2025年人工智能應用基礎知識考試題及答案一、單項選擇題（每題2分，共20分）1.以下哪種機器學習任務屬于監(jiān)督學習？A.對用戶評論進行情感分類（積極/消極）B.基于用戶瀏覽記錄聚類劃分興趣群體C.從無標簽圖像中學習特征表示D.通過強化學習訓練游戲AI2.在深度學習中，ReLU（修正線性單元）激活函數(shù)的主要優(yōu)點是？A.解決梯度爆炸問題B.避免過擬合C.緩解梯度消失問題D.提高計算效率3.自然語言處理（NLP）中，BERT模型與Word2Vec的核心區(qū)別在于？A.BERT基于循環(huán)神經(jīng)網(wǎng)絡，Word2Vec基于卷積神經(jīng)網(wǎng)絡B.BERT是上下文相關的詞表示模型，Word2Vec是上下文無關的C.BERT僅支持英文，Word2Vec支持多語言D.BERT訓練不需要標注數(shù)據(jù)，Word2Vec需要4.計算機視覺中，F(xiàn)asterR-CNN與YOLO模型的主要差異是？A.FasterR-CNN是單階段檢測，YOLO是雙階段檢測B.FasterR-CNN使用區(qū)域建議網(wǎng)絡（RPN），YOLO直接回歸邊界框C.YOLO的檢測精度更高，F(xiàn)asterR-CNN的速度更快D.YOLO僅支持目標分類，F(xiàn)asterR-CNN支持目標定位5.以下哪項不屬于機器學習的三要素？A.模型假設空間B.數(shù)據(jù)預處理方法C.損失函數(shù)設計D.優(yōu)化算法6.在強化學習中，“獎勵函數(shù)”的主要作用是？A.定義智能體的策略網(wǎng)絡結構B.衡量智能體在環(huán)境中某一狀態(tài)下的表現(xiàn)C.生成訓練所需的樣本數(shù)據(jù)D.防止模型過擬合7.以下哪種數(shù)據(jù)增強方法不適用于自然語言處理任務？A.隨機替換句子中的同義詞B.隨機刪除句子中的部分詞匯C.對圖像進行旋轉(zhuǎn)或翻轉(zhuǎn)D.調(diào)整句子中詞匯的順序（非關鍵位置）8.遷移學習的核心思想是？A.將已訓練模型的參數(shù)直接復制到新任務中使用B.利用源任務的知識提升目標任務的性能，減少目標任務對數(shù)據(jù)量的需求C.同時訓練多個任務，共享底層特征提取層D.通過對抗訓練增強模型的泛化能力9.生成對抗網(wǎng)絡（GAN）中，生成器（Generator）和判別器（Discriminator）的訓練目標是？A.生成器試圖欺騙判別器，判別器試圖正確區(qū)分真實數(shù)據(jù)和生成數(shù)據(jù)B.兩者共同優(yōu)化，使生成數(shù)據(jù)與真實數(shù)據(jù)的分布完全一致C.生成器最大化判別器的準確率，判別器最小化生成器的損失D.生成器和判別器的目標函數(shù)完全相同10.AI倫理中“可解釋性”的核心要求是？A.模型必須輸出詳細的推理過程文本B.模型決策邏輯能夠被人類理解，避免“黑箱”操作C.模型參數(shù)必須公開可查D.模型訓練數(shù)據(jù)必須完全透明二、填空題（每空2分，共20分）1.機器學習中，根據(jù)訓練數(shù)據(jù)是否包含標簽，可分為監(jiān)督學習、無監(jiān)督學習和__________。2.深度學習中，卷積神經(jīng)網(wǎng)絡（CNN）的核心操作是__________，其作用是提取局部空間特征。3.自然語言處理中，Transformer模型的核心機制是__________，允許模型在處理序列時動態(tài)關注不同位置的信息。4.