报名方式

人工智能应用工程师复习题

分值说明：满分100分，60分及格；单选20题每题2分，多选10题每题3分，简答3题每题10分；实操2道简答，一道50分。以下节选10题作练习，题型与分值按大纲标注。

一、单选题（每题2分）

1、下列哪项属于监督学习任务（　）

A、K-means聚类

B、PCA主成分分析

C、逻辑回归分类

D、DBSCAN密度聚类

参考答案：C

解析：监督学习依赖带标签数据，逻辑回归用于分类预测；其余三项均为无监督学习方法。

2、模型在训练集上表现很好、在测试集上表现明显变差，这种现象称为（　）

A、欠拟合

B、过拟合

C、梯度消失

D、数据泄漏

参考答案：B

解析：过拟合指模型过度记忆训练数据的噪声与细节，导致泛化能力下降，可通过正则化、扩充数据、简化模型等缓解。

3、深度学习中最常用的激活函数ReLU的表达式是（　）

A、f(x)=max(0,x)

B、f(x)=1/(1+e的负x次方)

C、f(x)=tanh(x)

D、f(x)=x的平方

参考答案：A

解析：ReLU即f(x)=max(0,x)，计算简单且能缓解梯度消失，是深层网络中的常用激活函数。

4、在分类任务中，用来衡量“预测为正且实际为正”占全部预测为正样本比例（即查准率）的指标是（　）

A、准确率（Accuracy）

B、精确率（Precision）

C、召回率（Recall）

D、F1值

参考答案：B

解析：精确率=TP/(TP+FP)，衡量预测为正的样本中真正为正的比例；召回率衡量实际为正的样本被找出的比例。

5、当前主流大语言模型（如GPT系列）的核心网络结构是（　）

A、卷积神经网络CNN

B、循环神经网络RNN

C、Transformer

D、支持向量机SVM

参考答案：C

解析：Transformer基于自注意力机制，可并行处理长序列并捕捉长距离依赖，是大语言模型的核心架构。

二、多选题（每题3分）

6、下列属于数据预处理环节的有（　）

A、缺失值处理

B、数据归一化或标准化

C、特征编码（如独热编码）

D、不经分析直接删除全部异常样本

参考答案：ABC

解析：缺失值处理、归一化和特征编码均为常规预处理步骤；异常值应结合业务分析后谨慎处理，全部删除易丢失信息、引入偏差。

7、关于大模型提示工程（Prompt Engineering），下列做法正确的有（　）

A、在提示中明确角色、任务目标与输出格式

B、提供少量示例（Few-shot）以提升输出质量

C、对复杂任务进行分步拆解（思维链Chain of Thought）

D、提示越模糊越有利于模型自由发挥

参考答案：ABC

解析：清晰指令、少样本示例和思维链拆解都是提升大模型输出稳定性的有效方法；提示模糊会导致结果不可控、难以复现。

8、下列属于人工智能应用中的风险与合规问题的有（　）

A、训练数据中的个人隐私泄露

B、算法偏见与歧视

C、生成内容的事实性错误（幻觉）

D、模型部署时使用GPU进行推理加速

参考答案：ABC

解析：隐私泄露、算法偏见、内容幻觉均是AI应用需重点防范的风险与合规问题；GPU加速属于性能优化手段，不属于风险范畴。

三、简答题（每题10分）

9、请简述模型过拟合（Overfitting）的常见原因，并说明至少三种缓解方法。（10分）

参考答案要点：

原因：训练数据量不足或分布单一、模型复杂度过高、特征过多含噪声、训练轮次过多、训练集与测试集分布差异大。

方法：一是增加训练数据或进行数据增强；二是采用正则化（L1、L2）与Dropout；三是简化模型结构、减少参数量；四是使用早停（Early Stopping）；五是采用交叉验证并做好数据划分。

解析：本题考察对过拟合机理及工程调优手段的系统理解，作答时需将“原因”和“方法”分点陈述，逻辑清晰、要点齐全即可得分。

四、实操简答题（每题50分）

10、实操题：某在线教育平台希望利用用户的学习行为数据，预测用户是否存在流失风险，并要求将模型上线为可对外调用的服务。请写出完整的解决方案思路，需包含数据处理、特征工程、模型选择、评估与部署等环节。（50分）

参考答案要点：

数据处理：明确业务目标与标签定义（如“连续7天未登录”记为流失）；采集并清洗用户行为、课程、订单等数据，处理缺失值、去重、异常值，按时间划分训练集与测试集，防止数据泄漏。

特征工程：构建活跃度特征（登录频次、时长、课程完成率）、消费特征（付费金额、续费情况）、互动特征（评论、提问）等；对类别特征编码、数值特征归一化，并做特征筛选。

模型选择：可先以逻辑回归等可解释模型建立基线，再尝试XGBoost、LightGBM或神经网络等，通过交叉验证对比效果。

评估：因流失样本通常不均衡，宜采用精确率、召回率、F1值及AUC等指标，并结合业务权衡查准与查全。

部署：将模型封装为API服务（如Flask、FastAPI），做好版本管理、监控与定期重训练，输出流失概率并联动运营干预。

解析：本题为开放性实操题，重点考察从问题定义到落地部署的完整工程能力，方案合理、环节完整、有指标与监控意识即可获得高分。