2026年人工智能工程师职业技能考核试卷及答案

2026年人工智能工程师职业技能考核试卷及答案一、单项选择题（共20题，每题2分，共40分）1.下列哪种算法属于监督学习算法？A.K-meansB.PCA主成分分析C.决策树D.DBSCAN答案：C解析：监督学习需要带标签的训练数据。决策树可用于分类和回归，属于监督学习；K-means、PCA、DBSCAN均属于无监督学习或降维方法。2.在二分类任务中，当正负样本比例达到1:999时，以下哪个指标最不适合作为性能评价指标？A.准确率B.召回率C.F1-scoreD.AUC答案：A解析：极度不平衡时，模型把所有样本预测为负类即可获得99.9%的准确率，因此准确率无法反映少数类识别能力。3.神经网络中激活函数的主要作用是？A.引入非线性表达能力B.减少模型参数C.加速梯度消失D.防止过拟合答案：A解析：若没有非线性激活函数，多层神经网络可等效为线性变换，无法拟合复杂非线性关系。4.在卷积神经网络中，卷积层的主要功能是？A.降低特征图空间尺寸B.提取局部特征C.生成类别概率D.提供正则化答案：B5.训练神经网络时，学习率设置过大会导致？A.收敛速度变慢B.模型参数陷入局部最优C.损失函数震荡甚至发散D.梯度消失答案：C解析：学习率过大会使参数更新幅度过大，在最优值附近来回震荡，严重时导致损失发散。6.下列哪种正则化方法更容易得到稀疏参数？A.L0正则化B.L1正则化C.L2正则化D.弹性网中仅使用L2部分答案：B解析：L1正则化在参数更新时具有截断效应，容易使部分参数变为0，从而得到稀疏解。7.下列方法中，不能用于缓解过拟合的是？A.增加训练数据B.使用DropoutC.减少模型参数D.增加特征数量答案：D解析：增加特征数量可能提高模型复杂度，加剧过拟合，而不是缓解过拟合。8.Transformer模型中，自注意力机制中的Query、Key、Value来源于？A.同一输入经过不同线性变换B.三个完全独立的输入C.随机初始化D.前一层输出直接复制答案：A解析：Query、Key、Value由同一输入乘以不同的权重矩阵WQ、WK、9.在Python中，进行数组和矩阵运算最常用的库是？A.PandasB.MatplotlibC.NumPyD.Scikit-learn答案：C10.K折交叉验证的主要目的是？A.加快训练速度B.使模型更加非线性C.更可靠地评估模型泛化能力D.增大数据集规模答案：C11.在数据预处理中，将特征缩放到[0A.标准化B.归一化C.正则化D.中心化答案：B解析：归一化通常将数据映射到固定区间，如[012.逻辑回归用于二分类时，常用的损失函数是？A.均方误差B.交叉熵损失C.合页损失D.指数损失答案：B13.下列优化算法中，引入了动量概念的是？A.SGDB.AdamC.牛顿法D.坐标下降法答案：B解析：Adam结合了一阶动量和二阶动量自适应调整学习率，原始SGD不含动量。14.在自然语言处理中，Word2Vec主要用于？A.生成文本B.学习词的分布式表示C.语法解析D.文本摘要答案：B15.在二分类模型中，ROC曲线下的面积AUC越大，说明？A.模型越差B.模型越好C.与模型性能无关D.模型一定过拟合答案：B16.决策树ID3算法选择划分特征的标准是？A.基尼系数B.信息增益C.均方误差D.交叉熵答案：B17.在强化学习中，智能体在时刻t采取动作后从环境中获得的信息是？A.标签B.奖励C.特征D.梯度答案：B18.生成对抗网络（GAN）中，判别器的目标是？A.生成逼真样本B.最小化生成器损失C.区分真实样本与生成样本D.提高生成样本多样性答案：C19.数据泄露通常会导致？A.模型泛化能力提升B.模型在测试集上性能虚高C.训练时间减少D.模型参数量减少答案：B20.我国针对生成式人工智能服务发布的专门管理法规是？A.《数据安全法》B.《个人信息保护法》C.《生成式人工智能服务管理暂行办法》D.《网络安全法》答案：C二、多项选择题（共10题，每题2分，共20分。多选、错选不得分，少选得1分）1.下列哪些属于无监督学习算法？A.K-meansB.PCAC.线性回归D.DBSCAN答案：ABD解析：线性回归需要连续标签，属于监督学习。2.在分类模型评估中，以下哪些是常用指标？A.准确率B.召回率C.均方误差D.F1-score答案：ABD解析：均方误差主要用于回归问题，不适合分类任务。3.以下哪些方法可以用于防止神经网络过拟合？A.DropoutB.早停C.数据增强D.增大学习率答案：ABC解析：增大学习率可能导致训练不稳定，不能防止过拟合。4.下列哪些属于常用的激活函数？A.ReLUB.SigmoidC.TanhD.Softmax答案：ABCD5.在数据预处理时，处理缺失值的常用方法包括？A.删除含缺失值的样本B.使用均值填充C.使用模型预测填充D.忽略所有缺失值答案：ABC解析：忽略缺失值通常会导致模型输入错误或偏差，不属于规范的缺失值处理方法。6.关于卷积神经网络（CNN），下列说法正确的是？A.卷积核参数共享B.池化层可降低特征图尺寸C.全连接层通常位于网络末端D.卷积层只能处理一维数据答案：ABC解析：卷积层可以处理一维、二维或三维数据，分别对应时序、图像和视频等任务。7.标准Transformer编码器中通常包含哪些组成部分？