2025年人工智能與機(jī)器學(xué)習(xí)基本概念考試試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)不屬于監(jiān)督學(xué)習(xí)任務(wù)？A.圖像分類（標(biāo)簽為“貓”“狗”）B.客戶分群（無預(yù)設(shè)類別）C.房價(jià)預(yù)測（目標(biāo)為連續(xù)數(shù)值）D.垃圾郵件識(shí)別（標(biāo)簽為“是”“否”）2.關(guān)于支持向量機(jī)（SVM）的核函數(shù)，以下描述錯(cuò)誤的是？A.線性核適用于特征可線性分離的場景B.高斯核（RBF核）能處理非線性可分?jǐn)?shù)據(jù)C.多項(xiàng)式核的復(fù)雜度與階數(shù)無關(guān)D.核函數(shù)的作用是將低維數(shù)據(jù)映射到高維空間3.在邏輯回歸中，若樣本標(biāo)簽為0或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.絕對(duì)誤差（MAE）D.Huber損失4.以下哪項(xiàng)是解決過擬合的常用方法？A.增加訓(xùn)練數(shù)據(jù)量B.減少模型復(fù)雜度C.添加正則化項(xiàng)（如L2正則）D.以上都是5.梯度下降優(yōu)化過程中，“梯度”的數(shù)學(xué)含義是？A.目標(biāo)函數(shù)的二階導(dǎo)數(shù)B.目標(biāo)函數(shù)在當(dāng)前點(diǎn)的變化率最大的方向C.輸入數(shù)據(jù)的特征梯度D.模型參數(shù)的隨機(jī)擾動(dòng)方向6.深度學(xué)習(xí)中，激活函數(shù)的主要作用是？A.加速計(jì)算B.引入非線性能力C.防止梯度消失D.標(biāo)準(zhǔn)化輸入數(shù)據(jù)7.在自然語言處理（NLP）中，詞嵌入（WordEmbedding）的核心目的是？A.將單詞轉(zhuǎn)換為唯一整數(shù)IDB.捕捉單詞的語義和上下文關(guān)系C.壓縮文本數(shù)據(jù)的存儲(chǔ)空間D.減少文本中的噪聲8.以下哪種機(jī)器學(xué)習(xí)算法屬于生成模型？A.邏輯回歸B.樸素貝葉斯C.支持向量機(jī)D.決策樹9.評(píng)估分類模型時(shí)，若關(guān)注“在預(yù)測為正類的樣本中，實(shí)際為正類的比例”，應(yīng)選擇以下哪個(gè)指標(biāo)？A.準(zhǔn)確率（Accuracy）B.精確率（Precision）C.召回率（Recall）D.F1值10.遷移學(xué)習(xí)（TransferLearning）的主要應(yīng)用場景是？A.目標(biāo)任務(wù)數(shù)據(jù)量充足時(shí)B.目標(biāo)任務(wù)與源任務(wù)領(lǐng)域差異極大時(shí)C.目標(biāo)任務(wù)數(shù)據(jù)量稀缺，但存在相關(guān)領(lǐng)域的大量數(shù)據(jù)時(shí)D.所有機(jī)器學(xué)習(xí)任務(wù)都需要遷移學(xué)習(xí)二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)按任務(wù)類型可分為______、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。2.決策樹的分裂準(zhǔn)則通常包括信息增益、______和基尼系數(shù)。3.深度學(xué)習(xí)中，常用于解決梯度消失問題的激活函數(shù)是______（寫出一種）。4.在K近鄰（KNN）算法中，若K值過小，模型容易______（過擬合/欠擬合）。5.評(píng)估回歸模型的常用指標(biāo)有均方誤差（MSE）、______（寫出一種）。6.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的主要缺陷是難以捕捉______的依賴關(guān)系。7.Transformer模型中，“自注意力機(jī)制”的核心是計(jì)算輸入序列中______的相關(guān)性。