2025年人工智能與機(jī)器學(xué)習(xí)試卷及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪種損失函數(shù)最適合邏輯回歸的二分類任務(wù)？A.均方誤差（MSE）B.交叉熵?fù)p失（Cross-EntropyLoss）C.合頁(yè)損失（HingeLoss）D.絕對(duì)誤差（MAE）2.在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)，若梯度消失問(wèn)題嚴(yán)重，最可能的原因是？A.使用了ReLU激活函數(shù)B.網(wǎng)絡(luò)層數(shù)過(guò)深且使用Sigmoid激活函數(shù)C.學(xué)習(xí)率設(shè)置過(guò)大D.批量歸一化（BatchNorm）層被移除3.以下哪項(xiàng)不屬于無(wú)監(jiān)督學(xué)習(xí)任務(wù)？A.客戶分群（Clustering）B.主成分分析（PCA）降維C.圖像風(fēng)格遷移（StyleTransfer）D.垃圾郵件分類4.在支持向量機(jī)（SVM）中，引入核函數(shù)（KernelFunction）的主要目的是？A.解決線性不可分問(wèn)題B.減少計(jì)算復(fù)雜度C.提高模型泛化能力D.避免過(guò)擬合5.以下哪種優(yōu)化算法通過(guò)動(dòng)量（Momentum）機(jī)制加速收斂？A.SGD（隨機(jī)梯度下降）B.AdamC.RMSpropD.以上均是6.在決策樹(shù)（DecisionTree）中，信息增益（InformationGain）的計(jì)算基于？A.基尼系數(shù)（GiniImpurity）B.熵（Entropy）C.均方誤差D.交叉熵7.自然語(yǔ)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）B.自注意力機(jī)制（Self-Attention）C.卷積神經(jīng)網(wǎng)絡(luò)（CNN）D.長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）8.評(píng)估一個(gè)二分類模型時(shí)，若樣本類別極不均衡（如正類占1%），最不適合的指標(biāo)是？A.準(zhǔn)確率（Accuracy）B.F1分?jǐn)?shù)（F1-Score）C.AUC-ROCD.召回率（Recall）9.以下哪項(xiàng)是過(guò)擬合（Overfitting）的典型表現(xiàn)？A.訓(xùn)練集誤差低，測(cè)試集誤差高B.訓(xùn)練集誤差高，測(cè)試集誤差低C.訓(xùn)練集和測(cè)試集誤差均高D.訓(xùn)練集和測(cè)試集誤差均低10.在強(qiáng)化學(xué)習(xí)（ReinforcementLearning）中，“獎(jiǎng)勵(lì)延遲”（RewardDelay）問(wèn)題通常通過(guò)哪種方法緩解？A.經(jīng)驗(yàn)回放（ExperienceReplay）B.時(shí)間差分（TemporalDifference,TD）學(xué)習(xí)C.ε-貪心策略（ε-Greedy）D.策略梯度（PolicyGradient）二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)中，正則化（Regularization）的兩種主要形式是______和______。2.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積層的作用是______，池化層的作用是______。3.Transformer模型中的位置編碼（PositionalEncoding）用于______。4.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的主要缺陷是______，而LSTM通過(guò)______結(jié)構(gòu)緩解了這一問(wèn)題。5.評(píng)估回歸模型性能的常用指標(biāo)包括______和______（至少寫出兩個(gè)）。