归一化使各层输入分布稳定；(3)使用残差连接结构提供梯度快捷传播通道；(4)合理初始化权重。（答出任意两点即可）3.简述卷积神经网络（CNN）中局部感受野和权值共享的机制及其优势。答案：局部感受野指卷积层中每个神经元只与上一层的一个局部区域相连，符合视觉系统提取局部特征的特性，优势是大幅减少了网络参数量和计算量。权值共享指同一个卷积核在整张特征图上滑动提取特征时，其权重参数是共享的，优势是赋予了模型平移等变性，并进一步大幅减少模型参数，防止过拟合。4.简述K-均值聚类算法的基本步骤。答案：(1)随机选择K个样本点作为初始聚类中心；(2)计算每个样本点到这K个中心的距离，并将样本划分到距离最近的中心所在的簇；(3)重新计算每个簇中所有样本的均值，将该均值作为新的聚类中心；(4)重复步骤（2）和（3），直到聚类中心不再发生明显变化或达到最大迭代次数。5.列举三种评估二分类模型性能的指标，并简述其含义。答案：(1)准确率：分类正确的样本数占总样本数的比例；(2)精确率：预测为正类的样本中，实际为正类的比例；(3)召回率：实际为正类的样本中，被预测为正类的比例；(4)F1值：精确率和召回率的调和平均数。（答出任意三种即可）五、综合应用题（共30分）1.（15分）已知一个二分类问题，采用逻辑回归模型进行预测。模型预测为正类的概率公式为P(y=1|x)=1L其中y=P(y=1|答案：令z=wT对w求导，根据链式法则：∂分别计算各项：(1)∂(2)∂(3)∂合并前两项：∂因此：∂权重梯度下降更新公式为：w解析：此题考察逻辑回归的核心推导过程。关键在于熟练运用链式法则，并利用Sigmoid函数的导数性质σ′(z2.（15分）在一个一维卷积神经网络中，输入序列长度为N=10，使用一个长度为K=3的一维卷积核进行卷积操作。假设步长S=2，且在输入序列两端使用了零填充，填充总数为P=（1）输出特征图的长度L；（5分）（2）计算特征图各位置的值，并写出完整的输出特征图。（10分）答案：（1）输出特征图的长度L计算公式为：L代入数据：L所以，输出特征图的长度为5。（2）输入序列补零后为X=[0,1,2,3,4,5,6,7,8,9,10,0]（总长度12，对应索引0到11）。卷积核W=[1,0,-1]。特征图各位置的计算如下：第1个位置（滑动窗口起点0，覆盖索引0,1,2）：0第2个位置（滑动窗口起点2，覆盖索引2,3,4）：2第3个位置（滑动窗口起点4，覆盖索引4,5,6）：4第4个位置（滑动窗口起点6，覆盖索引6,7,8）：6第5个位置（滑动窗口