2025年人工智能基礎(chǔ)知識考試卷及答案一、單項(xiàng)選擇題（每題2分，共30分）1.以下哪項(xiàng)屬于監(jiān)督學(xué)習(xí)任務(wù)？A.聚類分析B.異常檢測C.圖像分類（帶標(biāo)簽數(shù)據(jù)集）D.主成分分析（PCA）2.邏輯回歸模型中，sigmoid函數(shù)的作用是？A.將線性輸出映射到[0,1]區(qū)間B.增強(qiáng)模型的非線性表達(dá)能力C.減少過擬合風(fēng)險(xiǎn)D.加速梯度下降收斂3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，“局部感受野”設(shè)計(jì)的主要目的是？A.減少參數(shù)量B.提取全局上下文信息C.增加模型深度D.提高模型的平移不變性4.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）難以處理長序列依賴的主要原因是？A.梯度爆炸或消失B.參數(shù)量過大C.輸入維度不固定D.無法并行計(jì)算5.Transformer模型中，“多頭注意力”機(jī)制的核心作用是？A.同時(shí)關(guān)注不同子空間的上下文信息B.減少模型計(jì)算復(fù)雜度C.替代循環(huán)結(jié)構(gòu)以支持并行計(jì)算D.增強(qiáng)模型的記憶能力6.以下哪項(xiàng)不屬于自然語言處理（NLP）的基礎(chǔ)任務(wù)？A.命名實(shí)體識別（NER）B.機(jī)器翻譯（MT）C.圖像分割（Segmentation）D.文本分類（TextClassification）7.支持向量機(jī)（SVM）的核心優(yōu)化目標(biāo)是？A.最小化訓(xùn)練誤差B.最大化分類間隔C.最小化正則化項(xiàng)D.最大化預(yù)測準(zhǔn)確率8.強(qiáng)化學(xué)習(xí)中，“獎(jiǎng)勵(lì)函數(shù)”的作用是？A.定義智能體的目標(biāo)B.替代監(jiān)督學(xué)習(xí)的標(biāo)簽C.加速模型訓(xùn)練D.減少狀態(tài)空間復(fù)雜度9.以下哪種損失函數(shù)適用于多分類任務(wù)？A.均方誤差（MSE）B.交叉熵?fù)p失（Cross-Entropy）C.Hinge損失D.對數(shù)損失（LogLoss）10.決策樹中，“信息增益”的計(jì)算基于？A.基尼系數(shù)（GiniIndex）B.熵（Entropy）C.均方誤差D.互信息（MutualInformation）11.生成對抗網(wǎng)絡(luò)（GAN）由哪兩個(gè)部分組成？A.編碼器（Encoder）和解碼器（Decoder）B.生成器（Generator）和判別器（Discriminator）C.前饋網(wǎng)絡(luò)（Feedforward）和循環(huán)網(wǎng)絡(luò)（Recurrent）D.卷積層（Conv）和全連接層（FC）12.以下哪項(xiàng)是遷移學(xué)習(xí)（TransferLearning）的典型應(yīng)用場景？A.利用大規(guī)模預(yù)訓(xùn)練模型（如BERT）微調(diào)特定任務(wù)B.在小數(shù)據(jù)集上直接訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)C.通過強(qiáng)化學(xué)習(xí)優(yōu)化游戲策略D.使用k-means算法進(jìn)行客戶分群13.模型過擬合（Overfitting）的主要表現(xiàn)是？A.訓(xùn)練誤差小，測試誤差大B.訓(xùn)練誤差大，測試誤差小C.訓(xùn)練誤差和測試誤差均大D.訓(xùn)練誤差和測試誤差均小14.梯度下降（GradientDescent）的“學(xué)習(xí)率”設(shè)置過大會導(dǎo)致？A.模型收斂速度變慢B.梯度消失C.模型震蕩甚至不收斂D.過擬合風(fēng)險(xiǎn)增加15.以下哪項(xiàng)屬于無監(jiān)督學(xué)習(xí)？A.用標(biāo)注好的貓狗圖片訓(xùn)練分類器B.