2025年人工智能與機(jī)器學(xué)習(xí)考試題及答案一、單項選擇題（每題2分，共20分）1.以下哪項任務(wù)屬于典型的監(jiān)督學(xué)習(xí)？A.對用戶評論進(jìn)行情感分類（積極/消極）B.對未標(biāo)注的客戶交易數(shù)據(jù)進(jìn)行聚類C.用PCA對高維圖像數(shù)據(jù)降維D.通過強化學(xué)習(xí)訓(xùn)練機(jī)器人走迷宮2.在神經(jīng)網(wǎng)絡(luò)中，ReLU激活函數(shù)（f(x)=max(0,x)）的主要優(yōu)點是：A.避免梯度消失問題B.輸出范圍在(0,1)，適合二分類C.計算復(fù)雜度低，導(dǎo)數(shù)為常數(shù)D.解決過擬合問題3.關(guān)于集成學(xué)習(xí)（EnsembleLearning），以下描述錯誤的是：A.隨機(jī)森林（RandomForest）通過自助采樣（Bootstrap）生成不同訓(xùn)練集B.梯度提升樹（GBDT）每次迭代擬合前一輪模型的殘差C.集成學(xué)習(xí)的效果一定優(yōu)于單個基模型D.投票法（Voting）要求基模型之間具有一定的差異性4.在自然語言處理（NLP）中，Transformer模型的核心機(jī)制是：A.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的長短期記憶（LSTM）B.注意力機(jī)制（Attention）的并行計算能力C.卷積神經(jīng)網(wǎng)絡(luò)（CNN）的局部特征提取D.生成對抗網(wǎng)絡(luò)（GAN）的對抗訓(xùn)練5.以下哪項是無監(jiān)督學(xué)習(xí)的典型應(yīng)用？A.根據(jù)歷史銷售數(shù)據(jù)預(yù)測下月銷量B.從用戶點擊日志中發(fā)現(xiàn)潛在興趣分組C.用標(biāo)注好的醫(yī)學(xué)圖像訓(xùn)練腫瘤識別模型D.通過獎勵機(jī)制訓(xùn)練智能體玩游戲6.邏輯回歸（LogisticRegression）中，若樣本標(biāo)簽為0/1，其損失函數(shù)通常選擇：A.均方誤差（MSE）B.交叉熵?fù)p失（Cross-EntropyLoss）C.Hinge損失D.絕對誤差（MAE）7.關(guān)于過擬合（Overfitting），以下說法正確的是：A.增加訓(xùn)練數(shù)據(jù)量可以緩解過擬合B.過擬合的模型在訓(xùn)練集和測試集上的表現(xiàn)都很差C.降低模型復(fù)雜度會導(dǎo)致過擬合D.L1正則化只能防止梯度消失，不能緩解過擬合8.在強化學(xué)習(xí)中，智能體（Agent）的核心目標(biāo)是：A.最小化即時獎勵的總和B.最大化長期累積獎勵的期望C.準(zhǔn)確擬合環(huán)境的狀態(tài)轉(zhuǎn)移概率D.完全模仿人類專家的決策9.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，池化層（Pooling）的主要作用是：A.增加特征圖的深度B.減少參數(shù)數(shù)量，平移不變性C.引入非線性變換D.直接輸出分類結(jié)果10.以下哪項不屬于遷移學(xué)習(xí)（TransferLearning）的應(yīng)用場景？A.用預(yù)訓(xùn)練的BERT模型微調(diào)完成特定領(lǐng)域的文本分類B.將ImageNet預(yù)訓(xùn)練的ResNet模型用于醫(yī)學(xué)影像分類C.從頭訓(xùn)練一個模型處理全新的圖像識別任務(wù)D.利用已有的情感分析模型參數(shù)初始化新的評論評分模型二、填空題（每題2分，共20分）1.機(jī)器學(xué)習(xí)中，將數(shù)據(jù)分為訓(xùn)練集、驗證集和測試集的主要目的是________。