2025年机器学习与人工智能实践课程考试试题及答案.docxVIP

2025年机器学习与人工智能实践课程考试试题及答案

一、单项选择题（每题2分，共20分）

1.在二分类任务中，若正负样本比例为1:9，且模型输出概率使用sigmoid激活函数，此时最优的损失函数选择应为（）

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.Hinge损失

D.对数平方损失

2.以下哪种方法不能有效缓解深度神经网络的过拟合问题？（）

A.增加训练数据量

B.减小模型隐藏层神经元数量

C.使用权重衰减（L2正则化）

D.提高学习率

3.关于梯度下降算法的描述，错误的是（）

A.随机梯度下降（SGD）的梯度估计方差较大

B.Adam优化器结合了动量法和自适应学习率的思想

C.批量梯度下降（BGD）的收敛速度一定快于小批量梯度下降（MBGD）

D.梯度下降的更新方向是负梯度方向

4.在Transformer模型中，多头注意力（Multi-HeadAttention）的核心作用是（）

A.增加模型参数量以提升表达能力

B.并行计算不同子空间的注意力分布

C.减少序列长度对计算复杂度的影响

D.替代循环神经网络处理长距离依赖

5.以下哪项不属于强化学习中的核心要素？（）

A.状态（State）

B.策略（Policy）

C.损失函数（LossFunction）

D.回报（Reward）

6.对于图像分类任务，若输入图像尺寸为224×224×3，经过一个卷积层（卷积核大小3×3，步长1，填充1，输出通道数64）后，输出特征图的尺寸为（）

A.224×224×64

B.222×222×64

C.220×220×64

D.112×112×64

7.在自然语言处理中，词嵌入（WordEmbedding）的主要目的是（）

A.将离散的单词转换为连续的向量表示

B.减少文本数据的存储体积

C.直接作为模型的最终输出

D.完全替代One-Hot编码

8.关于K-means聚类算法的描述，正确的是（）

A.对初始聚类中心的选择不敏感

B.适用于非凸形状的簇划分

C.要求数据特征具有可计算的欧氏距离

D.可以自动确定最优簇数K

9.在迁移学习中，以下哪种场景最适合使用“微调（Fine-Tuning）”策略？（）

A.源任务与目标任务数据分布差异极大

B.目标任务只有少量标注数据

C.源任务模型结构与目标任务完全不兼容

D.目标任务需要全新的输出类别空间

10.关于生成对抗网络（GAN）的描述，错误的是（）

A.生成器（Generator）的目标是生成尽可能真实的样本

B.判别器（Discriminator）的目标是区分真实样本和生成样本

C.GAN训练过程中容易出现模式崩溃（ModeCollapse）

D.GAN的损失函数必须使用交叉熵

二、填空题（每空2分，共20分）

1.在逻辑回归中，决策边界的数学表达式为__________（假设特征向量为x，权重向量为w，偏置为b）。

2.卷积神经网络（CNN）中，池化层的主要作用是__________和__________。

3.BERT模型的预训练任务包括__________和__________。

4.强化学习中，Q-learning的更新公式为__________（用符号表示）。

5.特征工程中，对类别特征“颜色（红、绿、蓝）”进行编码时，若使用独热编码（One-HotEncoding），会生成__________维的新特征。

6.随机森林（RandomForest）通过__________和__________两种方式实现集成学习。

三、简答题（每题8分，共40分）

1.解释BatchNormalization（批量归一化）的作用及其在训练中的具体实现步骤。

2.对比支持向量机（SVM）的硬间隔和软间隔分类器，说明各自的适用场景。

3.简述LSTM（长短期记忆网络）如何通过门控机制解决传统RNN的梯度消失问题。

4.说明在机器学习模型评估中，为什么需要同时考虑准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。

5.描述Transformer模型中自注意力（Self-Attention）机制的计算过程，并推导其数学表达式。

四、编程题（20分）

使用PyTorch框架实现一个用于CIFAR-10数据集的卷积神经网络（CNN）