用用戶點(diǎn)擊數(shù)據(jù)訓(xùn)練推薦系統(tǒng)C.用未標(biāo)注的用戶行為數(shù)據(jù)進(jìn)行聚類D.用帶標(biāo)簽的語音數(shù)據(jù)訓(xùn)練語音識別模型二、填空題（每題2分，共20分）1.機(jī)器學(xué)習(xí)的三要素是模型、策略和__________。2.深度學(xué)習(xí)中，常用的激活函數(shù)除了ReLU，還有__________（至少寫一個(gè)）。3.自然語言處理中，將文本轉(zhuǎn)換為向量的常用方法包括詞袋模型（Bag-of-Words）和__________（如Word2Vec、BERT）。4.卷積操作的三個(gè)關(guān)鍵參數(shù)是卷積核大小、步長（Stride）和__________（Padding）。5.強(qiáng)化學(xué)習(xí)的核心要素包括狀態(tài)（State）、動(dòng)作（Action）、獎(jiǎng)勵(lì)（Reward）和__________（Policy）。6.決策樹的剪枝方法分為預(yù)剪枝（Pre-Pruning）和__________（Post-Pruning）。7.生成式模型（GenerativeModel）與判別式模型（DiscriminativeModel）的區(qū)別在于是否學(xué)習(xí)__________（聯(lián)合概率分布/條件概率分布）。8.神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，批量歸一化（BatchNormalization）的主要作用是__________（加速訓(xùn)練、緩解梯度消失等）。9.多模態(tài)學(xué)習(xí)（MultimodalLearning）是指融合__________（如文本、圖像、語音）等多種類型數(shù)據(jù)的學(xué)習(xí)方法。10.AI倫理的核心問題包括隱私保護(hù)、算法公平性和__________（如責(zé)任歸屬、可解釋性等）。三、簡答題（每題6分，共30分）1.簡述過擬合的定義、產(chǎn)生原因及至少兩種解決方法。2.對比卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的適用場景，并舉例說明。3.解釋Transformer模型中“自注意力機(jī)制”（Self-Attention）的工作原理。4.什么是“遷移學(xué)習(xí)”？為什么它在實(shí)際應(yīng)用中具有重要價(jià)值？5.列舉強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)的三個(gè)主要區(qū)別。四、計(jì)算題（共20分）1.（8分）假設(shè)有一個(gè)二分類邏輯回歸模型，其參數(shù)為w=[0.5,-0.3]，b=0.2。輸入樣本x=[2,4]，計(jì)算該樣本的預(yù)測概率p(y=1|x)（要求寫出sigmoid函數(shù)公式及計(jì)算過程）。2.（6分）某數(shù)據(jù)集包含3個(gè)類別，樣本數(shù)分別為C1:10個(gè)，C2:20個(gè)，C3:30個(gè)。計(jì)算該數(shù)據(jù)集的信息熵（要求寫出熵的計(jì)算公式及計(jì)算過程）。3.（6分）一個(gè)簡單神經(jīng)網(wǎng)絡(luò)的前向傳播過程為：輸入x=3，經(jīng)過線性層z=wx+b（w=2，b=1），再經(jīng)過ReLU激活函數(shù)a=ReLU(z)，最后輸出y=a。假設(shè)損失函數(shù)為MSE，真實(shí)值y_true=5，計(jì)算輸出層到輸入層的梯度（即?L/?w和?L/?b，要求寫出反向傳播步驟）。答案一、單項(xiàng)選擇題1-5:CAAAA6-10:CBABB11-15:BAACC二、填空題1.算法2.Sigmoid/Tanh（任寫一個(gè)）3.詞嵌入（WordEmbedding）4.填充（Padding）5.策略（Policy）6.后剪枝7.聯(lián)合概率分布8.減少內(nèi)部協(xié)變量偏移（或加速訓(xùn)練、穩(wěn)定梯度）9.