三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)（SupervisedLearning）與無(wú)監(jiān)督學(xué)習(xí)（UnsupervisedLearning）的核心區(qū)別，并各舉一例說(shuō)明。2.解釋批量歸一化（BatchNormalization）在深度學(xué)習(xí)中的作用及其實(shí)現(xiàn)原理。3.為什么深度神經(jīng)網(wǎng)絡(luò)需要使用非線性激活函數(shù)？若僅使用線性激活函數(shù)會(huì)導(dǎo)致什么問(wèn)題？4.分析過(guò)擬合（Overfitting）產(chǎn)生的原因，并列出至少三種解決方法。5.對(duì)比生成對(duì)抗網(wǎng)絡(luò)（GAN）與變分自編碼器（VAE）在生成模型中的差異，說(shuō)明各自的優(yōu)缺點(diǎn)。四、計(jì)算題（每題10分，共20分）1.假設(shè)有一個(gè)邏輯回歸模型，參數(shù)向量為w=[0.5,-0.3]，偏置b=0.2。輸入樣本x=[2,3]，計(jì)算該樣本的預(yù)測(cè)概率（sigmoid函數(shù)：σ(z)=1/(1+e^(-z))）。2.給定訓(xùn)練數(shù)據(jù)集如下（二分類，正類為1，負(fù)類為0）：|特征1（x?）|特征2（x?）|類別（y）||||--||1|2|0||3|4|1||2|1|0||4|3|1|假設(shè)使用決策樹(shù)的ID3算法（基于信息增益）選擇根節(jié)點(diǎn)的劃分特征（x?或x?），請(qǐng)計(jì)算x?和x?的信息增益，并判斷哪個(gè)特征更適合作為根節(jié)點(diǎn)。（注：熵的計(jì)算公式：H(Y)=-Σp(y)log?p(y)）五、綜合題（20分）設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的圖像分類系統(tǒng)，用于識(shí)別寵物貓和狗的品種（如布偶貓、金毛犬等，共10類）。要求：（1）畫出模型的基本架構(gòu)圖（文字描述即可）；（2）說(shuō)明各主要層的作用（如卷積層、全連接層、激活函數(shù)等）；（3）列出訓(xùn)練階段需要考慮的關(guān)鍵步驟（如數(shù)據(jù)預(yù)處理、損失函數(shù)選擇、優(yōu)化器設(shè)置等）；（4）提出至少兩種提升模型泛化能力的方法。答案一、單項(xiàng)選擇題1.B2.B3.D4.A5.D6.B7.B8.A9.A10.B二、填空題1.L1正則化（Lasso）、L2正則化（Ridge）2.提取局部特征（或特征提取）、降低特征維度（或平移不變性/減少計(jì)算量）3.捕捉序列中的位置信息（或解決序列順序問(wèn)題）4.梯度消失/爆炸（長(zhǎng)距離依賴問(wèn)題）、門控單元（輸入門、遺忘門、輸出門）5.均方誤差（MSE）、平均絕對(duì)誤差（MAE）、R2分?jǐn)?shù)三、簡(jiǎn)答題1.核心區(qū)別：監(jiān)督學(xué)習(xí)使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練，目標(biāo)是學(xué)習(xí)輸入到標(biāo)簽的映射；無(wú)監(jiān)督學(xué)習(xí)使用無(wú)標(biāo)簽數(shù)據(jù)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)。示例：監(jiān)督學(xué)習(xí)如根據(jù)郵件內(nèi)容預(yù)測(cè)是否為垃圾郵件（標(biāo)簽為“垃圾/非垃圾”）；無(wú)監(jiān)督學(xué)習(xí)如根據(jù)客戶消費(fèi)記錄進(jìn)行分群（無(wú)預(yù)設(shè)標(biāo)簽）。2.作用：BatchNormalization（BN）通過(guò)對(duì)每個(gè)批量的輸入數(shù)據(jù)進(jìn)行歸一化，減少內(nèi)部協(xié)變量偏移（InternalCovariateShift），加速訓(xùn)練、允許使用更大學(xué)習(xí)率，并緩解梯度消失。原理：對(duì)批量數(shù)據(jù)的每個(gè)特征維度計(jì)算均值μ和方差σ2，將數(shù)據(jù)歸一化為(x-μ)/√(σ2+ε)，再通過(guò)可學(xué)習(xí)的縮放因子γ和平移因子β調(diào)整，輸出γ(x-μ)/√(σ2+ε)+β。