2025年人工智能工程师考试题库（附答案和详细解析）（1213）.docxVIP

人工智能工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下关于监督学习和无监督学习的描述，正确的是（）

A.监督学习使用未标记数据，无监督学习使用标记数据

B.监督学习的目标是寻找数据内在结构，无监督学习的目标是预测输出

C.监督学习需要输入-输出对，无监督学习仅需要输入数据

D.监督学习常用PCA算法，无监督学习常用SVM算法

答案：C

解析：监督学习的核心是利用带标签的数据（输入-输出对）训练模型以预测新数据的输出（如分类、回归）；无监督学习仅使用无标签的输入数据，目标是发现数据的内在结构（如聚类、降维）。选项A颠倒了数据类型；选项B混淆了目标；选项D中PCA是无监督降维算法，SVM是监督学习分类算法。

深度学习中，ReLU激活函数的主要优点是（）

A.解决梯度消失问题

B.输出值范围在[-1,1]

C.计算复杂度高

D.适用于所有层的激活

答案：A

解析：ReLU（修正线性单元）的表达式为(f(x)=(0,x))，其优点是当输入为正时梯度为1，避免了Sigmoid/tanh在输入较大时梯度趋近于0的“梯度消失”问题。选项B是tanh的特性；选项C错误，ReLU计算简单；选项D错误，输出层通常不使用ReLU（如分类任务用Softmax）。

自然语言处理（NLP）中，词嵌入（WordEmbedding）的主要目的是（）

A.将文本转换为图像

B.捕捉词语的语义相似性

C.实现语音到文本的转换

D.提升文本长度限制

答案：B

解析：词嵌入通过低维连续向量表示词语，使得语义相似的词在向量空间中位置相近（如“猫”和“狗”的向量距离小于“猫”和“桌子”）。选项A是计算机视觉任务；选项C是语音识别（ASR）；选项D与词嵌入无关。

计算机视觉中，FasterR-CNN的核心改进是（）

A.引入滑动窗口检测

B.使用区域建议网络（RPN）替代选择性搜索

C.仅检测单一目标

D.采用全连接层替代卷积层

答案：B

解析：FasterR-CNN通过区域建议网络（RPN）与检测网络共享卷积特征，实现了端到端的目标检测，相比R-CNN系列（需选择性搜索生成候选区域）大幅提升了速度。选项A是传统方法；选项C错误，支持多目标检测；选项D错误，保留卷积层。

强化学习中，“奖励延迟”指的是（）

A.智能体立即获得奖励

B.奖励与动作的时间间隔较长

C.奖励值始终为正

D.奖励由环境直接提供

答案：B

解析：在复杂任务（如围棋、机器人控制）中，智能体的动作可能需要经过多步后才会获得奖励（如最终胜利），这种时间延迟的奖励机制称为“奖励延迟”，需要通过时间差分（TD）或资格迹（EligibilityTraces）解决。选项A与定义相反；选项C错误，奖励可正可负；选项D是奖励的基本特性，非延迟。

数据预处理中，“独热编码（One-HotEncoding）”适用于（）

A.连续型数值特征

B.高基数类别特征（如1000个类别）

C.有序类别特征（如“低/中/高”）

D.无序类别特征（如“红/蓝/绿”）

答案：D

解析：独热编码通过创建二进制向量表示无序类别（如颜色），避免模型错误学习类别间的顺序关系。选项A应用标准化/归一化；选项B会导致维度爆炸，通常用嵌入或频率编码；选项C可用序数编码（赋予数值顺序）。

评估分类模型性能时，“F1分数”是（）的调和平均

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和准确率（Accuracy）

D.真阳性率（TPR）和假阳性率（FPR）

答案：B

解析：F1分数计算公式为(F1=2)，用于平衡精确率（正确预测正类的比例）和召回率（正类被正确预测的比例），尤其适用于类别不平衡场景。选项A的准确率未区分正负类；选项D是ROC曲线的指标。

卷积神经网络（CNN）中，“感受野（ReceptiveField）”指的是（）

A.输入图像的分辨率

B.卷积核的大小

C.某个输出特征图神经元对应输入图像的区域

D.全连接层的神经元数量

答案：C

解析：感受野是输出特征图中一个神经元对应的输入图像区域，反映该神经元能感知的输入范围。随着网络深度增加，感受野通过多层卷积叠加逐渐扩大（如第一层感受野是卷积核大小，后续层通过堆叠扩大）。选项B是影响感受野的因素之一，但非定义。

人工智能伦理中，“算法偏见”的主要来源是（）

A.计算资源不足

B.训练数据的偏差

C.模型复杂度低

D.硬件性能差异

答案：B

解析：算法偏见通常源于训练数据中的偏差（如性别、种族分布不均衡），导致模型在新数据上对特定群体产生不公平预测（如