2.支持向量機(jī)（SVM）的核心思想是尋找________的超平面。3.梯度下降算法中，每次僅用一個樣本計算梯度的方法稱為________。4.LSTM（長短期記憶網(wǎng)絡(luò)）通過________、遺忘門和輸出門控制信息流動。5.決策樹中，信息增益的計算公式為________（用H表示熵）。6.生成對抗網(wǎng)絡(luò)（GAN）由生成器（Generator）和________組成。7.在協(xié)同過濾推薦系統(tǒng)中，基于用戶的協(xié)同過濾（User-CF）依賴于________的相似性。8.自然語言處理中，詞嵌入（WordEmbedding）的作用是將離散的詞語映射到________。9.深度學(xué)習(xí)中，BatchNormalization（BN）層的主要功能是________。10.強化學(xué)習(xí)的三要素是狀態(tài)（State）、動作（Action）和________。三、簡答題（每題8分，共40分）1.解釋“欠擬合”（Underfitting）的定義、產(chǎn)生原因及解決方法。2.對比隨機(jī)森林（RandomForest）與梯度提升樹（GBDT）在原理和應(yīng)用上的差異。3.說明Transformer模型中“多頭注意力”（Multi-HeadAttention）的作用。4.列舉并解釋三種常用的模型評估指標(biāo)（需覆蓋分類、回歸、排序任務(wù)）。5.簡述如何通過早停法（EarlyStopping）和正則化（Regularization）緩解過擬合問題。四、計算題（每題10分，共20分）1.假設(shè)有一個二分類邏輯回歸模型，參數(shù)向量w=[0.5,-0.3]，偏置b=0.2?，F(xiàn)有一個樣本x=[2,3]，標(biāo)簽y=1。（1）計算該樣本的預(yù)測概率p=σ(w·x+b)（σ為sigmoid函數(shù)）；（2）計算交叉熵?fù)p失L=-[y·ln(p)+(1-y)·ln(1-p)]。2.給定一個二分類數(shù)據(jù)集（特征為“天氣”和“溫度”，標(biāo)簽為“是否出行”）：|天氣（晴/雨）|溫度（高/低）|是否出行（是/否）||--|--|||晴|高|是||晴|低|是||雨|高|否||雨|低|否|計算“天氣”特征的信息增益（要求寫出熵和條件熵的計算過程）。五、綜合應(yīng)用題（20分）假設(shè)你需要為某電商平臺設(shè)計一個商品推薦系統(tǒng)，目標(biāo)是提升用戶的點擊轉(zhuǎn)化率（CTR）。請結(jié)合機(jī)器學(xué)習(xí)知識，回答以下問題：（1）推薦系統(tǒng)的輸入數(shù)據(jù)通常包含哪些類型？請列舉3類并說明其作用；（2）選擇一種適合的機(jī)器學(xué)習(xí)模型（如邏輯回歸、深度神經(jīng)網(wǎng)絡(luò)、Transformer等），并說明選擇理由；（3）設(shè)計模型的訓(xùn)練目標(biāo)（損失函數(shù)）和評估指標(biāo)；（4）提出兩種優(yōu)化模型效果的策略（如特征工程、正則化、數(shù)據(jù)增強等）。答案一、單項選擇題1.A2.A3.C4.B5.B6.B7.A8.B9.B10.C二、填空題1.評估模型的泛化能力2.最大間隔3.隨機(jī)梯度下降（SGD）4.輸入門5.信息增益=H(D)-H(D|A)（H(D)為數(shù)據(jù)集的熵，H(D|A)為特征A劃分后的條件熵）6.判別器（Discriminator）7.用戶之間8.連續(xù)的低維向量空間9.加速訓(xùn)練，緩解內(nèi)部協(xié)變量偏移（InternalCovariateShift）10.獎勵（Reward）三、簡答題1.欠擬合定義：模型無法捕捉數(shù)據(jù)的基本規(guī)律，在訓(xùn)練集和測試集上表現(xiàn)均較差。