2025年人工智能基礎(chǔ)及應(yīng)用考試試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)屬于無(wú)監(jiān)督學(xué)習(xí)任務(wù)？A.圖像分類（標(biāo)注數(shù)據(jù)訓(xùn)練）B.客戶分群（無(wú)標(biāo)注數(shù)據(jù)）C.房?jī)r(jià)預(yù)測(cè)（連續(xù)值輸出）D.情感分析（文本標(biāo)簽訓(xùn)練）2.關(guān)于Transformer模型的描述，錯(cuò)誤的是？A.僅使用自注意力機(jī)制B.引入位置編碼解決序列順序問(wèn)題C.編碼器-解碼器結(jié)構(gòu)支持機(jī)器翻譯任務(wù)D.多頭注意力通過(guò)多個(gè)子空間增強(qiáng)特征提取3.在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，3×3卷積核的步長(zhǎng)（stride）為2，填充（padding）為1，輸入特征圖尺寸為32×32×3（H×W×C），則輸出特征圖的高度為？A.16B.17C.32D.154.強(qiáng)化學(xué)習(xí)中，“獎(jiǎng)勵(lì)函數(shù)”的核心作用是？A.定義智能體的目標(biāo)B.優(yōu)化模型參數(shù)C.生成訓(xùn)練數(shù)據(jù)D.加速收斂速度5.以下哪項(xiàng)是自然語(yǔ)言處理（NLP）中“詞嵌入（WordEmbedding）”的典型應(yīng)用？A.文本情感極性判斷B.將單詞映射到低維連續(xù)向量空間C.識(shí)別句子中的實(shí)體名稱D.生成符合語(yǔ)法的新句子6.支持向量機(jī)（SVM）的“最大間隔”目標(biāo)是為了？A.最小化訓(xùn)練誤差B.最大化模型泛化能力C.降低計(jì)算復(fù)雜度D.增強(qiáng)模型可解釋性7.關(guān)于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的描述，正確的是？A.能夠處理任意長(zhǎng)度的序列輸入B.完全解決了長(zhǎng)序列依賴問(wèn)題C.隱藏狀態(tài)僅依賴當(dāng)前輸入D.前向傳播時(shí)無(wú)需保存歷史狀態(tài)8.以下哪種損失函數(shù)適用于二分類任務(wù)？A.均方誤差（MSE）B.交叉熵?fù)p失（Cross-Entropy）C.余弦相似度D.絕對(duì)平均誤差（MAE）9.在知識(shí)圖譜中，“實(shí)體-關(guān)系-實(shí)體”三元組（如“北京-屬于-中國(guó)”）的主要作用是？A.存儲(chǔ)結(jié)構(gòu)化知識(shí)B.優(yōu)化文本生成質(zhì)量C.增強(qiáng)圖像識(shí)別魯棒性D.加速模型訓(xùn)練速度10.遷移學(xué)習(xí)的核心思想是？A.使用大規(guī)模預(yù)訓(xùn)練模型適配小樣本任務(wù)B.僅在相同領(lǐng)域內(nèi)復(fù)用模型參數(shù)C.完全重新訓(xùn)練模型以避免過(guò)擬合D.通過(guò)數(shù)據(jù)增強(qiáng)擴(kuò)大訓(xùn)練集規(guī)模二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)中，“過(guò)擬合”現(xiàn)象指模型在________數(shù)據(jù)上表現(xiàn)良好，但在________數(shù)據(jù)上表現(xiàn)較差。2.卷積神經(jīng)網(wǎng)絡(luò)中的“池化層”主要作用是________和________。3.Transformer模型中的“自注意力”機(jī)制通過(guò)計(jì)算________之間的相似度分配權(quán)重。4.強(qiáng)化學(xué)習(xí)的三要素是________、________和獎(jiǎng)勵(lì)函數(shù)。5.自然語(yǔ)言處理中，“BERT”模型基于________架構(gòu)，采用________預(yù)訓(xùn)練任務(wù)（如掩碼語(yǔ)言模型）。三、簡(jiǎn)答題（每題8分，共32分）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的區(qū)別，并各舉一例說(shuō)明。2.解釋“梯度消失”現(xiàn)象在深度神經(jīng)網(wǎng)絡(luò)中的成因及常見(jiàn)解決方法。3.對(duì)比生成對(duì)抗網(wǎng)絡(luò)（GAN）和變分自編碼器（VAE）在生成數(shù)據(jù)時(shí)的核心差異。4.說(shuō)明“數(shù)據(jù)清洗”在機(jī)器學(xué)習(xí)項(xiàng)目中的重要性，并列舉至少3項(xiàng)數(shù)據(jù)清洗的常見(jiàn)操作。四、計(jì)算題（每題10分，共20分）1.某邏輯回歸模型的參數(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(cè)概率（sigmoid函數(shù)：σ(z)=1/(1+e^(-z))）。2.輸入圖像尺寸為224×224×3（H×W×C），經(jīng)過(guò)以下卷積操作：-卷積核1：3×3，步長(zhǎng)1，填充1，輸出通道數(shù)64-最大池化層1：2×2，步長(zhǎng)2-卷積核2：3×3，步長(zhǎng)1，填充1，輸出通道數(shù)128計(jì)算兩次卷積和池化后的特征圖尺寸（高度×寬度×通道數(shù)）。