A.多头自注意力B.前馈神经网络C.层归一化D.卷积层答案：ABC解析：标准Transformer编码器不使用卷积层，主要由多头自注意力、前馈网络和残差连接、层归一化构成。8.关于梯度下降算法，以下说法正确的是？A.批量梯度下降使用全部样本更新参数B.随机梯度下降更新速度快但波动较大C.小批量梯度下降是前两者的折中D.学习率固定时，所有梯度下降变体都能保证收敛到全局最优答案：ABC解析：学习率固定时可能不收敛或收敛到局部最优；非凸问题不能保证全局最优。9.以下哪些属于特征选择的方法？A.过滤法B.包装法C.嵌入法D.随机猜测法答案：ABC10.下列哪些属于负责任人工智能的基本原则？A.公平性B.透明性C.隐私保护D.算法歧视答案：ABC解析：算法歧视违背负责任AI原则，应尽力避免。三、判断题（共10题，每题1分，共10分）1.过拟合是指模型在训练集上表现好，但在测试集上表现差。答案：正确2.决策树只能用于分类问题。答案：错误解析：决策树也可用于回归任务，如CART回归树。3.L2正则化倾向于产生稀疏解。答案：错误解析：L1正则化倾向于产生稀疏解，L2正则化使参数趋近于0但不等于0。4.增加神经网络隐藏层数量一定会提高模型性能。答案：错误5.K-means算法需要预先指定簇的个数K。答案：正确6.数据增强可以增加训练样本多样性，是防止过拟合的有效手段。答案：正确7.在类别极不平衡的二分类问题中，准确率仍然能很好地反映模型性能。答案：错误解析：类别极不平衡时，准确率会偏向多数类，不能有效反映少数类的识别效果。8.循环神经网络（RNN）适合处理序列数据。答案：正确9.在Python中，可以使用importnumpyasnp导入NumPy库。答案：正确10.验证集可以用于选择模型超参数。答案：正确四、简答题（共2题，每题5分，共10分）1.简述偏差与方差的含义，并说明它们与模型复杂度的关系。答案：偏差是模型预测期望与真实值之间的差异，反映模型对数据的拟合能力；方差是模型预测值随训练集的波动大小，反映模型对数据扰动的稳定性。模型复杂度较低时，偏差较大、方差较小，表现为欠拟合；模型复杂度较高时，偏差较小、方差较大，表现为过拟合。理想模型应在偏差与方差之间取得平衡。解析：偏差-方差分解是理解模型泛化性能的核心框架，模型选择时需权衡二者。2.简述卷积神经网络中卷积层与池化层的主要作用。答案：卷积层通过卷积核在输入特征图上滑动计算局部加权和，提取局部特征；卷积核参数共享可以显著减少参数量。池化层对邻域特征进行聚合（如最大池化、平均池化），降低特征图的空间尺寸，保留主要特征，并增强模型对位置变化的一定鲁棒性。五、综合分析题（共1题，共20分）题目：假设你作为人工智能工程师接到一个任务：构建一个客户流失预测模型。数据集包含10万条客户记录，每条记录包含30个特征（如年龄、账户余额、使用频率、投诉次数等）以及一个二分类标签“是否流失”（流失为1，未流失为0），其中流失样本占比约5%。请从数据预处理、特征工程、模型选择、评价指标、过拟合控制、模型部署等方面，给出完整的解决方案，并说明关键参数的设置思路。答案：（1）数据预处理：-处理缺失值与异常值：对缺失比例较低的特征使用均值或中位数填充，缺失比例较高的特征考虑删除或单列“缺失”指示特征；对明显异常值进行截尾或使用鲁棒缩放。-编码类别特征：对无序类别特征采用独热编码，对有序类别特征采用标签编码；高基数类别可考虑目标编码或频率编码。-数值特征标准化或归一化：因后续可能使用树模型和逻辑回归，对逻辑回归需采用标准化，对树模型可不做但为统一流程可全部标准化。-划分数据集：按7:1.5:1.5或8:1:1划分训练集、验证集、测试集，采用分层抽样保证训练集、验证集和测试集中流失比例接近5%。（2）特征工程：-分析特征与目标的相关性，去除低方差特征和高相关特征。-构造业务含义明确的交叉特征，如“月均使用频率×客户年限”“投诉次数/使用频率”等。-对不平衡问题，可在特征层面保留原始分布，在模型训练阶段采用类别权重或采样策略。-使用过滤法、嵌入法（如树模型特征重要性）进行特征筛选，保留对流失预测贡献较大的特征。（3）模型选择：-优先选择适合结构化表格数据的梯度提升树模型，如XGBoost或LightGBM，因其对类别不平衡支持好、可自动处理缺失值、训练效率高。-同时建立逻辑回归作为基线模型，便于比较和进行可解释性分析。-设置关键参数：学习率取0.01～0.1，树最大深度取3～6，子采样比例取0.8左右，正负样本权重设为scale_pos_weight约等于负类数/正类数或采用类权重平衡。（4）评价指标：-由于流失样本仅占5%，不能只看准确率。-重点使用ROC-AUC、PR-AUC和F1-score，同时关注召回率以尽量识别可能流失的客户。-结合业务需求设定阈值：若营销成本高、更重精准率，则调高阈值；若希望不遗漏流失客户，则调低阈值提高召回率。（5）过拟合控制：-使用K折交叉验证评估训练稳定性。-采用早停策略，监控验证集AUC或损失，连续若干轮不再提升则停止训练。-对树模型限制深度和最小叶子样本数；对神经网络进行参数约束。-严格防止数据泄露：测试集信息不得参与训练过程，缺失值填充和标准化拟合只能在训练集上学习并应用于验证集、测试集。（6）模型部署与监控