8.集成學(xué)習(xí)的兩種主要方法是______（如隨機(jī)森林）和提升（Boosting，如XGBoost）。9.強(qiáng)化學(xué)習(xí)中的“獎(jiǎng)勵(lì)函數(shù)”用于量化智能體在環(huán)境中______的優(yōu)劣。10.特征工程中，將連續(xù)特征離散化的常用方法有等距分箱、______（寫出一種）。三、簡答題（每題8分，共40分）1.解釋“偏差-方差權(quán)衡”（Bias-VarianceTradeoff）的含義，并說明其對(duì)模型選擇的指導(dǎo)意義。2.對(duì)比隨機(jī)森林（RandomForest）與梯度提升樹（GradientBoostingDecisionTree,GBDT）的核心差異（至少3點(diǎn)）。3.簡述卷積神經(jīng)網(wǎng)絡(luò)（CNN）中“卷積層”和“池化層”的作用。4.自然語言處理中，“預(yù)訓(xùn)練模型（如BERT）”為何能提升下游任務(wù)的性能？請(qǐng)從數(shù)據(jù)利用和特征學(xué)習(xí)角度說明。5.列舉機(jī)器學(xué)習(xí)模型部署時(shí)需考慮的3個(gè)關(guān)鍵問題，并簡要解釋。四、綜合分析題（每題10分，共20分）1.某團(tuán)隊(duì)開發(fā)了一個(gè)預(yù)測用戶是否會(huì)購買某商品的二分類模型，訓(xùn)練數(shù)據(jù)包含10萬條樣本（正類占比5%），測試集上準(zhǔn)確率為95%，但業(yè)務(wù)方反饋模型“不好用”。請(qǐng)分析可能的原因，并提出至少2種改進(jìn)方案。2.假設(shè)需設(shè)計(jì)一個(gè)基于機(jī)器學(xué)習(xí)的智能客服對(duì)話系統(tǒng)，需處理用戶的問題分類（如“咨詢”“投訴”“售后”）和答案生成。請(qǐng)簡述關(guān)鍵技術(shù)步驟（從數(shù)據(jù)準(zhǔn)備到模型部署），并說明每一步的核心任務(wù)。答案一、單項(xiàng)選擇題1.B（客戶分群屬于無監(jiān)督學(xué)習(xí)）2.C（多項(xiàng)式核的復(fù)雜度隨階數(shù)增加而升高）3.B（邏輯回歸用于分類，交叉熵?fù)p失適合分類任務(wù)）4.D（增加數(shù)據(jù)、降低復(fù)雜度、正則化均是抗過擬合方法）5.B（梯度是目標(biāo)函數(shù)在當(dāng)前點(diǎn)的最速下降方向）6.B（激活函數(shù)引入非線性，否則多層網(wǎng)絡(luò)等價(jià)于單層）7.B（詞嵌入的核心是捕捉語義和上下文關(guān)系）8.B（樸素貝葉斯通過概率分布生成數(shù)據(jù)，屬于生成模型）9.B（精確率=真正例/(真正例+假正例)）10.C（遷移學(xué)習(xí)適用于目標(biāo)任務(wù)數(shù)據(jù)少但源任務(wù)有大量相關(guān)數(shù)據(jù)的場景）二、填空題1.監(jiān)督學(xué)習(xí)2.信息增益率（或互信息）3.ReLU（或LeakyReLU、GELU等）4.過擬合5.平均絕對(duì)誤差（MAE）或R2分?jǐn)?shù)6.長距離（或長期）7.各位置元素（或詞與詞）8.Bagging（裝袋）9.行為（或動(dòng)作）10.等頻分箱（或聚類分箱、卡方分箱）三、簡答題1.偏差-方差權(quán)衡：偏差（Bias）指模型對(duì)真實(shí)關(guān)系的擬合能力不足（欠擬合），方差（Variance）指模型對(duì)訓(xùn)練數(shù)據(jù)噪聲的敏感程度（過擬合）。二者之和決定泛化誤差。指導(dǎo)意義：模型選擇需平衡復(fù)雜度，避免高偏差（如簡單模型無法捕捉非線性關(guān)系）或高方差（如復(fù)雜模型過度擬合噪聲），通過交叉驗(yàn)證選擇泛化誤差最小的模型。2.隨機(jī)森林與GBDT的差異：-集成方式：隨機(jī)森林是Bagging（并行訓(xùn)練多棵決策樹，取平均）；GBDT是Boosting（串行訓(xùn)練，每棵樹修正前序模型的殘差）。