人工智能與機器學習單選題（50道）

1. 機器學習的核心目標是：

A. 通過硬編碼規則解決問題
B. 從數據中自動學習模式
C. 提高計算機硬件性能
D. 優化數據庫查詢速度

2. 以下屬于監督學習任務的是：

A. 聚類分析
B. 圖像分類
C. 異常檢測
D. 關聯規則挖掘

3. 過擬合的典型表現是：

A. 訓練誤差和測試誤差均高
B. 訓練誤差低，測試誤差高
C. 訓練誤差高，測試誤差低
D. 模型無法收斂

4. 以下哪種算法屬于無監督學習？

A. 邏輯回歸
B. K-Means聚類
C. 支持向量機（SVM）
D. 隨機森林

5. 交叉驗證的主要作用是：

A. 減少數據維度
B. 評估模型泛化能力
C. 加速訓練過程
D. 生成合成數據

6. 隨機森林的基分類器是：

A. 線性回歸模型
B. 決策樹
C. 神經網絡
D. 貝葉斯網絡

7. 深度學習中的“Dropout”技術用于：

A. 數據增強
B. 防止過擬合
C. 加速收斂
D. 特征提取

8. 分類問題中不常用的評價指標是：

A. 準確率
B. 均方誤差（MSE）
C. F1分數
D. ROC-AUC

9. PCA（主成分分析）的核心目標是：

A. 分類數據
B. 降低數據維度
C. 生成新數據
D. 優化計算速度

10. 梯度下降算法用于：

A. 計算數據統計量
B. 優化模型參數
C. 可視化數據分布
D. 清洗噪聲數據

11. 神經網絡中反向傳播的作用是：

A. 調整權重參數
B. 初始化網絡結構
C. 標準化輸入數據
D. 生成對抗樣本

12. SVM（支持向量機）的核心是：

A. 最大化分類間隔
B. 最小化數據維度
C. 擬合多項式函數
D. 隨機劃分邊界

13. 以下屬于集成學習算法的是：

A. K近鄰（KNN）
B. XGBoost
C. 單一決策樹
D. 線性回歸

14. 邏輯回歸的輸出范圍是：

A. (-∞, +∞)
B. [0, 1]
C. 任意實數
D. 離散類別

15. 卷積神經網絡（CNN）擅長的任務是：

A. 時間序列預測
B. 圖像識別
C. 文本分類
D. 結構化數據回歸

16. 以下哪個是回歸問題的評價指標？

A. 精確率
B. 均方根誤差（RMSE）
C. 召回率
D. 混淆矩陣

17. 決策樹的劃分標準不包括：

A. 信息增益
B. 歐氏距離
C. 基尼系數
D. 增益率

18. 樸素貝葉斯分類器的“樸素”是指：

A. 假設特征之間獨立
B. 模型結構簡單
C. 僅適用于二分類
D. 無需訓練數據

19. 以下方法不能緩解過擬合的是：

A. 增加訓練數據
B. 添加L1正則化
C. 減少模型層數
D. 使用更多特征

20. LSTM網絡主要用于處理：

A. 圖像數據
B. 序列數據（如文本、時間序列）
C. 表格數據
D. 高維稀疏數據

21. 強化學習的核心機制是：

A. 監督信號
B. 獎勵與懲罰
C. 數據聚類
D. 特征降維

22. 生成對抗網絡（GAN）包含的組件是：

A. 生成器與判別器
B. 編碼器與解碼器
C. 輸入層與輸出層
D. 支持向量與核函數

23. 以下不屬于特征工程的是：

A. 數據標準化
B. 特征選擇
C. 模型訓練
D. 獨熱編碼

24. K近鄰（KNN）算法的分類依據是：

A. 數據分布的均值
B. 鄰近樣本的多數投票
C. 決策邊界
D. 概率密度函數

25. 批量歸一化（BatchNorm）的作用是：

A. 加速模型收斂
B. 增加數據量
C. 減少參數數量
D. 生成對抗樣本

26. 關于損失函數的說法，錯誤的是：

A. 交叉熵常用于分類問題
B. 均方誤差常用于回歸問題
C. 損失函數值越小模型越好
D. 損失函數與模型性能無關

27. 模型泛化能力是指：

A. 在訓練集上的表現
B. 在未見數據上的表現
C. 計算速度
D. 參數數量

28. 以下不屬于深度學習模型的是：

A. 隨機森林
B. 卷積神經網絡（CNN）
