2026年清華大學創(chuàng)新班考試題及答案

一、填空題（每題2分，共20分）1.人工智能的核心目標是實現(xiàn)______。2.在機器學習算法中，過擬合指的是模型在訓練數(shù)據(jù)上表現(xiàn)______，但在測試數(shù)據(jù)上表現(xiàn)______。3.決策樹算法中，常用的分裂標準包括______和______。4.深度學習模型中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）主要適用于______任務(wù)，而循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）主要適用于______任務(wù)。5.自然語言處理（NLP）中，詞嵌入技術(shù)如Word2Vec和GloVe的主要作用是______。6.強化學習中的智能體通過______與環(huán)境交互，并學習最優(yōu)策略。7.在圖神經(jīng)網(wǎng)絡(luò)（GNN）中，節(jié)點信息更新主要依賴于其______的表示。8.計算機視覺中，目標檢測任務(wù)通常使用______或______模型。9.生成對抗網(wǎng)絡(luò)（GAN）由生成器和判別器兩部分組成，兩者通過______進行對抗訓練。10.大規(guī)模分布式計算中，Spark和Hadoop的主要區(qū)別在于______。二、判斷題（每題2分，共20分）1.機器學習模型中的正則化技術(shù)可以有效防止過擬合。（√）2.決策樹算法是典型的監(jiān)督學習算法。（√）3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以捕捉圖像中的局部特征，但無法處理序列數(shù)據(jù)。（×）4.深度學習模型需要大量數(shù)據(jù)才能有效訓練，而傳統(tǒng)機器學習算法則相反。（√）5.強化學習中的Q-learning是一種無模型的強化學習算法。（√）6.自然語言處理（NLP）中的詞嵌入技術(shù)可以將詞語映射到高維向量空間。（√）7.圖神經(jīng)網(wǎng)絡(luò)（GNN）可以處理圖結(jié)構(gòu)數(shù)據(jù)，但無法應(yīng)用于圖像分類任務(wù)。（×）8.生成對抗網(wǎng)絡(luò)（GAN）的訓練過程是穩(wěn)定的，不會出現(xiàn)模式崩潰問題。（×）9.計算機視覺中的目標檢測任務(wù)與語義分割任務(wù)完全獨立。（×）10.大規(guī)模分布式計算中，MapReduce和Spark都是基于內(nèi)存計算的框架。（×）三、選擇題（每題2分，共20分）1.下列哪種算法不屬于監(jiān)督學習？（C）A.線性回歸B.決策樹C.K-means聚類D.邏輯回歸2.在深度學習模型中，激活函數(shù)ReLU的主要作用是？（A）A.引入非線性B.降低模型復雜度C.增強模型泛化能力D.防止過擬合3.下列哪種技術(shù)不屬于詞嵌入方法？（D）A.Word2VecB.GloVeC.FastTextD.K-means聚類4.強化學習中，智能體通過哪種方式獲得獎勵？（B）A.訓練數(shù)據(jù)B.環(huán)境反饋C.模型參數(shù)D.預(yù)測結(jié)果5.圖神經(jīng)網(wǎng)絡(luò)（GNN）中，節(jié)點信息更新主要依賴于？（A）A.鄰居節(jié)點B.全局信息C.邊權(quán)重D.節(jié)點特征6.生成對抗網(wǎng)絡(luò)（GAN）的訓練過程中，生成器和判別器的關(guān)系是？（C）A.協(xié)同合作B.互相獨立C.對抗訓練D.順序訓練7.計算機視覺中，目標檢測任務(wù)通常使用哪種模型？（B）A.RNNB.YOLOC.LSTMD.GAN8.大規(guī)模分布式計算中，Spark和Hadoop的主要區(qū)別在于？（A）A.內(nèi)存計算與磁盤計算B.數(shù)據(jù)存儲方式C.并行處理能力D.開源程度9.自然語言處理（NLP）中，詞嵌入技術(shù)的主要作用是？（D）A.提高模型效率B.降低模型復雜度C.增強模型泛化能力D.將詞語映射到向量空間10.下列哪種算法不屬于深度學習模型？（C）A.CNNB.RNNC.K-means聚類D.Transformer四、簡答題（每題5分，共20分）1.簡述機器學習中過擬合和欠擬合的區(qū)別及其解決方法。答：過擬合是指模型在訓練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)差，原因是模型過于復雜，學習了噪聲數(shù)據(jù)。欠擬合則是指模型過于簡單，未能捕捉到數(shù)據(jù)中的規(guī)律。解決過擬合的方法包括增加數(shù)據(jù)量、使用正則化技術(shù)（如L1、L2）、降低模型復雜度等；解決欠擬合的方法包括增加模型復雜度（如增加層數(shù)）、使用更復雜的特征等。2.解釋什么是詞嵌入技術(shù)，并說明其在自然語言處理中的作用。答：詞嵌入技術(shù)是將詞語映射到高維向量空間的方法，每個詞語對應(yīng)一個固定長度的向量。其作用是將語義相近的詞語映射到相近的向量空間中，從而方便模型處理。例如，Word2Vec和GloVe可以捕捉詞語的語義關(guān)系，用于文本分類、情感分析等任務(wù)。