五、綜合應(yīng)用題（8分）設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的“商品評(píng)論情感分析”系統(tǒng)，要求：（1）描述系統(tǒng)的主要模塊及功能；（2）說(shuō)明數(shù)據(jù)預(yù)處理的關(guān)鍵步驟；（3）選擇合適的模型（如BERT、LSTM等）并解釋理由；（4）列出至少3個(gè)評(píng)估模型性能的指標(biāo)。參考答案一、單項(xiàng)選擇題1.B2.A3.B4.A5.B6.B7.A8.B9.A10.A二、填空題1.訓(xùn)練；測(cè)試2.降低特征維度（或下采樣）；提取局部不變性特征3.查詢（Query）與鍵（Key）4.智能體（Agent）；環(huán)境（Environment）5.Transformer編碼器；雙向三、簡(jiǎn)答題1.區(qū)別與示例：-監(jiān)督學(xué)習(xí)：使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練（如用標(biāo)注好的圖片訓(xùn)練分類模型識(shí)別貓和狗）；-無(wú)監(jiān)督學(xué)習(xí)：使用無(wú)標(biāo)簽數(shù)據(jù)發(fā)現(xiàn)模式（如用用戶行為數(shù)據(jù)聚類劃分客戶群體）；-半監(jiān)督學(xué)習(xí)：結(jié)合少量標(biāo)簽數(shù)據(jù)和大量無(wú)標(biāo)簽數(shù)據(jù)（如用少量標(biāo)注的醫(yī)療文本和大量未標(biāo)注文本訓(xùn)練疾病分類模型）。2.梯度消失成因及解決方法：成因：深度神經(jīng)網(wǎng)絡(luò)中，反向傳播時(shí)梯度通過(guò)多層激活函數(shù)（如Sigmoid）后逐漸衰減，導(dǎo)致淺層網(wǎng)絡(luò)參數(shù)更新緩慢；解決方法：-使用ReLU等非飽和激活函數(shù)；-采用殘差網(wǎng)絡(luò)（ResNet）引入跳躍連接；-批量歸一化（BatchNorm）穩(wěn)定各層輸入分布；-合理初始化權(quán)重（如He初始化）。3.GAN與VAE的核心差異：-生成機(jī)制：GAN通過(guò)生成器與判別器的對(duì)抗博弈生成數(shù)據(jù)；VAE通過(guò)編碼器-解碼器結(jié)構(gòu)建模數(shù)據(jù)分布的概率密度；-數(shù)據(jù)質(zhì)量：GAN生成的樣本更接近真實(shí)數(shù)據(jù)分布，但訓(xùn)練不穩(wěn)定；VAE生成的樣本較模糊，但訓(xùn)練更穩(wěn)定；-可解釋性：VAE顯式建模概率分布，具有更好的數(shù)學(xué)可解釋性；GAN依賴隱式分布擬合，可解釋性較弱。4.數(shù)據(jù)清洗的重要性及操作：重要性：臟數(shù)據(jù)（如缺失值、噪聲、異常值）會(huì)導(dǎo)致模型訓(xùn)練偏差，降低泛化能力；常見(jiàn)操作：-處理缺失值（刪除、均值/中位數(shù)填充、模型預(yù)測(cè)填充）；-去除異常值（基于Z-score、IQR方法檢測(cè)并修正）；-糾正數(shù)據(jù)格式錯(cuò)誤（如日期格式統(tǒng)一）；-去重（刪除重復(fù)樣本）；-處理類別不平衡（過(guò)采樣、欠采樣或調(diào)整類別權(quán)重）。四、計(jì)算題1.邏輯回歸預(yù)測(cè)概率計(jì)算：線性組合z=w·x+b=0.5×2+(-0.3)×4+0.2=1-1.2+0.2=0；預(yù)測(cè)概率p=σ(z)=1/(1+e^0)=0.5。2.特征圖尺寸計(jì)算：-卷積核1后尺寸：(224+2×1-3)/1+1=224（H=224，W=224），通道數(shù)64；-最大池化層1后尺寸：224/2=112（H=112，W=112），通道數(shù)64；-卷積核2后尺寸：(112+2×1-3)/1+1=112（H=112，W=112），通道數(shù)128；最終尺寸：112×112×128。五、綜合應(yīng)用題系統(tǒng)設(shè)計(jì)方案：（1）主要模塊及功能：-數(shù)據(jù)采集模塊：爬取電商平臺(tái)商品評(píng)論數(shù)據(jù)；-數(shù)據(jù)預(yù)處理模塊：清洗、分詞、向量化；-模型訓(xùn)練模塊：加載預(yù)訓(xùn)練模型（如BERT）微調(diào)；-預(yù)測(cè)與輸出模塊：對(duì)新評(píng)論輸出情感極性（積極/消極/中性）。（2）數(shù)據(jù)預(yù)處理關(guān)鍵步驟：-清洗：去除廣告、重復(fù)評(píng)論、非文本內(nèi)容；-分詞：使用中文分詞工具（如jieba）分割句子；-去停用詞：過(guò)濾“的”“了”等無(wú)意義詞匯；-標(biāo)簽對(duì)齊：將評(píng)論標(biāo)注為積極（如4-5星）、消極（1-2星）、中性（3星）；-文本向量化：通過(guò)BERTtokenizer轉(zhuǎn)換為輸入ID、注意力掩碼等。（3）模型選擇及理由：選擇BERT模型。理由：BERT基于雙向Transformer，能捕捉上下文語(yǔ)義依賴；預(yù)訓(xùn)練階段學(xué)習(xí)了大量文本的通用特征，微調(diào)時(shí)僅需少量標(biāo)注數(shù)