2025年人工智能基础课程考试卷及答案.docxVIP

2025年人工智能基础课程考试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪项属于监督学习任务？

A.客户分群（聚类）

B.图像风格迁移（生成模型）

C.垃圾邮件分类（标签已知）

D.股票价格趋势预测（无标签）

2.若某神经网络的损失函数在训练中持续下降但验证集损失上升，最可能的原因是？

A.学习率过小

B.模型欠拟合

C.模型过拟合

D.数据存在噪声

3.以下哪种激活函数可以避免梯度消失问题？

A.Sigmoid（输出范围0-1）

B.Tanh（输出范围-1-1）

C.ReLU（f(x)=max(0,x)）

D.线性函数（f(x)=x）

4.在支持向量机（SVM）中，“核函数”的主要作用是？

A.降低计算复杂度

B.将低维线性不可分数据映射到高维线性可分空间

C.减少过拟合风险

D.优化分类超平面的间隔

5.以下哪项是循环神经网络（RNN）的典型缺陷？

A.无法处理变长序列

B.难以捕捉长期依赖关系（梯度消失/爆炸）

C.无法并行计算

D.仅适用于分类任务

6.在强化学习中，“奖励函数”的作用是？

A.定义智能体的目标（指导行为优化方向）

B.替代状态转移概率

C.直接输出最优策略

D.存储历史经验

7.自然语言处理（NLP）中，“词嵌入（WordEmbedding）”的核心目的是？

A.将单词转换为固定长度的向量（捕捉语义相关性）

B.统计单词出现频率

C.实现文本分词

D.生成语法树

8.决策树中，“信息增益”的计算基于以下哪个指标？

A.基尼系数（GiniImpurity）

B.熵（Entropy）

C.均方误差（MSE）

D.准确率（Accuracy）

9.以下哪种方法可用于解决神经网络的过拟合问题？

A.增加训练数据量（数据增强）

B.减少隐藏层神经元数量

C.降低学习率

D.移除正则化项

10.Transformer模型的核心机制是？

A.循环结构（RNN）

B.卷积操作（CNN）

C.自注意力机制（Self-Attention）

D.记忆单元（LSTM）

二、填空题（每空2分，共20分）

1.机器学习的三要素包括模型、策略和算法。

2.逻辑回归的损失函数通常使用交叉熵损失（Cross-EntropyLoss）。

3.卷积神经网络（CNN）中，“池化层”的主要作用是降低特征图维度（减少计算量，平移不变性）。

4.在K近邻（KNN）算法中，常用的距离度量方法有欧氏距离和曼哈顿距离。

5.生成对抗网络（GAN）由生成器（Generator）和判别器（Discriminator）两个子模型组成。

6.强化学习中的“策略”定义了给定状态下选择动作的概率分布。

7.BERT模型基于Transformer编码器（Encoder）结构，通过掩码语言模型（MLM）和下一句预测（NSP）任务预训练。

三、简答题（每题8分，共40分）

1.简述感知机（Perceptron）的工作原理及其局限性。

答：感知机是二分类的线性分类模型，输入为特征向量，输出为+1或-1。其核心是通过权重向量和偏置参数，计算输入与权重的点积加偏置，若结果大于0则输出+1，否则输出-1。局限性包括：无法处理线性不可分数据（如异或问题）；仅适用于二分类；没有解决收敛性问题（若数据线性可分则收敛，否则不收敛）。

2.对比支持向量机（SVM）与逻辑回归（LogisticRegression）在分类任务中的异同。

答：相同点：均为监督学习的线性分类模型；目标均为找到区分不同类别的决策边界。不同点：SVM基于最大间隔优化（寻找几何间隔最大的超平面），对异常值不敏感（通过软间隔处理）；逻辑回归基于概率建模（输出类别概率），优化目标是对数似然最大化。SVM需选择核函数处理非线性问题，逻辑回归通常需手动构造特征处理非线性。

3.长短期记忆网络（LSTM）如何解决传统RNN的长期依赖问题？

答：LSTM通过引入记忆单元（CellState）和三个门控机制（输入门、遗忘门、输出门）。遗忘门控制记忆单元中旧信息的保留程度；输入门控制新信息的添加；输出门控制记忆单元信息对当前输出的影响。通过门控机制的非线性激活（如Sigmoid控制门的开关），LSTM能够选择性地保留或遗忘历史信息，缓解了传统RNN因梯度消失导致的长期依赖问题。

4.解释“过拟合”现象及其常见解决方法。

答：过拟合指模型