-誤差處理：隨機(jī)森林通過樣本和特征的隨機(jī)采樣降低方差；GBDT通過梯度下降優(yōu)化損失函數(shù)，降低偏差。-抗過擬合：隨機(jī)森林因樹間獨(dú)立，抗過擬合能力較強(qiáng)；GBDT因串行疊加易過擬合，需控制樹的深度或?qū)W習(xí)率。-輸出方式：隨機(jī)森林輸出多棵樹的投票或平均；GBDT輸出累加的預(yù)測值。（任意3點(diǎn)即可）3.卷積層：通過卷積核（濾波器）滑動(dòng)計(jì)算輸入特征圖的局部區(qū)域，提取空間局部特征（如邊緣、紋理），共享權(quán)重減少參數(shù)。池化層：通過下采樣（如最大池化、平均池化）降低特征圖尺寸，減少計(jì)算量，同時(shí)保留主要特征，增強(qiáng)平移不變性。4.預(yù)訓(xùn)練模型提升下游任務(wù)性能的原因：-數(shù)據(jù)利用：在大規(guī)模無標(biāo)注文本（如維基百科）上預(yù)訓(xùn)練，學(xué)習(xí)通用語言表征，解決下游任務(wù)數(shù)據(jù)不足的問題。-特征學(xué)習(xí)：通過深度網(wǎng)絡(luò)（如Transformer）捕捉長距離依賴和復(fù)雜語義關(guān)系，生成上下文相關(guān)的詞向量，為下游任務(wù)（如分類、問答）提供高質(zhì)量特征，減少從頭訓(xùn)練的成本。5.模型部署的關(guān)鍵問題：-延遲與性能：模型推理速度需滿足業(yè)務(wù)需求（如實(shí)時(shí)推薦需毫秒級(jí)響應(yīng)），可能需模型壓縮（剪枝、量化）或硬件加速（GPU/TPU）。-環(huán)境一致性：訓(xùn)練與部署環(huán)境（如框架版本、依賴庫）需一致，避免因配置差異導(dǎo)致預(yù)測結(jié)果偏差。-可解釋性與可靠性：關(guān)鍵場景（如醫(yī)療診斷）需解釋模型決策依據(jù)，同時(shí)監(jiān)控模型漂移（數(shù)據(jù)分布變化導(dǎo)致性能下降）。-安全性：防止對(duì)抗攻擊（輸入擾動(dòng)導(dǎo)致錯(cuò)誤預(yù)測），保護(hù)用戶隱私（如敏感信息脫敏）。（任意3點(diǎn)即可）四、綜合分析題1.原因分析：-數(shù)據(jù)不平衡：正類占比僅5%，模型可能通過“全預(yù)測負(fù)類”達(dá)到95%準(zhǔn)確率，但正類召回率極低（業(yè)務(wù)關(guān)注的“購買用戶”未被正確識(shí)別）。-評(píng)估指標(biāo)單一：僅用準(zhǔn)確率無法反映少數(shù)類的預(yù)測效果，需結(jié)合精確率、召回率、F1值或AUC-ROC分析。-業(yè)務(wù)需求不匹配：業(yè)務(wù)可能更關(guān)注“識(shí)別潛在購買用戶”（召回率），而非整體準(zhǔn)確率。改進(jìn)方案：-調(diào)整數(shù)據(jù)：通過過采樣（SMOTE）增加正類樣本，或欠采樣減少負(fù)類樣本，緩解不平衡。-調(diào)整模型：使用加權(quán)交叉熵?fù)p失（增大正類樣本的損失權(quán)重），或選擇對(duì)不平衡數(shù)據(jù)更魯棒的算法（如XGBoost支持樣本權(quán)重）。-優(yōu)化評(píng)估指標(biāo)：引入F1值、召回率或PR曲線（精確率-召回率曲線），綜合評(píng)估模型對(duì)正類的捕捉能力。2.關(guān)鍵技術(shù)步驟：-數(shù)據(jù)準(zhǔn)備：收集多輪對(duì)話日志，標(biāo)注問題類別（“咨詢”“投訴”等）和對(duì)應(yīng)答案；清洗數(shù)據(jù)（去重、過濾亂碼），構(gòu)建訓(xùn)練集、驗(yàn)證集、測試集。-特征工程：文本預(yù)處理（分詞、去停用詞），使用預(yù)訓(xùn)練詞嵌入（如BERT）或詞向量（如Word2Vec）將文本轉(zhuǎn)換為向量；若需上下文感知，采用序列模型（如LSTM）或Transformer捕捉對(duì)話歷史。-模型構(gòu)建：-問題分類：使用分類模型（如TextCNN、BERT微調(diào)），輸入對(duì)話文本，輸出類別概率。-答案生成：采用序列到序列（Seq2Seq）模型（如Transformer），或檢索式方法（從知