產(chǎn)生原因：模型復(fù)雜度不足（如線性模型擬合非線性數(shù)據(jù)）、特征表達(dá)能力弱、訓(xùn)練迭代次數(shù)不足。解決方法：增加模型復(fù)雜度（如使用多項式特征、深度神經(jīng)網(wǎng)絡(luò)）、增加特征數(shù)量或進(jìn)行特征工程、延長訓(xùn)練時間。2.原理差異：隨機(jī)森林通過Bagging（自助采樣+基模型并行訓(xùn)練）集成多棵決策樹，每棵樹獨立；GBDT通過Boosting（串行訓(xùn)練，每棵樹擬合前一輪的殘差）集成多棵決策樹。應(yīng)用差異：隨機(jī)森林魯棒性強，適合處理噪聲數(shù)據(jù)；GBDT通常預(yù)測精度更高，但易過擬合，需調(diào)整學(xué)習(xí)率。3.多頭注意力作用：將注意力機(jī)制分解為多個頭（Head），每個頭學(xué)習(xí)不同的注意力模式（如局部特征、全局依賴），最后將結(jié)果拼接，增強模型對不同語義信息的捕捉能力，提升特征表達(dá)的多樣性。4.分類任務(wù)：準(zhǔn)確率（Accuracy）=正確分類數(shù)/總樣本數(shù)，衡量整體正確性；回歸任務(wù)：均方誤差（MSE）=Σ(預(yù)測值-真實值)2/N，衡量預(yù)測值與真實值的偏差；排序任務(wù)：歸一化折損累計增益（NDCG），考慮排序位置對相關(guān)性的影響，值越高排序效果越好。5.早停法：在訓(xùn)練過程中監(jiān)控驗證集損失，當(dāng)損失不再下降甚至上升時停止訓(xùn)練，避免模型過度擬合訓(xùn)練數(shù)據(jù)；正則化：在損失函數(shù)中添加正則項（如L1/L2正則），懲罰過大的模型參數(shù)，限制模型復(fù)雜度，降低過擬合風(fēng)險。四、計算題1.（1）計算線性組合：w·x+b=0.5×2+(-0.3)×3+0.2=1-0.9+0.2=0.3；預(yù)測概率p=σ(0.3)=1/(1+e^(-0.3))≈0.5744；（2）交叉熵?fù)p失L=-[1×ln(0.5744)+(1-1)×ln(1-0.5744)]≈-ln(0.5744)≈0.554。2.（1）計算數(shù)據(jù)集的熵H(D)：總樣本數(shù)4，“是”和“否”各2個；H(D)=-(2/4)ln(2/4)-(2/4)ln(2/4)=-0.5×(-0.6931)×2=0.6931（比特）。（2）計算“天氣”特征的條件熵H(D|天氣)：-天氣為“晴”時，樣本2個，標(biāo)簽均為“是”，熵H(D|晴)=-(2/2)ln(2/2)-0=0；-天氣為“雨”時，樣本2個，標(biāo)簽均為“否”，熵H(D|雨)=0；H(D|天氣)=(2/4)×0+(2/4)×0=0。（3）信息增益=H(D)-H(D|天氣)=0.6931-0=0.6931（比特）。五、綜合應(yīng)用題（1）輸入數(shù)據(jù)類型：-用戶特征：年齡、性別、歷史購買行為（用于刻畫用戶偏好）；-商品特征：類別、價格、銷量（用于描述商品屬性）；-交互特征：用戶-商品點擊/購買歷史（反映用戶與商品的關(guān)聯(lián)度）。（2）模型選擇：選擇Wide&Deep模型。理由：Wide部分通過線性模型捕捉用戶的高頻行為模式（記憶能力），Deep部分通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶與商品的潛在關(guān)聯(lián)（泛化能力），結(jié)合二者可同時優(yōu)化推薦的準(zhǔn)確性和多樣性。（3）訓(xùn)練目標(biāo)：使用交叉熵?fù)p失函數(shù)（CTR為二分類任務(wù)，標(biāo)簽為點擊/未點擊），公式：L=-Σ(y_iln(p_i)+(1-y_i)ln(1-p_i))，其中y_i為真實標(biāo)簽，p_i為預(yù)測點擊概率。評估指標(biāo)：AUC（衡量模型對