2026年人工智能工程师算法实践考察试题及答案

2026年人工智能工程师算法实践考察试题及答案一、单项选择题（每题2分，共20分）1.关于大O记号，下列说法正确的是：A.O(n)B.O(n)C.O(n)D.O(2.在Python中执行下列代码后，变量b的值为：a=[1,2,3,4]

b=a[::-1]A.[1,2,3,4]B.[4,3,2,1]C.[4,2]D.程序报错答案：B解析：[::-1]表示从后向前以步长1取整个列表，得到倒序副本。3.快速排序的平均时间复杂度为：A.OB.OC.OD.O4.逻辑回归中，使用Sigmoid函数将线性输出z映射到：A.(B.(C.[D.(5.关于K折交叉验证，下列说法正确的是：A.K值越大，每次用于训练的数据比例越高B.K值越大，训练成本越低C.K值越大，验证集数据比例越高D.K值大小不影响训练集规模6.下列哪种正则化方法可以在优化后使部分参数自动变为0，从而得到稀疏模型？A.L2正则化B.Lasso（L1正则化）C.DropoutD.批归一化7.CART分类树默认使用的纯度划分指标是：A.信息熵B.信息增益率C.基尼指数D.均方误差8.关于深度神经网络的梯度消失问题，下列说法最准确的是：A.损失函数陷入局部极小值导致梯度为零B.反向传播中梯度逐层连乘，靠近输入层的梯度变得极小，训练难以更新C.输入数据噪声过大导致梯度消失D.学习率设置过大导致梯度消失9.在支持向量机中，引入核函数的主要目的是：A.降低模型复杂度B.将低维空间中的数据映射到高维特征空间，使其线性可分C.减少训练时间D.消除异常值的影响10.下列关于PCA的说法，错误的是：A.PCA是一种线性降维方法B.PCA将数据投影到方差最大的方向C.PCA常被用于数据可视化D.PCA是一种有监督学习方法二、多项选择题（每题3分，共15分）1.下列属于无监督学习算法的有：A.K-meansB.PCAC.线性回归D.Apriori2.关于随机梯度下降（SGD）与小批量梯度下降（Mini-batchGD），下列说法正确的有：A.SGD每次迭代只使用一个样本计算梯度B.Mini-batchGD每次迭代使用一小批样本计算梯度C.SGD的损失曲线通常平滑下降，没有振荡D.Mini-batchGD可以借助GPU实现并行加速3.下列措施中，可以有效缓解模型过拟合的有：A.增加训练样本数量B.使用L2正则化C.降低模型复杂度D.大幅提高学习率4.关于常见时间复杂度的大小关系，下列排序正确的有：A.OB.OC.OD.O5.关于Transformer模型，下列说法正确的有：A.核心模块是自注意力机制B.可以并行处理序列中各位置C.通过位置编码引入序列顺序信息D.必须依赖循环神经网络结构三、判断题（每题1分，共10分）1.二分查找要求数组必须是有序的。2.动态规划问题必须保存所有子问题的解，无法进行空间优化。3.Softmax函数的输出向量中各元素之和等于1。4.在神经网络中，ReLU函数在输入大于0时导数为1，在输入小于0时导数为0。5.均方误差（MSE）对异常值不敏感，因此回归问题应优先使用MAE。6.特征缩放可以加快梯度下降类算法的收敛速度。7.在KNN中，K值越小，模型越容易受到噪声样本影响，越容易过拟合。8.随机森林中的每一棵树通常使用全部训练样本进行训练。9.在机器学习中，缺失值可以用该列特征的均值或中位数进行插补。10.批归一化在深度网络中通常可以允许使用较大的学习率，从而加快收敛。四、简答题（每题5分，共15分）1.简述梯度下降法中学习率设置过大或过小可能造成的影响，并给出一种常见的学习率调整策略。2.简述L1正则化与L2正则化的区别，并说明为什么L1正则化可产生稀疏解。3.简述批归一化（BatchNormalization）在深度神经网络训练中的主要作用。五、编程题（每题20分，共40分）1.给定一个整数数组nums，请找出一个具有最大和的连续子数组（子数组至少包含一个元素），返回其最大和。要求：（1）说明算法思想；（2）使用Python实现；（3）分析时间复杂度和空间复杂度。示例：输入nums=[-2,1,-3,4,-1,2,1,-5,4]，输出6（对应子数组[4,-1,2,1]）。d初始dp[0]=nu参考代码：defmax_subarray_sum(nums):

