2026年高职计算机(人工智能应用)试题及答案

2026年高职计算机(人工智能应用)试题及答案一、单项选择题（每题2分，共30分）1.人工智能（AI）的创始人是哪位科学家，他被称为“人工智能之父”？A.阿兰·图灵B.约翰·冯·诺依曼C.约翰·麦卡锡D.克劳德·香农答案C解析约翰·麦卡锡在1956年达特茅斯会议上首次提出了“人工智能”这一术语，因此被广泛认为是人工智能之父。2.在机器学习中，若算法在训练数据上表现很好，但在测试数据上表现很差，这种现象被称为？A.欠拟合B.过拟合C.泛化能力强D.维度灾难答案B3.下列哪项不属于监督学习的典型应用？A.垃圾邮件分类B.房价预测C.K-Means聚类D.图像识别答案C解析K-Means聚类是一种无监督学习算法，不需要标签数据。4.在深度学习的神经网络中，用于引入非线性因素，使得神经网络能够逼近任意非线性函数的组件是？A.权重B.偏置C.激活函数D.池化层答案C5.下列哪个激活函数目前在隐藏层中使用最为广泛，能够有效缓解梯度消失问题？A.SigmoidB.TanhC.ReLUD.Softmax答案C6.在卷积神经网络（CNN）中，用于降低特征图维度、减少计算量和防止过拟合的操作通常是？A.卷积B.池化C.全连接D.反向传播答案B7.自然语言处理（NLP）中，将文本转换为向量表示的常用技术不包括？A.One-hot编码B.TF-IDFC.Word2VecD.边缘检测答案D解析边缘检测是计算机视觉中的图像处理技术。8.强化学习中，智能体根据环境状态做出动作，环境会反馈给智能体两个信息，分别是？A.奖励和下一状态B.损失函数和梯度C.标签和准确率D.权重和偏置答案A9.在评估分类模型时，若重点关注“在所有被预测为正类的样本中，真正为正类的比例”，应使用哪个指标？A.准确率B.召回率C.精确率D.F1分数答案C10.下列哪个Python库主要用于科学计算，是NumPy的基础？A.PandasB.MatplotlibC.Scikit-learnD.PyTorch答案A11.深度学习模型训练中，用于衡量模型预测值与真实值之间差异的函数称为？A.激活函数B.损失函数C.优化函数D.目标函数答案B12.循环神经网络（RNN）特别适合处理哪类数据？A.图像数据B.表格数据C.序列数据D.离散数据答案C13.在决策树算法中，用于选择最佳划分特征的度量指标通常包括信息增益和？A.基尼系数B.方差C.标准差D.协方差答案A14.生成式人工智能（GenerativeAI）的代表模型ChatGPT主要基于哪种架构？A.CNNB.RNNC.TransformerD.LSTM答案C15.下列关于数据预处理的描述，错误的是？A.缺失值处理是必要的步骤B.数据标准化可以加速模型收敛C.特征选择可能会提高模型性能D.训练集和测试集可以完全重叠答案D二、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.梯度下降算法一定能找到全局最优解。答案错误解析梯度下降可能会陷入局部最优解，特别是在非凸优化问题中。3.神经网络的层数越深，模型的性能一定越好。答案错误解析增加深度可能导致梯度消失、梯度爆炸或过拟合等问题，且计算成本增加。4.K-近邻（KNN）算法是一种懒惰学习算法，训练阶段几乎没有计算量。答案正确5.在图像分类任务中，数据增强技术可以有效扩充数据集，提高模型的泛化能力。答案正确6.SVM（支持向量机）只能用于线性可分的数据分类。答案错误解析通过核技巧，SVM可以处理非线性可分数据。7.主成分分析（PCA）是一种常用的降维算法，属于无监督学习。答案正确8.AlphaGo是基于深度学习和强化学习技术开发的围棋程序。答案正确9.所谓的“大语言模型”中的“大”主要指的是模型的参数量巨大和训练数据量巨大。答案正确10.伦理问题在人工智能发展中不重要，技术至上即可。答案错误三、填空题（每空1分，共10分）1.在感知机模型中，假设输入向量为x，权重向量为w，偏置为b，则输出y的符号取决于w⋅x+答案02.常用的梯度下降优化算法中，  算法通过为每个参数维护自适应的学习率，加速了神经网络的训练。