C. Transformer
D. 循環神經網絡（RNN）

29. 數據增強（Data Augmentation）的目的是：

A. 減少數據量
B. 提升模型魯棒性
C. 降低計算成本
D. 刪除噪聲數據

30. 機器學習的“偏差-方差權衡”涉及：

A. 模型復雜度與泛化能力
B. 數據量與計算資源
C. 特征數量與存儲空間
D. 學習率與迭代次數

31. 以下關于神經網絡的描述，錯誤的是：

A. 深度網絡可以自動提取特征
B. 參數量越多模型一定越好
C. 激活函數引入非線性
D. 需要大量數據訓練

32. 目標檢測任務常用的算法是：

A. YOLO
B. K-Means
C. PCA
D. 線性回歸

33. 以下關于TensorFlow的描述，正確的是：

A. 僅支持Python語言
B. 由Facebook開發
C. 是一個開源深度學習框架
D. 不支持GPU加速

34. 混淆矩陣用于評估：

A. 回歸模型
B. 分類模型
C. 聚類模型
D. 降維模型

35. 以下算法對缺失值敏感的是：

A. 決策樹
B. 隨機森林
C. K近鄰（KNN）
D. 支持向量機（SVM）

36. 關于集成學習，說法正確的是：

A. 基模型之間必須高度相關
B. Bagging可以降低方差
C. Boosting會降低模型復雜度
D. 單一模型優于集成模型

37. 詞嵌入（Word Embedding）用于：

A. 圖像特征提取
B. 文本向量化表示
C. 數據降維
D. 模型壓縮

38. 以下關于正則化的說法，錯誤的是：

A. L1正則化會產生稀疏解
B. L2正則化又稱權重衰減
C. 正則化會增加模型偏差
D. 正則化旨在減少方差

39. 強化學習中的“探索-利用權衡”是指：

A. 嘗試新動作與利用已知最優動作的平衡
B. 增加數據量與減少計算資源的平衡
C. 特征選擇與模型訓練的平衡
D. 監督與無監督學習的平衡

40. 關于PyTorch和TensorFlow，錯誤的是：

A. 兩者均支持動態計算圖
B. PyTorch更常用于研究
C. TensorFlow僅由Google維護
D. 均支持GPU加速

41. 以下任務適合用循環神經網絡（RNN）的是：

A. 圖像分類
B. 機器翻譯
C. 聚類分析
D. 數據降維

42. 模型部署時，以下哪種方法可以減小模型體積？

A. 知識蒸餾
B. 增加網絡層數
C. 使用更高精度浮點數
D. 禁用GPU加速

43. 關于遷移學習，錯誤的是：

A. 可以復用預訓練模型
B. 僅適用于圖像數據
C. 減少對小數據集的依賴
D. 微調（Fine-tuning）是常用方法

44. 以下關于注意力機制（Attention）的說法，正確的是：

A. 僅用于計算機視覺
B. 可以捕捉長距離依賴關系
C. 會增加模型訓練時間但無法提升效果
D. 與Transformer無關

45. 以下場景不適合用機器學習的是：

A. 天氣預報
B. 信用卡欺詐檢測
C. 編寫操作系統內核
D. 推薦系統

46. 關于模型解釋性，說法正確的是：

A. 深度學習模型通常比決策樹更易解釋
B. SHAP是一種特征重要性分析方法
C. 模型復雜度與解釋性正相關
D. 線性回歸無法提供解釋性

47. 以下關于大數據與機器學習的關系，錯誤的是：

A. 數據量越大模型性能一定越好
B. 數據質量影響模型效果
C. 特征工程在大數據中仍然重要
D. 分布式計算框架（如Spark）可用于訓練

48. 關于AutoML，正確的是：

A. 僅用于自動化調參
B. 可以完全替代人工建模
C. 包括自動化特征工程和模型選擇
D. 不適用于深度學習

49. 以下技術不屬于深度學習優化方法的是：

A. 隨機梯度下降（SGD）
B. 批量歸一化（BatchNorm）
C. 主成分分析（PCA）
D. Adam優化器

50. 機器學習項目中最耗時的步驟通常是：

A. 模型訓練
B. 數據清洗與特征工程
C. 模型部署
D. 編寫算法代碼