2026年人工智能应用技术师考试试卷及答案

2026年人工智能应用技术师考试试卷及答案一、单项选择题（每题1分，共20分）1.在监督学习中，训练数据中的标签为离散类别，则该任务属于？A.回归任务B.分类任务C.聚类任务D.关联规则任务答案：B2.下列哪个Python库最常用于数组与矩阵运算，并为绝大多数机器学习算法提供基础数据结构？A.BeautifulSoupB.NumPyC.FlaskD.Seaborn答案：B3.在k折交叉验证中，当k等于训练样本总数时，这种特殊的验证方式称为？A.留一法B.自助采样法C.留出法D.时间序列验证法答案：A解析：留一法即每个样本单独作为验证集一次，其余N-1个样本作为训练集，因此共有N次验证。4.使用ReLU作为激活函数时，其输出值域为？A.(B.[C.(D.(答案：B解析：ReLU的计算式为ReLU(x)5.在卷积神经网络中，卷积层的主要作用是？A.对输入图像进行压缩存储B.提取局部特征C.生成图像标签D.降低训练集大小答案：B解析：卷积操作通过滑动窗口提取局部区域特征，是CNN的核心特征提取方式。6.在一个类别极不平衡的二分类任务中，只关注整体准确率往往不可靠，此时更适合重点关注的指标是？A.均方误差B.召回率C.R2分数D.特征重要性答案：B解析：在正样本极少时，模型即使把所有样本都预测为负类，准确率也可能很高，但正类召回率会很低。7.与One-Hot编码相比，Word2Vec词嵌入的主要优势是？A.不需要大规模语料B.可以体现词语之间的语义相似度C.只能表示英文单词D.不需要设置向量维度答案：B解析：Word2Vec将词映射为稠密低维向量，语义相近的词在向量空间中距离更近，这是稀疏One-Hot编码不具备的。8.LSTM通过下列哪种机制来控制信息的遗忘、保留与更新？A.池化B.门控C.注意力D.Dropout答案：B9.训练神经网络时，若学习率设置过大，最可能出现的现象是？A.训练损失迅速收敛到全局最优B.损失震荡甚至发散不收敛C.模型一定不会过拟合D.训练时间明显缩短且效果不变答案：B解析：学习率过大会导致参数更新跨度过大，损失可能在最优解附近震荡，甚至越过最优点而发散。10.在目标检测中，预测框A与真实框B的IoU定义为？A.|B.|C.|D.|答案：A解析：IoU表示两个区域交集与并集的比值，取值范围在0到1之间。11.当希望把连续特征的取值范围缩放到[0A.Z-score标准化B.Min-Max归一化C.独热编码D.主成分分析答案：B解析：Min-Max归一化将特征线性映射到[0,112.生成对抗网络（GAN）由哪两个核心网络组成？A.编码器与解码器B.生成器与判别器C.查询器与键值器D.注意力头与前馈网络答案：B13.Transformer中的自注意力机制会为输入序列中的每个元素生成三种向量，分别是？A.查询（Query）、键（Key）、值（Value）B.均值、方差、标准差C.上采样、下采样、全连接D.主语、谓语、宾语答案：A14.在二分类混淆矩阵中，样本真实类别为正，模型预测也为正的统计量称为？A.TPB.FPC.TND.FN答案：A15.在Pandas中，若需要按某一列对DataFrame进行分组后计算各组均值，应使用下列哪种方法？A.groupby()B.concat()C.dropna()D.fillna()答案：A16.将PyTorch训练好的模型转换为跨平台、跨框架的开放模型交换格式，最常用的标准是？A.ONNXB.XMLC.JSOND.CSV答案：A解析：ONNX（OpenNeuralNetworkExchange）用于在不同深度学习框架之间交换模型，可在多种推理引擎和端侧设备上部署。17.下列哪一项属于无监督学习任务？A.垃圾邮件分类B.房价预测C.客户分群D.语音识别答案：C解析：客户分群没有预先给定的类别标签，需要根据特征自动发现群体结构，属于聚类，是无监督学习的典型任务。18.将“城市”这一类别特征转换为“北京”=[1,0,0]，“上海”=[0,1,0]，“广州”=[0,0,1]的编码方式称为？