2025年人工智能与机器学习课程期末考试题及答案.docxVIP

2025年人工智能与机器学习课程期末考试题及答案

一、单项选择题（每题2分，共20分）

1.在机器学习模型训练中，若验证集误差远小于测试集误差，最可能的原因是：

A.模型欠拟合

B.数据泄露（DataLeakage）

C.学习率过大

D.正则化强度过高

2.以下损失函数中，最适合处理类别不平衡二分类任务的是：

A.均方误差（MSE）

B.交叉熵损失（Cross-Entropy）

C.FocalLoss

D.HingeLoss

3.关于BatchNormalization（BN）的描述，错误的是：

A.通常应用在激活函数之后

B.减少内部协变量偏移（InternalCovariateShift）

C.允许使用更大的学习率

D.在推理时使用训练阶段统计的均值和方差

4.假设一个深度神经网络在训练时出现“梯度消失”，最不可能的原因是：

A.使用Sigmoid激活函数

B.网络层数过深

C.使用He初始化

D.未使用残差连接（ResidualConnection）

5.在Transformer模型中，“位置编码（PositionalEncoding）”的主要作用是：

A.替代循环神经网络处理序列顺序

B.增加模型的参数量

C.提升模型的并行计算能力

D.增强特征的空间相关性

6.强化学习中，“策略梯度（PolicyGradient）”方法直接优化的目标是：

A.状态值函数（StateValueFunction）

B.动作值函数（ActionValueFunction）

C.策略的期望累积奖励

D.环境的转移概率

7.评估目标检测模型性能时，若某样本的预测框与真实框的IoU为0.6，且类别正确，则该样本属于：

A.真阳性（TP）

B.假阳性（FP）

C.真阴性（TN）

D.假阴性（FN）

8.生成对抗网络（GAN）中，判别器（Discriminator）的训练目标是：

A.最小化生成数据与真实数据的分布差异

B.最大化将真实数据判断为“真”、生成数据判断为“假”的概率

C.最小化生成数据的多样性

D.最大化生成数据的清晰度

9.在自然语言处理中，BERT模型的预训练任务不包括：

A.掩码语言模型（MLM）

B.下一句预测（NSP）

C.情感倾向分类（SentimentClassification）

D.词元预测（TokenPrediction）

10.关于随机森林（RandomForest）的描述，正确的是：

A.所有决策树使用相同的训练数据

B.每个树的分裂特征子集是随机选择的

C.只能处理分类任务，不能处理回归任务

D.相比单棵决策树，更容易过拟合

二、填空题（每空1分，共15分）

1.决策树中常用的分裂准则包括信息增益、基尼系数和__________。

2.线性回归的闭式解（解析解）公式为__________（用矩阵表示）。

3.反向传播（Backpropagation）的核心思想是利用__________法则，从输出层向输入层逐层计算梯度。

4.循环神经网络（RNN）在处理长序列时容易出现__________问题，主要原因是梯度在反向传播时发生指数级衰减或爆炸。

5.BatchNormalization的计算步骤包括：对每个批次的输入计算均值和方差，然后进行__________和__________操作。

6.注意力机制的核心计算公式为：Attention(Q,K,V)=softmax(__________)V。

7.生成对抗网络（GAN）的目标函数可表示为：min_Gmax_D[E_{x~p_data}logD(x)+E_{z~p_z}log(1-D(G(z)))]，其中G是生成器，D是__________。

8.随机森林的“随机”体现在两个方面：一是__________的随机选择，二是__________的随机选择。

9.LSTM（长短期记忆网络）通过三个门控结构控制信息流动，分别是输入门、遗忘门和__________。

10.BERT模型在预训练阶段使用的两种任务是__________和下一句预测（NSP）。

三、简答题（每题5分，共30分）

1.简述支持向量机（SVM）与逻辑回归（LogisticRegression）在建模目标和优化方法上的主要区别。

2.解释深度学习中的“表示学习（Represe