多模態(tài)數(shù)據(jù)（或不同模態(tài)數(shù)據(jù)）10.可解釋性（或責(zé)任歸屬、倫理風(fēng)險(xiǎn)等）三、簡答題1.過擬合定義：模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過的測試數(shù)據(jù)上表現(xiàn)差，泛化能力弱。產(chǎn)生原因：模型復(fù)雜度過高（如參數(shù)過多）、訓(xùn)練數(shù)據(jù)量不足、數(shù)據(jù)噪聲干擾。解決方法：正則化（L1/L2正則）、增加訓(xùn)練數(shù)據(jù)、早停（EarlyStopping）、dropout層、特征選擇。2.適用場景對比：-CNN：適合處理局部空間相關(guān)性強(qiáng)的數(shù)據(jù)（如圖像），通過卷積核提取局部特征，平移不變性強(qiáng)。例如：圖像分類（ResNet）。-RNN：適合處理序列數(shù)據(jù)（如文本、時(shí)間序列），通過循環(huán)結(jié)構(gòu)捕捉時(shí)序依賴。例如：文本生成（LSTM）。3.自注意力機(jī)制原理：自注意力計(jì)算輸入序列中每個(gè)位置與其他所有位置的相關(guān)性，生成注意力權(quán)重。具體步驟：-對輸入向量計(jì)算查詢（Query）、鍵（Key）、值（Value）矩陣；-計(jì)算Q與K的點(diǎn)積，得到注意力分?jǐn)?shù)；-分?jǐn)?shù)經(jīng)SoftMax歸一化得到權(quán)重；-權(quán)重與V加權(quán)求和，得到上下文感知的輸出。4.遷移學(xué)習(xí)定義：將從源任務(wù)（如大規(guī)模預(yù)訓(xùn)練）學(xué)到的知識遷移到目標(biāo)任務(wù)（如特定領(lǐng)域微調(diào)），避免從頭訓(xùn)練。價(jià)值：解決小樣本學(xué)習(xí)問題、降低計(jì)算成本、利用已有知識提升目標(biāo)任務(wù)性能（如BERT微調(diào)用于情感分析）。5.主要區(qū)別：-監(jiān)督學(xué)習(xí)依賴標(biāo)注數(shù)據(jù)，強(qiáng)化學(xué)習(xí)通過試錯(cuò)和獎(jiǎng)勵(lì)信號學(xué)習(xí)；-監(jiān)督學(xué)習(xí)輸入獨(dú)立同分布，強(qiáng)化學(xué)習(xí)數(shù)據(jù)有時(shí)間依賴性（序列性）；-監(jiān)督學(xué)習(xí)目標(biāo)是最小化預(yù)測誤差，強(qiáng)化學(xué)習(xí)目標(biāo)是最大化長期累積獎(jiǎng)勵(lì)。四、計(jì)算題1.邏輯回歸預(yù)測概率計(jì)算：sigmoid函數(shù)公式：σ(z)=1/(1+e^(-z))，其中z=w·x+b。計(jì)算z=0.5×2+(-0.3)×4+0.2=1-1.2+0.2=0p(y=1|x)=σ(0)=1/(1+e^0)=0.52.信息熵計(jì)算：總樣本數(shù)N=10+20+30=60，各類別概率p1=10/60=1/6，p2=20/60=1/3，p3=30/60=1/2。熵公式：H=-Σ(p_ilog?p_i)計(jì)算：H=-[(1/6)log?(1/6)+(1/3)log?(1/3)+(1/2)log?(1/2)]=-[(1/6)(-log?6)+(1/3)(-log?3)+(1/2)(-1)]=(log?6)/6+(log?3)/3+0.5≈(2.585)/6+(1.585)/3+0.5≈0.431+0.528+0.5=1.459（比特）3.反向傳播梯度計(jì)算：前向傳播：z=2×3+1=7，a=ReLU(7)=7，y=7。損失L=MSE=0.5×(7-5)2=0.5×4=2（或直接用(y-y_true)2，此處用0.5MSE不影響梯度方向）。反向傳播：?L/?y=2×(y-y_true)=2×(7-5)=4（若用MSE原式，梯度為(y-y_true)=2）；?y/?a=1（因y=a）；?a/?z=1（因z=7>0，ReLU導(dǎo)數(shù)為1）；?z/?w=x=3，?z/?b=