2025专业技术人员继续教育人工智能通识与实践（理工版）试题及答案
1 题目：下列关于人工智能（AI）的核心定义，最符合理工视角的是（）
A. 模拟人类思维的计算机程序
B. 能够自主学/ 习 /和解决复杂问题的智能系统
C. 基于数据和算法，通过计算模型实现感知、推理、决策的技术体系
D. 替代人类完成重复性劳动的工具
答案：C
解析：理工视角下的 AI 更强调技术本质 —— 以数据为输入、算法为核心、计算模型为载体，实现感知（如图像识别）、推理（如逻辑判断）、决策（如路径规划）的技术体系；A 侧重 “模拟人类思维”（偏认知科学），B 未明确技术载体，D 局限于 “替代劳动”，均不符合理工对技术体系的定义，C 正确。
2题目：在人工智能技术分类中，“专家系统” 属于（）
A. 弱人工智能（ANI）
B. 强人工智能（AGI）
C. 超人工智能（ASI）
D. 通用人工智能
答案：A
解析：专家系统是早期 AI 技术，仅能在特定领域（如医疗诊断、地质勘探）内解决专业问题，不具备跨领域泛化能力，属于弱人工智能（ANI）；强人工智能（AGI）需具备与人类相当的通用智能，超人工智能（ASI）是理论上超越人类的智能，均不符合专家系统特征，A 正确。
3题目：下列不属于机器学/ 习 /核心要素的是（）
A. 训练数据
B. 神经网络结构
C. 损失函数
D. 编程语言
答案：D
解析：机器学/ 习 /的核心要素包括：训练数据（提供学/ 习 /样本）、模型结构（如神经网络、决策树，决定学/ 习 /逻辑）、损失函数（衡量预测值与真实值的偏差，指导模型优化）；编程语言（如 Python、C++）是实现工具，而非核心要素，D 正确。
4题目：在监督学/ 习 /中，模型训练的关键前提是（）
A. 数据无需标注，可自主学/ 习 /特征
B. 训练数据需包含 “输入 - 输出” 标签对
C. 仅需输入数据，模型自动生成输出
D. 依赖无结构数据（如文本、图像）
答案：B
解析：监督学/ 习 /的核心是 “有监督信号”—— 训练数据必须包含明确的 “输入（如图片）- 输出（如‘猫’的标签）” 对应关系，模型通过学/ 习 /这种对应关系实现预测；A 是无监督学/ 习 /特征，C 表述错误，D 与监督 / 无监督分类无关，B 正确。
5题目：下列关于神经网络 “反向传播” 的作用，说法正确的是（）
A. 从输入层到输出层传递数据，生成预测结果
B. 根据损失函数计算的误差，调整各层权重参数
C. 初始化神经网络的权重和偏置
D. 减少输入数据的噪声干扰
答案：B
解析：反向传播是神经网络训练的核心步骤 —— 先通过前向传播（A 选项描述）生成预测值，再根据损失函数计算误差，反向从输出层向输入层传递误差，调整各层权重和偏置，最小化误差；C 是训练前的初始化步骤，D 是数据预处理作用，B 正确。
6题目：在计算机视觉任务中，“卷积神经网络（CNN）” 的核心优势是（）
A. 擅长处理时序数据（如语音、文本）
B. 通过局部感受野和权值共享，高效提取图像空间特征
C. 模型结构简单，计算成本低
D. 无需训练，可直接使用预定义规则
答案：B
解析：CNN 针对图像的空间结构设计：局部感受野（仅关注局部像素，模拟人类视觉）、权值共享（同一卷积核在全图复用，减少参数），能高效提取边缘、纹理、形状等空间特征；A 是循环神经网络（RNN）的优势，C 错误（深层 CNN 结构复杂），D 是传统图像处理（如边缘检测）特征，B 正确。
7题目：下列属于无监督学/ 习 /典型应用的是（）
A. 基于历史销售数据预测下季度销量
B. 对客户消费数据进行聚类，划分客户群体
C. 根据标注的疾病数据判断患者是否患病
D. 训练机器人根据指令完成特定动作
答案：B
解析：无监督学/ 习 /无需标注数据，核心是从无标签数据中挖掘隐藏规律，如聚类（将相似数据分组）、降维（简化数据维度）；A、C 是监督学/ 习 /（需历史销量标签、疾病标签），D 是强化学/ 习 /（通过奖励机制学/ 习 /动作），B 正确。
8题目：在强化学/ 习 /中，“智能体（Agent）” 的学/ 习 /目标是（）
A. 最小化训练数据的损失函数
B. 最大化与环境交互过程中的累积奖励
C. 准确分类输入数据的类别
D. 还原输入数据的原始特征
答案：B
解析：强化学/ 习 /的核心是 “智能体 - 环境” 交互：智能体执行动作，环境反馈奖励（正 / 负），智能体通过试错学/ 习 /，目标是找到最优策略，最大化长期累积奖励；A 是监督学/ 习 /目标，C 是分类任务目标，D 是无监督降维目标，B 正确。
9题目：下列关于 “过拟合” 的说法，错误的是（）
A. 表现为模型在训练集上准确率高，在测试集上准确率低
B. 原因是模型过度学/ 习 /训练数据中的噪声和偶然特征
C. 可通过增加训练数据、使用正则化（如 L1/L2）缓解
D. 过拟合是模型复杂度过低导致的
答案：D
解析：过拟合的本质是 “模型复杂度过高”（如深层神经网络、复杂决策树），导致模型不仅学/ 习 /到数据的通用规律，还拟合了训练数据中的噪声；模型复杂度过低会导致 “欠拟合”（无法捕捉数据规律），D 错误；A、B、C 均是过拟合的正确特征和解决方案，正确。
10题目：在自然语言处理（NLP）中，“Transformer” 模型的核心创新是（）
A. 引入循环结构，处理时序数据
B. 采用自注意力机制，捕捉文本中词语间的依赖关系
C. 仅使用卷积层，提取文本局部特征
D. 无需预训练，直接在任务数据上训练
答案：B
解析：Transformer 模型的核心是自注意力机制 —— 能计算文本中每个词语与其他所有词语的关联权重，捕捉长距离依赖关系（如 “他” 指代前文的 “小明”）；A 是 RNN 的特征，C 错误（Transformer 包含自注意力层和全连接层），D 错误（Transformer 多采用 “预训练 - 微调” 模式，如 BERT），B 正确。
