2026年常州大学单招试题及答案

2026年常州大学单招试题及答案考试时长：120分钟满分：100分班级：__________姓名：__________学号：__________得分：__________一、单选题（总共10题，每题2分，总分20分）1.下列关于人工智能伦理原则的说法，错误的是（）A.公平性要求算法决策不歧视特定群体B.可解释性要求模型决策过程必须透明C.数据隐私要求必须匿名化所有个人数据D.可控性要求人类始终掌握最终决策权2.在机器学习模型训练中，过拟合现象的主要表现是（）A.模型训练误差和测试误差均较高B.模型训练误差低，测试误差高C.模型训练误差和测试误差均极低D.模型对训练数据泛化能力差3.下列不属于自然语言处理（NLP）核心技术的是（）A.机器翻译B.情感分析C.图像识别D.文本生成4.神经网络中，激活函数的主要作用是（）A.增加模型参数数量B.非线性映射输入数据C.减少模型训练时间D.自动调整学习率5.下列关于强化学习的描述，错误的是（）A.通过环境交互学习最优策略B.需要预先定义奖励函数C.适用于所有类型的问题D.可能存在探索-利用困境6.在深度学习中，Dropout技术的主要目的是（）A.增加网络层数B.减少过拟合C.提高计算效率D.调整学习率7.下列关于大数据特征的描述，错误的是（）A.海量性指数据规模巨大B.高速性指数据生成速度快C.多样性指数据类型单一D.价值性指数据具有商业价值8.在卷积神经网络（CNN）中，池化层的主要作用是（）A.增加网络参数B.降低特征维度C.提高模型复杂度D.增强数据隐私9.下列关于生成对抗网络（GAN）的说法，错误的是（）A.由生成器和判别器组成B.通过对抗训练生成数据C.存在模式崩溃问题D.必须使用循环神经网络10.在机器学习模型评估中，F1分数适用于（）A.分类问题不平衡数据B.回归问题C.深度学习模型优化D.强化学习策略评估二、填空题（总共10题，每题2分，总分20分）1.人工智能的核心目标是实现______智能体。2.决策树算法中，常用的分裂标准包括______和______。3.深度学习模型中，反向传播算法通过______链式法则计算梯度。4.强化学习中，______是指智能体在特定状态下采取行动后获得的即时奖励。5.自然语言处理中，词嵌入技术如______将词语映射到低维向量空间。6.卷积神经网络中，______层负责提取局部特征。7.大数据技术中，Hadoop生态系统主要包括______和______。8.机器学习模型中，交叉验证主要用于______。9.生成对抗网络中，生成器试图欺骗______。10.人工智能伦理中，______原则要求系统行为符合人类价值观。三、判断题（总共10题，每题2分，总分20分）1.深度学习模型必须使用GPU进行训练。（）2.支持向量机（SVM）适用于高维数据分类。（）3.人工智能可以完全替代人类进行创造性工作。（）4.强化学习不需要环境反馈信息。（）5.长短期记忆网络（LSTM）适用于处理时序数据。（）6.机器学习模型的所有参数都必须可解释。（）7.大数据时代，数据采集越频繁越好。（）8.卷积神经网络只能处理图像数据。（）9.生成对抗网络可以用于数据增强。（）10.人工智能伦理问题在技术成熟后才需要关注。（）四、简答题（总共4题，每题4分，总分16分）1.简述人工智能伦理的主要原则及其意义。2.解释过拟合和欠拟合的概念，并说明如何解决。3.描述自然语言处理中词嵌入技术的原理及其应用。4.比较监督学习、无监督学习和强化学习的区别。五、应用题（总共4题，每题6分，总分24分）1.假设你要设计一个垃圾分类系统，请简述如何选择合适的机器学习模型，并说明数据预处理的关键步骤。2.描述生成对抗网络（GAN）在图像生成任务中的应用，并分析其可能存在的局限性。3.假设你收集了某城市过去一年的交通流量数据，请说明如何使用时间序列分析方法预测未来一周的交通拥堵情况。4.设计一个简单的强化学习场景（如迷宫寻路），说明智能体的状态、动作和奖励函数的设计思路。【标准答案及解析】一、单选题1.C（数据隐私要求在保护个人隐私的同时允许匿名化处理，而非所有数据必须匿名化）2.B（过拟合指模型在训练数据上表现极好，但在测试数据上表现差）3.C（图像识别属于计算机视觉领域，而非自然语言处理）4.B（激活函数引入非线性，使神经网络能拟合复杂函数）5.C（强化学习不适用于所有问题，如需要长期规划的任务）6.B（Dropout通过随机丢弃神经元，减少模型对单个神经元的依赖，防止过拟合）7.C（多样性指数据类型丰富，如文本、图像、音频等）8.B（池化层通过下采样降低特征维度，减少计算量）9.D（GAN不需要使用循环神经网络，适用于图像生成等任务）10.A（F1分数综合考虑精确率和召回率，适用于不平衡数据分类）二、填空题1.通用2.信息增益、基尼系数3.权重4.奖励5.Word2Vec6.卷积7.Hadoop、Spark8.模型评估和选择9.判别器10.可解释性三、判断题1.×（深度学习可使用CPU，但GPU加速更高效）2.√（SVM在高维空间中表现良好）3.×（人工智能目前无法完全替代人类创造性工作）4.×（强化学习依赖环境反馈）5.√（LSTM通过门控机制处理时序数据）6.×（部分模型如深度学习参数不可解释）7.×（数据采集需遵守隐私法规）8.×（CNN也可处理文本等序列数据）9.√（GAN可生成类似真实的数据用于训练）10.×（伦理问题需贯穿技术发展始终）四、简答题1.人工智能伦理原则包括公平性、可解释性、透明性、隐私保护、责任追究等。意义在于确保技术发展符合人类价值观，避免歧视、偏见和滥用。（4分）2.过拟合指模型对训练数据过度拟合，泛化能力差；欠拟合指模型过于简单，无法捕捉数据规律。解决方法：过拟合可通过正则化、交叉验证；欠拟合可通过增加模型复杂度、特征工程。（4分）3.词嵌入技术将词语映射为低维向量，保留语义关系。应用包括文本分类、情感分析、机器翻译等。（4分）4.监督学习需标注数据，如分类、回归；无监督学习处理未标注数据，如聚类、降维；强化学习通过奖励机制学习策略，如游戏AI。（4分）五、应用题1.模型选择：可使用SVM或深度学习模型（如CNN）；数据预处理：清洗数据、归一化、标注类别。（6分）2.GAN应用：生成逼真图像（如人脸、风景）。局限性：训练不稳定、模式崩溃、难以控制生成