2025 年大学人工智能技术应用（模型训练）期末考核卷.docVIP

2025年大学人工智能技术应用（模型训练）期末考核卷

（考试时间：90分钟满分100分）班级______姓名______

一、选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填在括号内）

1.以下哪种算法不属于无监督学习算法（）

A.聚类算法B.决策树算法C.主成分分析算法D.自编码器算法

2.在深度学习中，以下哪个激活函数不是常用的（）

A.Sigmoid函数B.ReLU函数C.Tanh函数D.Exp函数

3.模型训练中，用于衡量模型预测值与真实值之间差异的指标是（）

A.准确率B.召回率C.损失函数值D.F1值

4.下列关于梯度下降法的说法，错误的是（）

A.是一种优化算法B.可以用于求解损失函数的最小值C.步长越大收敛越快D.有批量梯度下降、随机梯度下降等不同形式

5.当训练集规模增大时，模型的泛化能力通常会（）

A.增强B.减弱C.不变D.先增强后减弱

6.以下哪种技术可用于防止模型过拟合（）

A.增加训练数据B.减少特征数量C.使用正则化D.以上都是

7.在模型训练中，超参数的选择通常通过（）

A.模型训练自动确定B.经验和实验调整C.随机选择D.固定值设定

8.对于循环神经网络，其主要用于处理（）数据

A.图像B.文本C.音频D.视频

9.以下哪项不是模型评估的常用指标（）

A.均方误差B.相关系数C.信息熵D.混淆矩阵

10.模型训练中，数据预处理的步骤不包括（）

A.数据清洗B.数据标注C.数据归一化D.数据增强

二、多项选择题（总共5题，每题4分，每题有两个或两个以上正确答案，请将正确答案填在括号内，少选、多选、错选均不得分）

1.以下属于监督学习算法的有（）

A.支持向量机B.朴素贝叶斯C.K近邻算法D.隐马尔可夫模型

2.深度学习模型的优点包括（）

A.强大的特征学习能力B.能够处理复杂数据C.训练效率高D.可解释性强

3.在模型训练中，优化器的选择会影响（）

A.模型收敛速度B.模型最终性能C.训练时间D.数据规模

4.防止模型梯度消失的方法有（）

A.使用合适的激活函数B.采用梯度裁剪C.调整学习率D.增加网络层数

5.模型评估时，交叉验证的方式有（）

A.简单交叉验证B.K折交叉验证C.留一法交叉验证D.随机交叉验证

三、判断题（总共10题，每题2分，请判断对错，对的打√，错的打×）

1.无监督学习不需要标注数据。（）

2.模型的准确率越高，其性能一定越好。（）

3.梯度下降法中，负梯度方向是函数值下降最快的方向。（）

4.增加网络层数一定会提高模型的性能。（）

5.数据增强只能应用于图像数据。（）

6.模型训练中，超参数一旦确定就不能再改变。（）

7.支持向量机只能处理线性可分的数据。（）

8.循环神经网络中的长短期记忆网络（LSTM）可以有效解决梯度消失问题。（）

9.模型评估指标中的召回率越高越好。（）

10.模型训练时，训练集和测试集可以完全相同。（）

四、简答题（总共3题，每题10分，请简要回答问题）

1.请简述深度学习中卷积神经网络（CNN）的主要结构及各部分的作用。

2.在模型训练中如何选择合适的损失函数？请举例说明不同类型问题适用的损失函数。

3.说明模型过拟合和欠拟合的现象及解决方法。

五、论述题（总共1题，每题20分，请详细阐述你的观点）

论述人工智能技术应用（模型训练）在未来社会发展中的重要性及面临的挑战，并提出你的应对建议。

答案：

一、选择题

1.B

2.D

3.C

4.C

5.A

6.D

7.B

8.B

9.C

10.B

二、多项选择题

1.ABC

2.AB

3.ABC

4.AB

5.ABC

三、判断题

1.√

2.×

3.√

4.×

5.×

6.×

7.×

8.√

9.×

10.×

四、简答题

1.CNN主要结构包括卷积层、池化层、全连接层。卷积层通过卷积核提取图像特征；池化层用于下采样，减少数据量同时保留主要特征；全连接层将提取的特征进行分类或回归等操作。

2.选择损失函数要考虑问题类型。如回归问题常用均方误差损失函数；分类问题中，二分类常用交叉熵损失函数，多分类常用softmax交叉熵损失函数等。根据问题的特点和需求选择合