2026年人工智能基础知识考试卷及答案

2026年人工智能基础知识考试卷及答案一、单项选择题（每题2分，共40分）1.被誉为"人工智能之父"，并在1950年提出"机器能否思考"这一问题的科学家是？A.艾伦·图灵B.冯·诺依曼C.约翰·麦卡锡D.马文·明斯基答案：A解析：图灵在1950年发表的论文《计算机器与智能》中提出了著名的"图灵测试"。约翰·麦卡锡的贡献是在1956年达特茅斯会议上首次提出"人工智能"这一术语，注意区分。2.下列属于监督学习典型应用场景的是？A.客户分群B.垃圾邮件识别C.数据降维D.人像聚类答案：B解析：监督学习基于带标签数据学习输入到输出的映射。垃圾邮件识别依赖已标注邮件训练分类器；客户分群、人像聚类属于无监督聚类任务。3.神经网络中ReLU激活函数的数学表达式是？A.fB.fC.fD.f答案：A解析：B为Sigmoid函数，C为Tanh函数，D为线性函数。ReLU在x>0时输出x，在4.模型在训练集上准确率很高，但在测试集上表现明显变差，最可能的原因是？A.数据泄露B.欠拟合C.梯度消失D.过拟合答案：D5.下列关于交叉验证（CrossValidation）的说法，正确的是？A.可以完全替代测试集B.只适用于深度学习模型C.将数据分区并重复训练、验证，能够更充分地评估模型泛化能力D.会增加测试集的样本量答案：C6.卷积神经网络（CNN）中的卷积操作主要用于提取图像的哪种特征？A.全局语义特征B.时序依赖特征C.局部空间特征D.概率分布特征答案：C7.逻辑回归模型通常使用下列哪个损失函数？A.交叉熵损失（CrossEntropy）B.均方误差（MSE）C.平均绝对误差（MAE）D.合页损失（HingeLoss）答案：A解析：二分类逻辑回归输出的是类别概率，常用交叉熵衡量预测分布与真实分布之间的差异；MSE、MAE多用于回归任务。8.K-Means算法解决的核心问题是？A.回归分析B.聚类分析C.分类预测D.关联规则挖掘答案：B9.强化学习中，智能体（Agent）依据什么信号来判断动作的好坏并更新策略？A.标签B.损失函数C.梯度D.奖励（Reward）答案：D10.共享单车智能调度优化属于人工智能的哪个研究分支？A.自然语言处理B.计算机视觉C.智能决策与优化D.知识图谱答案：C11.在"信用卡欺诈检测"这类正样本（欺诈样本）极少的场景中，更适合采用的评估指标是？A.准确率（Accuracy）B.均方误差（MSE）C.精确率与召回率（Precision&Recall）D.决定系数（R2答案：C解析：类别极不平衡时，准确率会因多数类占主导而虚高，无法反映对少数类的识别能力。精确率与召回率能更真实地刻画模型对欺诈样本的判别效果。12.项目实践中，一般不建议反复使用测试集进行调参，主要原因是？A.会导致模型过拟合于测试集，使最终评估结果失去客观性B.测试集规模通常过大C.反复调参会显著降低训练速度D.测试集的标签通常不完整答案：A解析：反复用测试集调参会把测试集信息"泄漏"进模型选择过程，导致对未知数据泛化能力的估计过于乐观。13.使用梯度下降训练模型时，学习率设置过大会导致？A.训练时间显著变长B.模型无法收敛甚至发散C.模型过拟合D.梯度消失答案：B解析：学习率过大会使参数更新步长过大，损失函数发生震荡甚至发散；学习率过小才会导致收敛缓慢。14.下列关于大语言模型（LLM）的说法，正确的是？A.大语言模型只能处理英文文本B.参数量越大，模型一定越准确C.无需微调即可在任意垂直领域直接使用D.基于Transformer架构，通过大规模语料预训练获得语言能力答案：D解析：大语言模型以Transformer为骨干网络，在海量文本上预训练。参数量大不等于绝对更优，且垂直场景通常需要微调或提示工程适配。15.下列哪项不属于常用的数据预处理操作？A.缺失值填充B.归一化/标准化C.独热编码（One-HotEncoding）D.梯度下降答案：D16.