常见的人工智能面试问题(附答案).docxVIP

常见的人工智能面试问题(附答案)

一、单项选择题（每题3分，共30分）

1.在机器学习中，下列哪种方法最适合处理高维稀疏特征？

A.逻辑回归

B.支持向量机

C.决策树

D.K近邻

答案：A

解析：逻辑回归在线性模型中通过L1正则化可以天然地进行特征选择，计算高效且适合高维稀疏场景。而K近邻和SVM在高维稀疏数据上计算代价高且易受维度灾难影响。

2.下列哪个激活函数在反向传播中容易导致梯度消失问题？

A.ReLU

B.Sigmoid

C.LeakyReLU

D.Tanh

答案：B

解析：Sigmoid函数在输入绝对值较大时导数趋近于0，多层叠加后梯度连乘极易消失。Tanh虽然改善了输出零中心化，但饱和区同样存在梯度消失。

3.在CNN中，1x1卷积的主要作用不包括以下哪项？

A.改变通道数

B.增加非线性

C.扩大感受野

D.降低计算量

答案：C

解析：1x1卷积只对单个像素在通道维度做线性组合，不会聚合空间邻域信息，因此不能扩大感受野。而改变通道数、引入非线性（后者接激活函数）是其主要用途。扩大感受野需要pooling或大尺寸卷积核。

4.在强化学习中，探索与利用的权衡问题通常通过下列哪种策略解决？

A.梯度裁剪

B.Dropout

C.Epsilon-greedy

D.批归一化

答案：C

解析：E