3.描述生成對抗網(wǎng)絡(luò)（GAN）的基本結(jié)構(gòu)及其訓練過程。答：GAN由生成器和判別器兩部分組成。生成器負責生成假數(shù)據(jù)，判別器負責判斷數(shù)據(jù)是真是假。訓練過程中，生成器和判別器通過對抗訓練相互提升，生成器逐漸生成更逼真的數(shù)據(jù)，判別器逐漸提高判斷能力。4.解釋圖神經(jīng)網(wǎng)絡(luò)（GNN）的基本原理及其應(yīng)用場景。答：GNN通過聚合鄰居節(jié)點的信息來更新節(jié)點表示，適用于處理圖結(jié)構(gòu)數(shù)據(jù)。其基本原理是利用圖的結(jié)構(gòu)信息，通過多層傳播更新節(jié)點特征。應(yīng)用場景包括社交網(wǎng)絡(luò)分析、推薦系統(tǒng)、知識圖譜等。五、討論題（每題5分，共20分）1.深度學習模型相比傳統(tǒng)機器學習模型有哪些優(yōu)勢和劣勢？答：優(yōu)勢：深度學習模型可以自動學習特征，無需人工設(shè)計；在大規(guī)模數(shù)據(jù)上表現(xiàn)更好；能夠處理復雜任務(wù)（如圖像識別、自然語言處理）。劣勢：需要大量數(shù)據(jù)才能有效訓練；模型復雜度高，訓練時間長；可解釋性差，難以理解模型內(nèi)部機制。2.強化學習在現(xiàn)實世界中有哪些應(yīng)用場景？答：強化學習在現(xiàn)實世界中有廣泛應(yīng)用，如自動駕駛（通過與環(huán)境交互學習最優(yōu)駕駛策略）、游戲AI（如AlphaGo）、機器人控制（如機械臂操作）、資源調(diào)度等。3.自然語言處理（NLP）中，詞嵌入技術(shù)面臨哪些挑戰(zhàn)？答：挑戰(zhàn)包括：如何處理一詞多義問題；如何捕捉詞語的抽象語義關(guān)系；如何處理低頻詞和未知詞；如何提高模型的泛化能力。4.大規(guī)模分布式計算中，Spark和Hadoop有哪些優(yōu)缺點？答：Spark優(yōu)點：基于內(nèi)存計算，速度快；支持多種數(shù)據(jù)處理框架；生態(tài)系統(tǒng)完善。缺點：對硬件要求較高。Hadoop優(yōu)點：成熟穩(wěn)定，適用于大規(guī)模數(shù)據(jù)存儲和處理；兼容性好。缺點：基于磁盤計算，速度較慢；生態(tài)系統(tǒng)相對封閉。答案和解析一、填空題1.智能2.好，差3.信息增益，基尼系數(shù)4.圖像識別，序列數(shù)據(jù)5.將詞語映射到向量空間6.獎勵7.鄰居8.YOLO，SSD9.對抗10.內(nèi)存計算與磁盤計算二、判斷題1.√2.√3.×4.√5.√6.√7.×8.×9.×10.×三、選擇題1.C2.A3.D4.B5.A6.C7.B8.A9.D10.C四、簡答題1.過擬合是指模型在訓練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)差，原因是模型過于復雜，學習了噪聲數(shù)據(jù)。欠擬合則是指模型過于簡單，未能捕捉到數(shù)據(jù)中的規(guī)律。解決過擬合的方法包括增加數(shù)據(jù)量、使用正則化技術(shù)（如L1、L2）、降低模型復雜度等；解決欠擬合的方法包括增加模型復雜度（如增加層數(shù)）、使用更復雜的特征等。2.詞嵌入技術(shù)是將詞語映射到高維向量空間的方法，每個詞語對應(yīng)一個固定長度的向量。其作用是將語義相近的詞語映射到相近的向量空間中，從而方便模型處理。例如，Word2Vec和GloVe可以捕捉詞語的語義關(guān)系，用于文本分類、情感分析等任務(wù)。3.生成對抗網(wǎng)絡(luò)（GAN）由生成器和判別器兩部分組成。生成器負責生成假數(shù)據(jù)，判別器負責判斷數(shù)據(jù)是真是假。訓練過程中，生成器和判別器通過對抗訓練相互提升，生成器逐漸生成更逼真的數(shù)據(jù)，判別器逐漸提高判斷能力。4.圖神經(jīng)網(wǎng)絡(luò)（GNN）通過聚合鄰居節(jié)點的信息來更新節(jié)點表示，適用于處理圖結(jié)構(gòu)數(shù)據(jù)。其基本原理是利用圖的結(jié)構(gòu)信息，通過多層傳播更新節(jié)點特征。應(yīng)用場景包括社交網(wǎng)絡(luò)分析、推薦系統(tǒng)、知識圖譜等。五、討論題1.深度學習模型相比傳統(tǒng)機器學習模型有哪些優(yōu)勢和劣勢？答：優(yōu)勢：深度學習模型可以自動學習特征，無需人工設(shè)計；在大規(guī)模數(shù)據(jù)上表現(xiàn)更好；能夠處理復雜任務(wù)（如圖像識別、自然語言處理）。劣勢：需要大量數(shù)據(jù)才能有效訓練；模型復雜度高，訓練時間長；可解釋性差，難以理解模型內(nèi)部機制。2.強化學習在現(xiàn)實世界中有哪些應(yīng)用場景？答：強化學習在現(xiàn)實世界中有廣泛應(yīng)用，如自動駕駛（通過與環(huán)境交互學習最優(yōu)駕駛策略）、游戲AI（如AlphaGo）、機器人控制（如機械臂操作）、資源調(diào)度等。3.自然語言處理（NLP）中，詞嵌入技術(shù)面臨哪些挑戰(zhàn)？