在决策树算法中，某个特征的信息增益越大，表示该特征？A.对分类结果的贡献越大B.取值数量越少C.数据集越混乱D.决策树深度越小答案：A17.机器翻译、文本情感分析、命名实体识别等任务共同属于人工智能的哪个领域？A.计算机视觉B.自然语言处理（NLP）C.语音合成D.机器人控制答案：B18.下列关于人工智能伦理与安全的表述，错误的是？A.人工智能系统可能放大训练数据中隐含的偏见B.算法决策应具备可解释性和透明度C.人工智能系统在处理数据时不会泄露用户隐私D.需要建立AI治理与监管机制答案：C解析：人工智能系统在数据采集、存储和推理过程中同样存在隐私泄露风险，需要差分隐私、联邦学习等技术加以保护。19.已知某二分类模型的混淆矩阵中TP=80，FP=20，FN=30，TN=70，则该模型的精确率（Precision）为？A.80%B.72.7%C.75%D.66.7%答案：A解析：精确率为TPTP+F20.下列哪种神经网络结构最适合处理股票价格预测这类时间序列数据？A.卷积神经网络（CNN）B.循环神经网络（RNN）C.多层感知机（MLP）D.自编码器（Autoencoder）答案：B解析：RNN通过循环连接与记忆机制建模序列数据的时间依赖关系，是处理时间序列数据的经典结构；CNN更擅长提取局部空间特征。二、多项选择题（每题2分，共20分；多选、少选、错选均不得分）1.下列属于机器学习常见类型的有？A.监督学习B.无监督学习C.强化学习D.专家系统答案：ABC解析：机器学习按学习范式主要分为监督学习、无监督学习、半监督学习和强化学习。专家系统属于基于规则的传统符号推理方法，不属于机器学习。2.下列属于常用深度学习框架的有？A.TensorFlowB.PyTorchC.PaddlePaddleD.SAP答案：ABC解析：TensorFlow、PyTorch、PaddlePaddle均为主流深度学习框架；SAP是企业级管理软件，与深度学习无关。3.下列措施中，能够有效缓解模型过拟合的有？A.增加训练数据量B.引入L2正则化C.使用Dropout机制D.无限增加网络隐藏层数量答案：ABC解析：增大数据量、正则化、Dropout均可提升模型泛化能力。无限加深网络会进一步提高模型复杂度，反而加剧过拟合。4.卷积神经网络（CNN）中常用的网络层包括？A.卷积层B.池化层C.全连接层D.批归一化层（BatchNormalization）答案：ABCD5.下列属于自然语言处理（NLP）典型任务的有？A.机器翻译B.文本情感分析C.命名实体识别D.图像超分辨率重建答案：ABC解析：图像超分辨率重建属于计算机视觉领域，其余三项均为NLP的经典任务。6.强化学习系统的核心要素包括？A.智能体（Agent）B.环境（Environment）C.状态（State）D.奖励（Reward）答案：ABCD7.下列关于数据预处理的说法，正确的有？A.缺失值可以用均值、中位数或众数进行填充B.独热编码（One-HotEncoding）适用于将类别型特征转换为数值型特征C.异常值检测与处理是数据清洗的重要环节D.Z-score标准化会改变数据的偏态分布特征答案：ABC解析：Z-score标准化是线性变换，仅改变数据的尺度与位置（使均值为0、标准差为1），不会改变数据原有的分布形态，选项D说法错误。8.下列属于回归模型常用评估指标的有？A.均方误差（MSE）B.平均绝对误差（MAE）C.决定系数（R2D.精确率（Precision）答案：ABC解析：MSE、MAE、R29.关于大语言模型（LLM），下列说法正确的有？A.基于Transformer架构B.通过预训练与微调等方式适配下游任务C.存在"幻觉"问题，可能生成与事实不符的内容D.只能处理文本，无法处理图像等多模态数据答案：ABC解析：多模态大语言模型已支持图像、音频等多种模态输入，选项D说法错误；"幻觉"问题则是大语言模型面临的重要挑战之一。10.人工智能在医疗健康领域的典型应用包括？A.