強化學習的三要素是__________、動作（Action）和獎勵（Reward）。5.過擬合的本質(zhì)是模型在__________數(shù)據(jù)上表現(xiàn)良好，但在__________數(shù)據(jù)上性能下降。6.計算機視覺中，圖像分類任務常用的評估指標包括準確率（Accuracy）、精確率（Precision）、召回率（Recall）和__________（綜合精確率與召回率的指標）。7.生成式AI中，除了GAN，另一種主流模型是__________（如GPT系列），其基于自回歸語言模型。8.機器學習中，常用的正則化方法包括L1正則化、L2正則化和__________（通過隨機丟棄神經(jīng)元防止過擬合）。三、簡答題（每題8分，共40分）1.簡述監(jiān)督學習與無監(jiān)督學習的區(qū)別，并各舉一個典型應用場景。2.解釋“梯度消失”現(xiàn)象及其對深度神經(jīng)網(wǎng)絡訓練的影響，列舉兩種緩解梯度消失的方法。3.自然語言處理中，為什么需要“詞嵌入（WordEmbedding）”技術？對比Word2Vec和GloVe的異同。4.計算機視覺中，目標檢測任務與圖像分類任務的核心區(qū)別是什么？列舉兩種主流目標檢測模型并說明其特點。5.結合AI倫理，說明“數(shù)據(jù)偏見”可能導致的風險，并提出至少兩種緩解數(shù)據(jù)偏見的方法。四、綜合應用題（20分）假設你需要為某電商平臺設計一個“商品評論情感分析系統(tǒng)”（判斷評論是正面、負面或中性），請基于人工智能技術完成以下任務：（1）描述系統(tǒng)的整體技術流程（需包含數(shù)據(jù)收集、預處理、模型選擇、訓練、評估等關鍵步驟）；（2）選擇一種適合的深度學習模型（如CNN、RNN、Transformer等），并說明選擇理由；（3）列出至少3個評估該系統(tǒng)性能的指標，并解釋其含義。答案一、單項選擇題1.A（監(jiān)督學習需要標簽，情感分類的標簽是“積極/消極”）2.C（ReLU在輸入>0時梯度為1，緩解了sigmoid等函數(shù)的梯度消失問題）3.B（BERT通過雙向Transformer捕捉上下文，Word2Vec生成固定詞向量）4.B（FasterR-CNN是雙階段，先通過RPN生成候選區(qū)域；YOLO是單階段直接回歸）5.B（機器學習三要素：模型、損失函數(shù)、優(yōu)化算法）6.B（獎勵函數(shù)定義智能體在環(huán)境中的“目標”，指導策略優(yōu)化）7.C（圖像增強適用于計算機視覺，NLP需文本增強）8.B（遷移學習核心是知識遷移，減少目標任務數(shù)據(jù)需求）9.A（生成器試圖讓判別器誤判，判別器試圖正確區(qū)分）10.B（可解釋性強調(diào)決策邏輯可被人類理解）二、填空題1.半監(jiān)督學習2.卷積操作（或“卷積運算”）3.注意力機制（或“自注意力機制”）4.狀態(tài)（State）5.訓練；測試（或“新”）6.F1分數(shù)（或F1-score）7.大語言模型（或“LLM”“自回歸模型”）8.丟棄法（Dropout）三、簡答題1.區(qū)別：監(jiān)督學習使用帶標簽數(shù)據(jù)訓練，目標是學習輸入到標簽的映射；無監(jiān)督學習使用無標簽數(shù)據(jù)，目標是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結構。場景：監(jiān)督學習如垃圾郵件分類（標簽為“垃圾/非垃圾”）；無監(jiān)督學習如用戶分群（根據(jù)行為數(shù)據(jù)聚類）。