A.标签编码B.独热编码C.序列编码D.差分编码答案：B解析：每个类别对应一个维度，只有当前位置为1，其余为0，这种编码方式称为One-Hot编码。19.批归一化（BatchNormalization）层的主要作用之一是？A.在训练过程中稳定和加速收敛B.将输入图片压缩为固定尺寸C.把分类标签转为概率分布D.减少训练样本数量答案：A20.在训练数据量有限的情况下，下列哪项措施最有可能降低过拟合？A.增加隐藏层数量B.使用权值衰减（L2正则化）C.增大学习率D.删除验证集答案：B解析：增加网络复杂度会加重过拟合；L2正则化通过对较大权重施加惩罚来增强模型泛化能力。二、多项选择题（每题2分，共20分）1.下列属于主流深度学习框架或库的有？A.TensorFlowB.PyTorchC.PaddlePaddleD.Requests答案：A、B、C解析：Requests是Python的HTTP请求库，不是深度学习框架。2.下列属于数据预处理常见步骤的有？A.缺失值处理B.异常值检测与处理C.特征缩放D.梯度下降迭代答案：A、B、C解析：梯度下降属于模型优化过程，不属于数据预处理。3.关于监督学习，下列说法正确的有？A.训练数据中必须包含输入特征和对应标签B.回归问题用于预测连续值C.聚类属于监督学习D.支持向量机可以用于分类答案：A、B、D解析：聚类属于无监督学习，训练数据没有标签。4.下列属于分类模型常用评估指标的有？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1值答案：A、B、C、D5.关于卷积神经网络（CNN），下列说法正确的有？A.卷积层具有局部连接与权值共享的特点B.池化层常用于降低特征图的空间分辨率C.全连接层常用于最终分类或回归输出D.CNN不能处理一维时序信号答案：A、B、C解析：CNN同样可以用于一维序列数据，如使用一维卷积处理文本或语音特征。6.下列属于文本特征表示方法的有？A.词袋模型（Bag-of-Words）B.TF-IDFC.Word2VecD.BERT向量答案：A、B、C、D7.下列哪些措施有助于缓解模型过拟合？A.DropoutB.L2正则化C.增加训练数据量D.使用更大的模型结构答案：A、B、C解析：使用更大的模型结构通常会增大模型容量，在数据量有限时更容易过拟合。8.关于标准Transformer模型，下列说法正确的有？A.自注意力机制支持并行计算B.位置编码用来表达词与词之间的先后顺序C.多头注意力能够关注不同表示子空间的信息D.输入词嵌入会与位置编码相加后再送入注意力层答案：A、B、C、D9.关于k折交叉验证，下列说法正确的有？A.将训练数据划分为k个大小接近的子集B.每次取其中1个子集作为验证集，其余k-1个子集作为训练集C.通常重复多次并取平均，以降低随机划分带来的影响D.使用k折交叉验证可以完全避免模型过拟合答案：A、B、C解析：交叉验证能更充分地利用数据并稳定评估模型性能，但不能完全避免过拟合。10.下列属于人工智能伦理与安全研究关注问题的有？A.算法偏见与公平性B.用户隐私保护C.深度伪造（Deepfake）识别与治理D.模型可解释性答案：A、B、C、D三、判断题（每题1分，共10分）1.在对分类模型进行评估时，准确率越高说明模型一定越好。答案：错误解析：在不平衡数据集上，准确率可能具有误导性，需要结合精确率、召回率、F1值或AUC等指标综合判断。2.Z-score标准化后的数据均值趋近于0，标准差趋近于1。答案：正确3.决策树不经过剪枝且深度很大时，通常容易过拟合。答案：正确4.LSTM通过门控机制较好地缓解了长序列训练中的梯度消失问题。答案：正确5.在训练过程中，训练损失不断下降而验证损失先降后升，说明模型可能过拟合。答案：正确解析：训练损失持续下降而验证损失上升是过拟合的典型表现。6.卷积神经网络只能处理图像数据，不能处理文本或语音。答案：错误解析：CNN可以处理一维数据，如文本、语音和时序信号。7.强化学习中，智能体通过与环境交互得到的奖励信号来调整策略。答案：正确8.