医学影像辅助诊断B.药物研发C.疾病风险预测D.手术机器人答案：ABCD三、判断题（每题1分，共10分）1.1956年达特茅斯会议上正式提出了"人工智能"这一术语。答案：正确2.无监督学习需要大量人工标注的标签数据。答案：错误解析：无监督学习使用无标签数据，自动发现数据内在结构与模式，如聚类、降维等。3.深度学习的"深度"通常指神经网络中隐藏层数量较多。答案：正确4.模型在测试集上的表现可以直接反映其在真实场景中的表现，无需考虑数据分布变化。答案：错误解析：真实场景中的数据分布可能随时间发生变化（即分布漂移），因此模型上线后仍需持续监控与迭代更新。5.循环神经网络（RNN）适合处理语音、文本等具有时序依赖关系的数据。答案：正确6.精确率与召回率是评估回归模型性能的指标。答案：错误解析：精确率与召回率用于评估分类模型，回归模型常用MSE、MAE、R27.K折交叉验证可以有效利用有限的数据评估模型的泛化能力。答案：正确8.在机器学习中，只要训练数据量足够大，就一定能获得高性能的模型。答案：错误解析：数据质量、特征工程、模型选择与调参同样关键。数据量大但噪声多、分布偏差大时，模型性能反而可能下降。9.大语言模型的"幻觉"（Hallucination）指其生成内容与客观事实不符。答案：正确10.数据标准化没有必要，因为所有机器学习模型对特征尺度都不敏感。答案：错误解析：KNN、SVM、逻辑回归等模型对特征尺度敏感，若不做归一化/标准化，数值范围大的特征会主导模型训练。四、简答题（每题5分，共15分）1.简述人工智能、机器学习、深度学习三者之间的关系。答案：三者是层层包含的关系。人工智能是研究如何让计算机模拟人类智能行为的交叉学科，范畴最大；机器学习是人工智能的核心子领域，指通过数据驱动使算法自动改善性能的方法；深度学习是机器学习的一个分支，基于多层神经网络自动学习数据的层次化表征。简言之，人工智能包含机器学习，机器学习包含深度学习。2.简述激活函数在神经网络中的作用，并列举三种常用激活函数。答案：激活函数为神经网络引入非线性变换，使多层网络能够拟合复杂的非线性函数；若网络中只有线性变换，无论叠加多少层都等价于单层线性模型，表达能力将严重受限。三种常用激活函数：Sigmoid、Tanh、ReLU（含LeakyReLU等变体）。3.简述对特征进行归一化/标准化的必要性，并写出Z-score标准化的公式。答案：不同特征往往具有不同的量纲和数值范围，数值范围大的特征会在距离计算或梯度更新中占据主导地位，影响模型收敛速度与预测精度。归一化/标准化将各特征缩放到相近尺度，可加快收敛、提升模型稳定性与泛化能力。Z-score标准化公式为：x其中μ为特征的均值，σ为标准差。五、综合应用题（15分）1.某金融科技公司希望基于用户的年龄、月收入、负债率、信用历史、近期贷款申请次数等数据，构建个人信用风险评估模型，用于预测申请人在未来一年内是否违约。请回答下列问题：（1）该问题属于哪类机器学习任务？应优先选用哪些评估指标？请说明理由。（5分）（2）请写出从数据获取到模型上线的完整项目流程。（5分）（3）初版模型在测试集上的精确率为85%，但违约用户（少数类）的召回率仅为12%，请分析可能原因并提出至少三条改进措施。（5分）答案：（1）该问题属于二分类监督学习任务（预测"违约/不违约"）。由于违约用户通常只占少数，类别不平衡明显，准确率会因多数类主导而虚高，不适宜作为主要指标；应优先使用精确率（Precision）、召回率（Recall）、F1值、AUC等指标。若业务目标是最大限度识别出潜在违约者、控制信贷风险，应重点关注召回率。（2）完整流程包括：业务理解与目标定义→数据采集与整合→数据清洗与预处理（缺失值处理、异常值剔除、类别编码、归一化）→特征工程（特征构造、特征选择）→数据集划分（训练集/验证集/测试集）→模型选择与训练（逻辑回归、决策树、随机森林、LightGBM等）→交叉验证与调参→模型评估→模型上线部署→