2025年人工智能期末试题(含答案).docxVIP

2025年人工智能期末试题(含答案)

一、单项选择题（每题2分，共20分）

1.以下哪项不属于监督学习任务？

A.图像分类（给定标签的训练集）

B.情感分析（基于标注的用户评论）

C.聚类分析（无标签数据分组）

D.房价预测（基于历史成交数据和价格标签）

答案：C

2.在神经网络中，ReLU激活函数的主要优点是？

A.解决梯度消失问题

B.输出范围在(0,1)之间

C.计算复杂度高

D.适用于所有层的激活

答案：A

3.以下哪项是Transformer模型的核心机制？

A.循环记忆单元

B.注意力机制（Self-Attention）

C.卷积核滑动窗口

D.强化学习奖励函数

答案：B

4.在强化学习中，“智能体（Agent）”的核心目标是？

A.最小化损失函数

B.最大化累积奖励（CumulativeReward）

C.优化特征提取器

D.生成对抗样本

答案：B

5.关于支持向量机（SVM），以下描述错误的是？

A.目标是找到最大间隔超平面

B.核函数用于处理线性不可分数据

C.对高维数据表现较差

D.适用于小样本分类任务

答案：C

6.自然语言处理（NLP）中，“词嵌入（WordEmbedding）”的主要作用是？

A.将文本转换为结构化表格数据

B.捕捉词语的语义和上下文关系

C.直接生成自然语言文本

D.统计词频分布

答案：B

7.在决策树算法中，“信息增益（InformationGain）”用于？

A.评估特征的分类能力

B.计算树的深度

C.剪枝以防止过拟合

D.确定叶节点的类别

答案：A

8.以下哪项属于生成式模型？

A.逻辑回归（LogisticRegression）

B.条件随机场（CRF）

C.隐马尔可夫模型（HMM）

D.支持向量机（SVM）

答案：C

9.在深度学习中，“批量归一化（BatchNormalization）”的主要目的是？

A.减少模型参数量

B.加速训练收敛，缓解内部协变量偏移

C.增强模型的非线性表达能力

D.防止过拟合

答案：B

10.以下哪项不是迁移学习（TransferLearning）的典型应用场景？

A.利用预训练的BERT模型微调情感分析任务

B.将ImageNet预训练的CNN模型迁移到医学影像分类

C.基于大量标注的英文语料训练中文翻译模型

D.用小规模标注数据训练全新的图像分类模型

答案：D

二、填空题（每空1分，共15分）

1.机器学习的三要素包括模型、策略和算法。

2.神经网络中，常用的损失函数有交叉熵损失（Cross-EntropyLoss）（用于分类任务）和均方误差（MSE）（用于回归任务）。

3.Transformer模型的编码器（Encoder）由多头注意力层和前馈全连接层组成，解码器（Decoder）额外包含掩码注意力层以处理序列生成的顺序依赖。

4.强化学习的核心组成包括智能体（Agent）、环境（Environment）、状态（State）、动作（Action）和奖励（Reward）。

5.卷积神经网络（CNN）中，卷积层的作用是提取局部特征，池化层的作用是降低特征维度，增强平移不变性。

6.生成对抗网络（GAN）由生成器（Generator）和判别器（Discriminator）组成，二者通过对抗训练优化目标。

三、简答题（每题8分，共40分）

1.简述过拟合（Overfitting）的定义、产生原因及常用解决方法。

答案：

过拟合指模型在训练集上表现很好，但在未见过的测试集上泛化能力差的现象。

产生原因：模型复杂度过高（如参数过多）、训练数据量不足、数据噪声干扰等。

解决方法：增加训练数据量、正则化（L1/L2正则、Dropout）、早停法（EarlyStopping）、特征选择（减少冗余特征）、模型简化（如降低神经网络层数）。

2.对比循环神经网络（RNN）与Transformer模型在处理序列数据时的优缺点。

答案：

RNN优点：通过循环单元（如LSTM、GRU）捕捉序列的长期依赖关系，适合处理变长序列；

RNN缺点：梯度消失/爆炸问题（长序列时记忆能力下降）、并行计算能力差（需按顺序处理每个时间步）。

Transformer优点：通过自注意力机制（Self-Attention）直接建模序列中任意位置的