当数据集存在缺失值时，通常只能将缺失样本删除，不能进行填充。答案：错误解析：缺失值可以根据业务场景采用均值、中位数、众数填充，也可用模型预测或插值等方法处理。9.大语言模型在回答问题时可能生成看似合理但事实错误的内容，这种现象被称为“幻觉”。答案：正确10.模型的可解释性与安全性无关。答案：错误解析：可解释性能帮助发现模型偏见、错误特征依赖和数据泄漏等问题，是保障模型安全的重要方面。四、简答题（每题10分，共30分）1.简述监督学习、无监督学习和强化学习的区别，并各举一个典型应用场景。答案：（1）监督学习：训练数据同时包含输入特征和标签，模型学习从特征到标签的映射关系。典型应用：垃圾邮件分类、房价预测。（2）无监督学习：训练数据没有标签，模型需要发现数据内部结构或分布规律。典型应用：客户分群、异常检测。（3）强化学习：智能体通过与环境不断交互，依据奖励信号学习最优决策策略。典型应用：围棋对弈、机器人控制。2.简述训练集、验证集和测试集的作用，以及划分时应注意的原则。答案：（1）训练集：用于拟合模型参数，是模型学习的主要数据来源。（2）验证集：用于模型选择与超参数调优，在训练过程中帮助判断模型的泛化趋势。（3）测试集：模拟未来真实数据，仅在模型训练和调优完成后使用一次，用于评估最终性能。（4）划分原则：三个数据集应来自同一数据分布且互不重叠；分类任务中通常采用分层抽样，保持类别比例一致；测试集不能参与训练、特征选择或超参数调优，避免信息泄漏。3.写出精确率、召回率和F1值的计算公式，并说明为什么不平衡分类任务中不应仅使用准确率。答案：设TP为真正例数，FP为假正例数，FN为假负例数，则：PRF在不平衡分类任务中，若某一类样本数量极少，模型即使把所有样本都预测为多数类，准确率也可能很高，但对少数类的识别能力可能为0。因此，应结合精确率、召回率、F1值或AUC等指标评估模型，才能反映模型对少数类的真实表现。五、综合应用题（共20分）某公司需要构建一个垃圾短信自动识别系统。现有50,000条已标注短信，其中垃圾短信5,000条，正常短信45,000条。模型需要将每条短信分为“垃圾短信”和“正常短信”两类。请回答下列问题：（1）该任务属于哪一类机器学习问题？结合背景说明理由，并写出两个适合该场景的评估指标。（4分）答案：该任务属于有监督学习中的二分类问题，具体是文本二分类任务。理由：训练数据包含短信文本和对应的类别标签（垃圾短信或正常短信），模型需要学习从文本特征到离散类别的映射关系。适合的评估指标：由于正常短信与垃圾短信数量不平衡，应重点关注召回率、精确率、F1值或AUC，尤其是垃圾短信（少数类）的召回率和F1值。（2）请写出送入模型前至少2个文本预处理步骤，并分别说明目的。（4分）答案：（1）文本清洗：去除短信中的HTML标签、URL、邮箱、多余标点和特殊符号，减少噪声对特征提取的干扰。（2）分词：将连续短信文本切分为词或字，使模型能够基于语言最小单元提取特征；中文场景常使用jieba或基于预训练模型的分词器。（3）去停用词：过滤“的、了、吗”等对分类区分度低的词语，降低特征维度。说明：上述步骤能有效降低特征空间规模、减少无关信息干扰，使模型聚焦于对分类有实际贡献的内容。（3）若采用TF-IDF特征加逻辑回归模型，与仅使用原始词频相比，TF-IDF的主要优势是什么？（4分）答案：TF-IDF在词频基础上引入逆文档频率，能够降低在大量文本中都出现、对分类区分度不高的常见词的权重，同时突出只在部分文档中出现、类别区分能力强的词语。TF-IDF的计算思想为：TF-IDF其中，N为语料中的文档总数，DF(t（4）若采用深度学习模型，请用“输入→词嵌入→...→输出”的形式写出一种可完成该分类的简单网络结构，并说明词嵌入层的作用。（4分）答案：网络结构示例：输入短信文本→分词→词嵌入（Embedding）→BiLSTM编码层→全局池化→全连接层→Softmax输出层→输出“垃圾短信/正常短信”类别概率。词嵌入层的作用：将离散的、高维稀疏的词索引映射为稠密的低维实数向量，使语义相近的词在向