3.原因：非線性激活函數(shù)使神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜的非線性關(guān)系；若僅用線性激活函數(shù)（如y=wx+b），則多層網(wǎng)絡(luò)等價(jià)于單層線性模型，無(wú)法學(xué)習(xí)非線性特征。4.過(guò)擬合原因：模型復(fù)雜度過(guò)高（如參數(shù)過(guò)多）、訓(xùn)練數(shù)據(jù)量不足、數(shù)據(jù)噪聲干擾。解決方法：增加訓(xùn)練數(shù)據(jù)（數(shù)據(jù)增強(qiáng)）、正則化（L1/L2）、早停（EarlyStopping）、Dropout層、降低模型復(fù)雜度（如減少網(wǎng)絡(luò)層數(shù)/神經(jīng)元數(shù)量）。5.差異：GAN通過(guò)生成器（Generator）和判別器（Discriminator）的對(duì)抗訓(xùn)練生成數(shù)據(jù)；VAE通過(guò)編碼器（Encoder）學(xué)習(xí)數(shù)據(jù)分布的均值和方差，再通過(guò)解碼器（Decoder）生成數(shù)據(jù)。優(yōu)缺點(diǎn)：GAN生成樣本更清晰，但訓(xùn)練不穩(wěn)定（模式崩潰）；VAE訓(xùn)練穩(wěn)定，可量化生成分布，但樣本模糊。四、計(jì)算題1.計(jì)算步驟：線性組合z=w·x+b=0.5×2+(-0.3)×3+0.2=1-0.9+0.2=0.3預(yù)測(cè)概率p=σ(z)=1/(1+e^(-0.3))≈0.57442.信息增益計(jì)算：-總樣本數(shù)N=4，正類（y=1）2個(gè)，負(fù)類（y=0）2個(gè)?？傡豀(Y)=-(2/4)log?(2/4)-(2/4)log?(2/4)=-0.5×(-1)-0.5×(-1)=1-特征x?的劃分：x?的可能取值為1、2、3、4（假設(shè)連續(xù)特征需離散化，此處按實(shí)際值分組）。觀察數(shù)據(jù)，x?≤2時(shí)樣本為[1,2,0]、[2,1,0]（y=0的2個(gè)）；x?>2時(shí)樣本為[3,4,1]、[4,3,1]（y=1的2個(gè)）。條件熵H(Y|x?)=(2/4)H(Y|x?≤2)+(2/4)H(Y|x?>2)H(Y|x?≤2)=-(2/2)log?(2/2)-0=0（全為負(fù)類）H(Y|x?>2)=-(2/2)log?(2/2)-0=0（全為正類）故H(Y|x?)=0.5×0+0.5×0=0信息增益IG(x?)=H(Y)-H(Y|x?)=1-0=1-特征x?的劃分：x?的可能取值為1、2、3、4。x?≤2時(shí)樣本為[1,2,0]、[2,1,0]（y=0的2個(gè)）；x?>2時(shí)樣本為[3,4,1]、[4,3,1]（y=1的2個(gè)）。同理，H(Y|x?)=0，信息增益IG(x?)=1-0=1結(jié)論：x?和x?的信息增益相同，均可作為根節(jié)點(diǎn)（實(shí)際中可任選其一）。五、綜合題（1）模型架構(gòu)：輸入層→卷積塊1（Conv+ReLU+MaxPool）→卷積塊2（Conv+ReLU+MaxPool）→全局平均池化（GlobalAveragePooling）→全連接層1（ReLU）→Dropout層→全連接層2（Softmax）→輸出層（10類）。（2）各層作用：-卷積塊：通過(guò)卷積核提取圖像局部特征（如邊緣、紋理），ReLU激活增加非線性，MaxPool降低空間維度（減少計(jì)算量，增強(qiáng)平移不變性）。-全局平均池化：將最后一層卷積特征圖的每個(gè)通道取平均，轉(zhuǎn)化為一維向量，替代全連接層以減少參數(shù)。-全連接層1：整合高層抽象特征；Dropout層：隨機(jī)失活神經(jīng)元，防止過(guò)擬合。-全連接層2（Softmax）：輸出10類的概率分布。（3）訓(xùn)練關(guān)鍵步驟：-數(shù)據(jù)預(yù)處理：歸一化（如像素值除以255）、數(shù)據(jù)增強(qiáng)（隨機(jī)翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪）、劃分訓(xùn)練集/驗(yàn)證集。