人工智能与机器学习单选题（50道）
1. 机器学习的核心目标是：
A. 通过硬编码规则解决问题
B. 从数据中自动学习模式
C. 提高计算机硬件性能
D. 优化数据库查询速度
2. 以下属于监督学习任务的是：
A. 聚类分析
B. 图像分类
C. 异常检测
D. 关联规则挖掘
3. 过拟合的典型表现是：
A. 训练误差和测试误差均高
B. 训练误差低，测试误差高
C. 训练误差高，测试误差低
D. 模型无法收敛
4. 以下哪种算法属于无监督学习？
A. 逻辑回归
B. K-Means聚类
C. 支持向量机（SVM）
D. 随机森林
5. 交叉验证的主要作用是：
A. 减少数据维度
B. 评估模型泛化能力
C. 加速训练过程
D. 生成合成数据
6. 随机森林的基分类器是：
A. 线性回归模型
B. 决策树
C. 神经网络
D. 贝叶斯网络
7. 深度学习中的"Dropout"技术用于：
A. 数据增强
B. 防止过拟合
C. 加速收敛
D. 特征提取
8. 分类问题中不常用的评价指标是：
A. 准确率
B. 均方误差（MSE）
C. F1分数
D. ROC-AUC
9. PCA（主成分分析）的核心目标是：
A. 分类数据
B. 降低数据维度
C. 生成新数据
D. 优化计算速度
10. 梯度下降算法用于：
A. 计算数据统计量
B. 优化模型参数
C. 可视化数据分布
D. 清洗噪声数据
11. 神经网络中反向传播的作用是：
A. 调整权重参数
B. 初始化网络结构
C. 标准化输入数据
D. 生成对抗样本
12. SVM（支持向量机）的核心是：
A. 最大化分类间隔
B. 最小化数据维度
C. 拟合多项式函数
D. 随机划分边界
13. 以下属于集成学习算法的是：
A. K近邻（KNN）
B. XGBoost
C. 单一决策树
D. 线性回归
14. 逻辑回归的输出范围是：
A. (-∞, +∞)
B. [0, 1]
C. 任意实数
D. 离散类别
15. 卷积神经网络（CNN）擅长的任务是：
A. 时间序列预测
B. 图像识别
C. 文本分类
D. 结构化数据回归
16. 以下哪个是回归问题的评价指标？
A. 精确率
B. 均方根误差（RMSE）
C. 召回率
D. 混淆矩阵
17. 决策树的划分标准不包括：
A. 信息增益
B. 欧氏距离
C. 基尼系数
D. 增益率
18. 朴素贝叶斯分类器的"朴素"是指：
A. 假设特征之间独立
B. 模型结构简单
C. 仅适用于二分类
D. 无需训练数据
19. 以下方法不能缓解过拟合的是：
A. 增加训练数据
B. 添加L1正则化
C. 减少模型层数
D. 使用更多特征
20. LSTM网络主要用于处理：
A. 图像数据
B. 序列数据（如文本、时间序列）
C. 表格数据
D. 高维稀疏数据
21. 强化学习的核心机制是：
A. 监督信号
B. 奖励与惩罚
C. 数据聚类
D. 特征降维
22. 生成对抗网络（GAN）包含的组件是：
A. 生成器与判别器
B. 编码器与解码器
C. 输入层与输出层
D. 支持向量与核函数
23. 以下不属于特征工程的是：
A. 数据标准化
B. 特征选择
C. 模型训练
D. 独热编码
24. K近邻（KNN）算法的分类依据是：
A. 数据分布的均值
B. 邻近样本的多数投票
C. 决策边界
D. 概率密度函数
25. 批量归一化（BatchNorm）的作用是：
A. 加速模型收敛
B. 增加数据量
C. 减少参数数量
D. 生成对抗样本
26. 关于损失函数的说法，错误的是：
A. 交叉熵常用于分类问题
B. 均方误差常用于回归问题
C. 损失函数值越小模型越好
D. 损失函数与模型性能无关
27. 模型泛化能力是指：
A. 在训练集上的表现
B. 在未见数据上的表现
C. 计算速度
D. 参数数量
28. 以下不属于深度学习模型的是：
A. 随机森林
B. 卷积神经网络（CNN）
C. Transformer