cur=best=nums[0]

forxinnums[1:]:

cur=max(x,cur+x)

best=max(best,cur)

returnbest时间复杂度：O(n)空间复杂度：O(解析：该算法即Kadane算法。若cur+x<x，说明前面的累加和对后续子数组是负贡献，应从x重新开始。2.使用Python/NumPy实现二分类逻辑回归的批量梯度下降训练过程。要求：（1）写出交叉熵损失函数及其梯度公式；（2）实现sigmoid函数、损失计算和参数更新核心代码；（3）给出完整的迭代训练函数。假设特征矩阵X形状为(m,n)，标签y为0/1向量，参数w形状为(n,)，偏置b为标量。y交叉熵损失为：J梯度为：∂∂参考代码：importnumpyasnp

defsigmoid(z):

return1/(1+np.exp(-z))

defcompute_loss(X,y,w,b):

m=len(y)

z=X@w+b

a=sigmoid(z)

eps=1e-12

a=np.clip(a,eps,1-eps)

loss=-np.mean(y*np.log(a)+(1-y)*np.log(1-a))

returnloss

deftrain_logistic(X,y,lr=0.1,epochs=100):

m,n=X.shape

w=np.zeros(n)

b=0.0

for_inrange(epochs):

z=X@w+b

a=sigmoid(z)

dw=(X.T@(a-y))/m

db=np.mean(a-y)

w-=lr*dw

b-=lr*db

returnw,b时间复杂度：每次迭代计算一次矩阵乘法，复杂度为O(mn)；总复杂度为解析：核心更新方向由误差项a−y决定。实际工程中，可对sigmoid进行分段数值稳定处理，或使用参考答案与解析一、单项选择题1.答案：A解析：大O记号描述渐近上界，忽略常数因子，不表示具体时间。3.答案：B解析：平均情况下为O(nlog4.答案：B解析：Sigmoid输出在(05.答案：A解析：K折时将数据分为K份，训练集占(K6.答案：B7.答案：C解析：CART分类树基于基尼指数选择划分特征；ID3使用信息增益，C4.5使用信息增益率。8.答案：B9.答案：B10.答案：D解析：PCA不依赖类别标签，属于无监督学习方法。二、多项选择题1.答案：A、B、D解析：K-means、PCA、Apriori均不需要标签；线性回归是监督学习。2.答案：A、B、D解析：SGD每次只用一个样本，梯度具有随机性，损失曲线通常有振荡；C错误。3.答案：A、B、C解析：大幅提高学习率可能导致不收敛，甚至发散，不能缓解过拟合。4.答案：A、C解析：$O(1)$是常数阶，快于$O(n)$；指数阶$O(2^n)$慢于多项式阶$O(n^3)$。5.答案：A、B、C解析：Transformer不使用RNN/CNN等序列循环结构，D错误。三、判断题1.答案：正确2.答案：错误解析：许多动态规划问题可以使用滚动数组等方式压缩空间。3.答案：正确4.答案：正确5.答案：错误解析：MSE对误差平方，会放大异常值的影响，对异常值敏感。6.答案：正确7.答案：正确8.答案：错误解析：随机森林使用Bootstrap有放回抽样，每棵树使用不同的样本子集。9.答案：正确10.答案：正确四、简答题1.答案：学习率过大时，参数更新步长过大，损失函数可能在最优点附近来回振荡，甚至发散，导致模型无法收敛。学习率过小时，参数更新缓慢，训练时间长，且容易停滞在局部最优点。常见策略：学习率衰减，例如按训练轮次逐渐降低学习率；也可以使用Adam等自适应学习率优化器动态调整每一步的更新幅度。解析：在实际训练中，常配合预热（warm-up）、余弦退火等方式进一步稳定训练。2.答案：L1正则化在损失函数中加入参数绝对值和λj​|解析：稀疏性还可降低模型