答案Adam3.在卷积神经网络中，卷积核在图像上滑动时，每次滑动的步长称为  。答案步长4.混淆矩阵中，TruePositive（TP）指的是被模型正确预测为  的样本数。答案正类5.正则化技术（如L1、L2正则化）主要用于防止模型  。答案过拟合6.  学习是指在没有标签的情况下，让模型从数据中自动发现结构和模式的学习方式。答案无监督7.在Python中，  库提供了高效的矩阵运算，是构建深度学习模型的基础库之一。答案NumPy8.Transformer架构的核心机制是  机制，它允许模型在处理序列时关注不同位置的信息。答案自注意力9.在评估回归模型时，  误差（MSE）是预测值与真实值之差的平方的期望。答案均方10.计算机视觉中，  检测任务不仅要识别图像中的物体类别，还要标出物体的位置框。答案目标四、简答题（每题5分，共20分）1.简述监督学习和无监督学习的主要区别。答案(1)监督学习使用带有标签的数据进行训练，即输入数据对应有正确的输出结果；无监督学习使用没有标签的数据，模型需要自行发现数据中的结构。(2)监督学习的常见任务包括分类和回归；无监督学习的常见任务包括聚类和降维。(3)监督学习旨在建立输入到输出的映射；无监督学习旨在揭示数据内在的分布规律或分组。2.什么是过拟合？请列举两种防止过拟合的方法。答案过拟合是指模型在训练数据上表现非常好，误差很低，但在未见过的新数据（测试数据）上表现较差，泛化能力弱的现象。防止方法：(1)增加训练数据量。(2)使用正则化技术（如L1、L2正则化）。(3)采用Dropout技术（针对神经网络）。(4)早停法。(5)简化模型复杂度（减少层数或参数量）。3.简述卷积神经网络（CNN）中卷积层、池化层和全连接层的作用。答案(1)卷积层：通过卷积核提取图像的局部特征（如边缘、纹理等），是特征提取的核心。(2)池化层：对特征图进行下采样，减少参数量和计算量，同时保持特征的不变性（如平移、缩放）。(3)全连接层：将提取到的特征展平，通过矩阵运算进行加权求和，最终输出分类或回归结果。4.解释什么是“召回率”和“精确率”，并说明在什么场景下应优先关注召回率。答案召回率是指真正例占所有实际正例的比例，反映模型找出所有正例的能力；精确率是指真正例占所有预测为正例的比例，反映模型预测为正例的准确性。在对漏报后果严重的场景下应优先关注召回率。例如：疾病初筛（宁可误报，不可漏诊）、安全入侵检测（宁可误报，不可放过攻击）。五、综合应用题（每题15分，共30分）1.某工厂希望利用计算机视觉技术对流水线上的产品进行缺陷检测。已知收集了10000张产品图片，其中9000张为合格品，1000张为次品。请设计一个基于人工智能的解决方案框架，回答以下问题：(1)针对数据集样本不均衡（合格品远多于次品）的问题，可以采取哪些数据处理策略？（5分）(2)简述该模型训练与部署的基本流程。（10分）答案(1)数据处理策略：•数据层面：对次品（少数类）进行过采样，如复制样本或使用SMOTE生成新样本；对合格品（多数类）进行欠采样。•算法层面：在训练时使用类别权重，给予次品更高的损失权重。•数据增强：对次品图片进行旋转、裁剪、加噪等变换以增加数量。(2)训练与部署流程：•数据准备：收集图片，标注（合格/次品），划分训练集、验证集和测试集。•数据预处理：图像归一化、调整尺寸、增强。•模型构建：选择合适的模型（如ResNet、YOLO或自定义CNN），定义损失函数（如交叉熵）和优化器。•模型训练：输入训练数据，通过前向传播计算损失，反向传播更新权重，监控验证集指标调整超参数。•模型评估：使用测试集评估准确率、召回率等指标，确保满足业务要求。•模型部署：将训练好的模型转换为特定格式（如ONNX、TensorRT），部署到边缘设备（如工控机、摄像头端）或服务器。•应用集成：开发应用程序调用模型接口，对实时采集的图片进行推理，输出检测结果并控制分拣机构。2.给定一个简单的线性回归模型，假设损失函数为均方误差（MSE）。已知有两个样本点：样本1：x1=1,y1=2样本2：(1)请计算当前的损失值J((2)