D. 循环神经网络（RNN）
29. 数据增强（Data Augmentation）的目的是：
A. 减少数据量
B. 提升模型鲁棒性
C. 降低计算成本
D. 删除噪声数据
30. 机器学习的"偏差-方差权衡"涉及：
A. 模型复杂度与泛化能力
B. 数据量与计算资源
C. 特征数量与存储空间
D. 学习率与迭代次数
31. 以下关于神经网络的描述，错误的是：
A. 深度网络可以自动提取特征
B. 参数量越多模型一定越好
C. 激活函数引入非线性
D. 需要大量数据训练
32. 目标检测任务常用的算法是：
A. YOLO
B. K-Means
C. PCA
D. 线性回归
33. 以下关于TensorFlow的描述，正确的是：
A. 仅支持Python语言
B. 由Facebook开发
C. 是一个开源深度学习框架
D. 不支持GPU加速
34. 混淆矩阵用于评估：
A. 回归模型
B. 分类模型
C. 聚类模型
D. 降维模型
35. 以下算法对缺失值敏感的是：
A. 决策树
B. 随机森林
C. K近邻（KNN）
D. 支持向量机（SVM）
36. 关于集成学习，说法正确的是：
A. 基模型之间必须高度相关
B. Bagging可以降低方差
C. Boosting会降低模型复杂度
D. 单一模型优于集成模型
37. 词嵌入（Word Embedding）用于：
A. 图像特征提取
B. 文本向量化表示
C. 数据降维
D. 模型压缩
38. 以下关于正则化的说法，错误的是：
A. L1正则化会产生稀疏解
B. L2正则化又称权重衰减
C. 正则化会增加模型偏差
D. 正则化旨在减少方差
39. 强化学习中的"探索-利用权衡"是指：
A. 尝试新动作与利用已知最优动作的平衡
B. 增加数据量与减少计算资源的平衡
C. 特征选择与模型训练的平衡
D. 监督与无监督学习的平衡
40. 关于PyTorch和TensorFlow，错误的是：
A. 两者均支持动态计算图
B. PyTorch更常用于研究
C. TensorFlow仅由Google维护
D. 均支持GPU加速
41. 以下任务适合用循环神经网络（RNN）的是：
A. 图像分类
B. 机器翻译
C. 聚类分析
D. 数据降维
42. 模型部署时，以下哪种方法可以减小模型体积？
A. 知识蒸馏
B. 增加网络层数
C. 使用更高精度浮点数
D. 禁用GPU加速
43. 关于迁移学习，错误的是：
A. 可以复用预训练模型
B. 仅适用于图像数据
C. 减少对小数据集的依赖
D. 微调（Fine-tuning）是常用方法
44. 以下关于注意力机制（Attention）的说法，正确的是：
A. 仅用于计算机视觉
B. 可以捕捉长距离依赖关系
C. 会增加模型训练时间但无法提升效果
D. 与Transformer无关
45. 以下场景不适合用机器学习的是：
A. 天气预报
B. 信用卡欺诈检测
C. 编写操作系统内核
D. 推荐系统
46. 关于模型解释性，说法正确的是：
A. 深度学习模型通常比决策树更易解释
B. SHAP是一种特征重要性分析方法
C. 模型复杂度与解释性正相关
D. 线性回归无法提供解释性
47. 以下关于大数据与机器学习的关系，错误的是：
A. 数据量越大模型性能一定越好
B. 数据质量影响模型效果
C. 特征工程在大数据中仍然重要
D. 分布式计算框架（如Spark）可用于训练
48. 关于AutoML，正确的是：
A. 仅用于自动化调参
B. 可以完全替代人工建模
C. 包括自动化特征工程和模型选择
D. 不适用于深度学习
49. 以下技术不属于深度学习优化方法的是：
A. 随机梯度下降（SGD）
B. 批量归一化（BatchNorm）
C. 主成分分析（PCA）
D. Adam优化器
50. 机器学习项目中最耗时的步骤通常是：
A. 模型训练
B. 数据清洗与特征工程
C. 模型部署
D. 编写算法代码