2.梯度消失：在深度神經(jīng)網(wǎng)絡中，反向傳播時梯度通過多層傳遞后逐漸變?。ㄈ缡褂胹igmoid激活函數(shù)時，其導數(shù)最大值為0.25），導致淺層網(wǎng)絡參數(shù)更新緩慢甚至停止更新。影響：模型無法有效學習深層特征，訓練效果差。緩解方法：使用ReLU等非飽和激活函數(shù)；采用殘差網(wǎng)絡（ResNet）跳過部分層，縮短梯度傳播路徑；BatchNormalization（批量歸一化）穩(wěn)定各層輸入分布。3.詞嵌入的必要性：原始文本的獨熱編碼（One-Hot）存在高維稀疏、無法捕捉語義關聯(lián)的問題，詞嵌入將詞映射到低維稠密向量，保留語義相似性（如“貓”和“狗”向量更接近）。異同：-相同點：均生成低維詞向量，捕捉詞間語義關系。-不同點：Word2Vec基于局部上下文（窗口內(nèi)詞）訓練，通過預測上下文或中心詞學習；GloVe基于全局詞共現(xiàn)矩陣，通過最小化共現(xiàn)概率的對數(shù)差學習，結合了全局統(tǒng)計信息。4.核心區(qū)別：圖像分類僅需判斷圖像整體類別（如“貓”）；目標檢測需定位圖像中多個目標的位置（邊界框）并分類（如“貓在左上角，狗在右下角”）。主流模型及特點：-YOLO（YouOnlyLookOnce）：單階段檢測，將圖像劃分為網(wǎng)格，直接回歸邊界框和類別，速度快（適合實時場景），但小目標檢測精度較低。-FasterR-CNN：雙階段檢測，先通過區(qū)域建議網(wǎng)絡（RPN）生成候選區(qū)域，再對候選區(qū)域分類和調(diào)整邊界框，精度高但速度較慢（適合對精度要求高的場景）。5.風險：數(shù)據(jù)偏見可能導致模型輸出歧視性結果（如招聘AI因訓練數(shù)據(jù)中某群體樣本少而低估其能力）、決策不公（如信用評分對特定地區(qū)用戶誤判），損害用戶權益或引發(fā)社會爭議。緩解方法：-數(shù)據(jù)層面：擴大數(shù)據(jù)收集范圍，平衡各群體樣本量；使用數(shù)據(jù)清洗技術檢測并修正偏見（如刪除帶有刻板印象的標注）。-模型層面：引入公平性損失函數(shù)（如最小化不同群體間的預測差異）；采用對抗訓練，使模型對敏感屬性（如性別、種族）不敏感。四、綜合應用題（1）技術流程：-數(shù)據(jù)收集：從電商平臺爬取或?qū)С鲇脩羯唐吩u論數(shù)據(jù)，需包含評論內(nèi)容及人工標注的情感標簽（正面/負面/中性）。-預處理：-文本清洗：去除無關符號（如鏈接、表情）、統(tǒng)一大小寫；-分詞：使用中文分詞工具（如jieba）將評論拆分為詞語；-去停用詞：過濾無意義詞匯（如“的”“了”）；-詞嵌入：將文本轉(zhuǎn)換為詞向量（如使用預訓練的Word2Vec或BERT詞向量）。-模型選擇與訓練：選擇基于Transformer的微調(diào)模型（如BERT），劃分訓練集（70%）、驗證集（20%）、測試集（10%），使用交叉熵損失函數(shù)和Adam優(yōu)化器訓練。-評估與優(yōu)化：通過驗證集調(diào)整超參數(shù)（如學習率、批次大?。?，測試集評估最終性能；若效果不佳，考慮增加數(shù)據(jù)增強（如同義詞替換）或調(diào)整模型結構。（2）模型選擇及理由：選擇BERT模型。理由：BERT通過雙向Transformer捕捉上下文信息，能更好理解評論中的語義（如“價格高但質(zhì)量好”同時包含負面和正面元素）；預訓練模型在大量文本上學習了通用語義特征，微調(diào)時只需少量標注數(shù)據(jù)即可