一、单选题
1.下列哪种学习范式通过"与环境交互、以奖励/惩罚为信号"来学习最优策略？
A. 监督学习 B. 无监督学习 C. 强化学习 D. 迁移学习
答案：C
解析： 强化学习（如 AlphaGo）靠与环境交互获得奖励信号来学习策略；监督学习用带标签数据，无监督学习从无标签数据里找规律。
2.训练神经网络时，反向传播（Backpropagation）的核心作用是？
A. 把输入从第一层传到最后一层
B. 用链式法则计算损失对各参数的梯度
C. 随机打乱训练数据
D. 把图片像素归一化
答案：B
解析： 前向传播算预测值，反向传播用链式法则从输出层回传，算出损失对每个权重的梯度，优化器据此更新参数。
3.下列哪一项属于自然语言处理（NLP）的典型任务？
A. 对图像中的猫狗分类 B. 把一段英文翻译成中文
C. 用强化学习下围棋 D. 对客户数据做无标签聚类
答案：B
解析： 机器翻译是 NLP 典型任务；A 是计算机视觉，C 是强化学习，D 是无监督学习。
4.下列哪种任务最适合用监督学习解决？
A. 在一批无标签图片中自动发现相似群组
B. 根据带历史价格的房源数据预测新房售价
C. 让智能体在游戏中通过得分反馈学习策略
D. 将新闻按主题无监督地归为若干类
答案：B
解析： 监督学习用"输入—标签"成对数据学习映射；B 中历史房价及对应售价是带标签数据，属典型回归任务。A、D 是无监督（聚类），C 是强化学习。
5.在神经网络中引入非线性激活函数（如 ReLU、Sigmoid）的主要作用是？
A. 让前向计算速度翻倍
B. 使网络具备拟合复杂非线性函数的能力
C. 自动替代反向传播更新权重
D. 减少网络的可学习参数数量
答案：B
解析： 若层间全是线性变换，多层叠加仍等价于单层线性，无法表达复杂模式；非线性激活函数让深层网络能逼近任意复杂函数。A、C、D 均非其主要作用。
二、多选题
1.关于监督学习与无监督学习，下列说法正确的有？
A. 监督学习使用带标签的训练数据
B. 无监督学习使用的数据没有标签
C. 两者都一定需要人工标注的"正确答案"
D. 聚类（Clustering）通常属于无监督学习
答案：A、B、D
解析： 监督学习靠标签学习"输入→输出"的映射；无监督学习在无标签数据中发现结构（如聚类）。C 错，无监督学习不需要标签。
2.一个典型的深度神经网络通常包含以下哪些组成部分？
A. 输入层、隐藏层、输出层
B. 神经元之间的可学习权重
C. 激活函数（如 ReLU）
D. 必须为奇数层且每层神经元数相同
答案：A、B、C
解析： 神经网络由多层神经元、层间权重与激活函数构成；D 是错误限制，层数和每层神经元数可任意设计。
3.下列哪些属于 NLP 的应用？
A. 情感分析（判断评论正负向）
B. 语音识别（语音转文字）
C. 目标检测（图片中框出车辆）
D. 文本摘要（自动提炼文章要点）
答案：A、B、D
解析： 情感分析、语音识别、文本摘要都处理语言/语音，属 NLP；C 是计算机视觉任务。
4.【深度学习·训练原理】关于神经网络的训练（反向传播与梯度下降），下列说法正确的有？
A. 前向传播先算出模型预测值与损失
B. 反向传播基于链式法则计算损失对各参数的梯度
C. 学习率越大，模型一定越快且越好地收敛
D. 优化器依据梯度对权重进行更新
答案：A、B、D
解析： 训练流程为"前向算损失 → 反向求梯度 → 优化器更新权重"。C 错：学习率过大会震荡甚至不收敛，过小则收敛慢，需合理设置。
5.【NLP·基础概念】下列关于自然语言处理（NLP）的说法，正确的有？
A. 分词（Tokenization）是中文 NLP 常见的预处理步骤
B. Transformer 的自注意力（Self-Attention）可捕捉词之间的长距离依赖
C. 词袋模型（Bag-of-Words）会完整保留词语的先后顺序
D. 预训练语言模型（如 BERT）可在大规模语料上学习通用的语言表示
答案：A、B、D
解析： 词袋模型只统计词频、丢弃顺序，故 C 错；其余均正确，体现了 NLP 在预处理、建模与预训练方面的核心要点。
三、判断题（正确 / 错误）
1.强化学习在训练过程中一定需要大量人工标注的"标准答案"标签。
答案：错误
解析： 强化学习通过环境反馈的奖励/惩罚信号学习，不依赖人工标注标签；需要标签的是监督学习。
2.反向传播算法用于计算损失函数对各层参数的梯度，以便更新网络权重。
答案：正确
解析： 反向传播用链式法则求得梯度，配合优化器（如梯度下降）更新权重，是神经网络训练的核心。
3.词嵌入（Word Embedding）能把词语映射成低维向量，使语义相近的词在向量空间中距离更近。
答案：正确
解析： 如 Word2Vec、BERT 可将词转为向量，"国王−男人+女人≈女王"这类语义关系可在向量空间中体现。
5.无监督学习不需要任何数据，仅凭算法就能自动为样本"生成正确标签"并完成学习。
答案：错误
解析： 无监督学习处理的是无标签数据，是从数据自身结构中发掘规律（如聚类、降维），并非"自动生成标签"作为监督信号；它不依赖外部标注，但仍必须有输入数据。
6.Transformer 架构必须依赖循环神经网络（RNN）按顺序逐词处理，因此难以并行计算。
答案：错误
解析： Transformer 用自注意力机制取代 RNN 的循环结构，可一次性并行处理整个序列，训练效率更高，这也是它相对 RNN/LSTM 的重要优势。