2025年人工智能工程师考试题库（附答案和详细解析）（1106）.docxVIP

人工智能工程师考试试卷（总分100分）

一、单项选择题（共10题，每题1分，共10分）

以下哪种算法属于无监督学习？

A.逻辑回归

B.K-means聚类

C.支持向量机（SVM）

D.随机森林

答案：B

解析：无监督学习的目标是从未标记数据中发现潜在结构，K-means通过聚类未标记数据划分组群，属于无监督学习。A（逻辑回归）、C（SVM）、D（随机森林）均依赖标记数据训练，属于监督学习。

在深度学习中，ReLU激活函数的主要优点是？

A.解决梯度爆炸问题

B.避免过拟合

C.缓解梯度消失问题

D.提升模型泛化能力

答案：C

解析：ReLU（修正线性单元）的导数在输入大于0时为1，避免了Sigmoid或Tanh在输入较大时导数趋近于0的梯度消失问题。A错误（梯度爆炸需通过梯度裁剪等解决）；B错误（过拟合需正则化等方法）；D错误（泛化能力与模型复杂度、数据量等相关）。

自然语言处理（NLP）中，词嵌入（WordEmbedding）的核心作用是？

A.将文本转换为固定长度向量

B.捕捉词语的语义相似性

C.实现文本分类

D.生成机器翻译结果

答案：B

解析：词嵌入通过低维向量表示词语，使语义相近的词在向量空间中位置接近（如“猫”与“狗”距离近于“猫”与“桌子”），核心是捕捉语义关联。A错误（文本向量化是结果而非核心作用）；C、D是NLP任务应用，非词嵌入本身的作用。

计算机视觉中，卷积神经网络（CNN）的卷积层主要用于提取？

A.全局上下文信息

B.局部空间特征（如边缘、纹理）

C.时间序列特征

D.跨模态关联特征

答案：B

解析：卷积核通过滑动窗口提取图像局部区域的特征（如边缘、角点），是CNN的核心设计。A错误（全局信息由池化或全连接层处理）；C错误（时间序列由RNN/LSTM处理）；D错误（跨模态需多模态融合技术）。

强化学习中，“奖励函数”的主要作用是？

A.定义智能体的策略（Policy）

B.评估环境状态（State）

C.引导智能体学习最优行为

D.存储历史经验（ExperienceReplay）

答案：C

解析：奖励函数通过即时反馈（正/负奖励）指导智能体调整策略，目标是最大化长期累积奖励，因此核心作用是引导学习最优行为。A错误（策略是状态到动作的映射）；B错误（状态评估由价值函数完成）；D错误（经验回放是存储机制）。

模型评估中，F1分数是以下哪两个指标的调和平均？

A.准确率（Accuracy）与召回率（Recall）

B.精确率（Precision）与召回率（Recall）

C.精确率（Precision）与准确率（Accuracy）

D.均方误差（MSE）与交叉熵（Cross-Entropy）

答案：B

解析：F1分数=2(PR)/(P+R)，其中P为精确率（预测为正且实际为正的比例），R为召回率（实际为正且被正确预测的比例），用于平衡二者在不平衡数据中的表现。A、C错误（未涉及精确率与召回率的调和）；D错误（均方误差与交叉熵是损失函数）。

数据预处理中，“标准化（Z-scoreNormalization）”的公式是？

A.(x-min)/(max-min)

B.(x-μ)/σ

C.x/max

D.log(x+1)

答案：B

解析：标准化通过减去均值（μ）并除以标准差（σ），将数据转换为均值0、标准差1的分布，公式为(x-μ)/σ。A是归一化（Min-MaxScaling）；C是简单缩放；D是对数变换。

循环神经网络（RNN）的主要缺陷是？

A.无法处理变长序列

B.难以捕捉长距离依赖（Long-termDependencies）

C.参数量过大

D.不支持并行计算

答案：B

解析：RNN的循环结构导致梯度在反向传播时指数级衰减（梯度消失），难以学习序列中相隔较远的依赖关系（如“今天天气很好，所以我决定[]”中“所以”与“决定”的关联）。A错误（RNN可处理变长序列）；C错误（参数量小于CNN）；D错误（并行计算是RNN的次要问题）。

生成对抗网络（GAN）由以下哪两个部分组成？

A.编码器（Encoder）与解码器（Decoder）

B.生成器（Generator）与判别器（Discriminator）

C.注意力机制（Attention）与前馈网络（FFN）

D.卷积层（Conv）与池化层（Pooling）

答案：B

解析：GAN的核心是生成器（生成假数据）与判别器（区分真假数据）的对抗训练，通过博弈提升生成器能力。A是自编码器结构；C是Transformer的组成部分；D是CNN的典型层。

以下哪项属于AI伦理的核心问题？

A.模型训练速度

B.数据隐私泄露

C.卷积核大小选择

D.学