简介这份模拟考试题库面向备考华为HCIA-AI V3.5认证的考生以及希望系统检验人工智能知识掌握程度的学习者用贴近正式考试的练习方式帮助梳理考点、发现薄弱环节适合考前自测与阶段性复盘。资源包内共1个docx文档压缩包约1.42MB以多选题为主体题目围绕机器学习、深度学习、自然语言处理、计算机视觉等基础概念展开同时覆盖数据预处理、模型训练与优化、监督与非监督学习、卷积神经网络、语言模型与机器翻译等知识点可据此逐项核对自身对人工智能系统设计与开发流程的理解。该资料已有288人学习体量轻便、便于打印或导入平板随时练习适合作为考前冲刺阶段的题感训练与知识查漏材料帮助考生在正式考试前熟悉题型分布与作答节奏。1. 多选题才是真正的失分现场HCIA-AI V3.5 到底考什么HCIA-AI V3.5 人工智能工程师认证这场考试很多人栽的地方不是难题而是多选题。单选题四个选项总有一个明显错得离谱多选题的判分规则是错选、多选不得分少选还能拿分于是“手一抖多勾一个”和“犹豫半天少勾一个”的代价完全不对等。整场考试的知识面并不深但它像一张摊得很开的网AI 基本概念、机器学习算法、深度学习网络结构、自然语言处理与计算机视觉的典型应用再加上数据预处理到模型部署的工程链路几乎每个模块都要拿到基础分。能不能过往往卡在概念边界和细节题上而不是压轴题上。零基础想转岗拿一张入门级 AI 认证的人、在校生想给简历补一块的人、已经跑过几个模型但概念说不清楚的人都是这份题库的主要适用人群。2. 机器学习考点从三大范式到评价指标的答题框架机器学习这块在题库里题量最大也是多选题最密集的区域。它的考法有个很明显的特征几乎不考让你推导公式而是考你会不会区分概念、会不会判断“这句话说得对不对”。所以这一章的复习目标很明确——把每个概念的边界划清楚把每个算法的适用条件记牢把评价指标的分子分母背反这个老坑填上。2.1 机器学习范式四个概念的边界必须先划清几乎所有模拟卷的前二十题里都会出现范式判断。最常被拿来设陷阱的是把无监督学习的东西说成有监督或者把强化学习塞进监督学习的子集里。先把这张表记在脑子里做题时就能直接对照。范式是否需要标签典型任务代表算法常见误判监督学习需要分类、回归逻辑回归、决策树、SVM把逻辑回归当成回归算法无监督学习不需要聚类、降维、关联规则K-Means、DBSCAN、PCA认为聚类必须预先给标签半监督学习少量标签少量标注样本加大量未标注样本的训练自训练、标签传播与自监督学习混为一谈强化学习无标签有奖励信号序列决策、策略优化Q-learning、策略梯度认为它是监督学习的分支三个高频判断点要单独记。第一逻辑回归名字里带“回归”但它是标准的分类算法输出的是样本属于正类的概率这条几乎每套卷都会出现。第二PCA 主成分分析是无监督的降维方法它不看标签只找方差最大的方向把它归到监督学习里是典型错误。第三K-Means 必须预先指定簇数 k这个 k 是超参数不是标签它属于无监督聚类训练时不需要任何标注数据。再补一个常考的区分维度生成式模型和判别式模型。生成式模型学的是联合概率分布能生成新样本朴素贝叶斯、隐马尔可夫属于这一类判别式模型学的是条件概率或者决策边界直接判断类别逻辑回归、SVM、条件随机场属于这一类。多选题里经常让你从四个选项里挑出所有判别式模型混淆点通常放在朴素贝叶斯身上。2.2 经典算法考点每个算法只抓三个关键句机器学习算法题不用背公式但每个算法要能说出三句话它怎么工作、它怕什么、它适合什么场景。下面这几个是题库里出现频率最高的。决策树这块重点是划分准则的演进。ID3 用信息增益倾向于选取值多的特征C4.5 用信息增益率修正这个偏好还能处理连续值CART 用基尼系数既能分类也能回归。剪枝分预剪枝和后剪枝目的是控制树深、缓解过拟合。多选题常考“信息增益越大说明特征越好”这类半对半错的表述要注意信息增益对多值特征的偏好本身就是它的缺陷。支持向量机的核心是最大化间隔。它通过核函数把低维线性不可分的数据映射到高维空间常用的有线性核、多项式核、RBF 核。软间隔里的参数 C 控制对误分类的容忍度C 越大越不容忍错分容易过拟合C 越小间隔越宽容易欠拟合。这个“C 的大小和过拟合方向”是标准考点。KNN 是懒惰学习的代表它没有显式的训练过程把样本存起来预测时才算距离。k 值太小模型对噪声敏感、容易过拟合k 值太大决策边界过于平滑、容易欠拟合。用 KNN 之前必须做特征归一化否则量纲大的特征会主导距离计算这一点在多选题里经常作为正确选项出现。朴素贝叶斯的关键词是条件独立假设它假设各特征在给定类别下相互独立这个假设在现实中往往不成立但模型依然能work。拉普拉斯平滑是为了解决零概率问题。集成学习要分清两条路线Bagging 是并行训练多个基学习器再投票或平均主要降低方差随机森林是典型代表Boosting 是串行训练后一个模型重点纠正前一个模型的错误主要降低偏差AdaBoost、GBDT 属于这一类。Boosting 对异常值更敏感因为它会不断放大错分样本的权重。评价指标是另一块必考内容。混淆矩阵里TP 是真正例FP 是假正例FN 是假负例。精确率等于 TP 除以 TP 加 FP回答的是“预测为正的里面有多少是真的正”召回率等于 TP 除以 TP 加 FN回答的是“真的正例里被找出来多少”。F1 是两者的调和平均比算术平均更惩罚极端值。AUC 衡量的是排序能力越接近 1 越好0.5 相当于随机猜。准确率在类别极不平衡时会严重失真——一个 99% 负样本的数据集全预测为负也有 99% 准确率这个是经典陷阱。2.3 高频多选题演练三道题的完整拆解题库里的多选题有个规律正确选项通常落在 2 到 3 个四个全对或者只对一个的情况很少。带着这个先验去做题能省下不少犹豫时间。第一道关于学习范式的判断下列关于机器学习范式的描述正确的是多选 A. 聚类任务需要预先提供样本标签 B. PCA 属于无监督学习方法 C. 逻辑回归是一种用于回归任务的算法 D. K-Means 需要人工指定簇的数量 k参考答案是 B、D。A 错在聚类恰恰是无监督的核心场景不需要标签C 错在逻辑回归虽然名字带回归但它的输出经过 sigmoid 映射后用于二分类是分类算法。这道题的失分点几乎全集中在 C 上很多人凭名字就把它划进回归连解析都不看。第二道关于评价指标关于分类模型的评价指标下列说法正确的是多选 A. 在类别严重不平衡时准确率不能可靠反映模型性能 B. 召回率高意味着精确率也一定高 C. F1 值是精确率和召回率的调和平均 D. AUC 的值越接近 0.5模型区分能力越强参考答案是 A、C。B 错在精确率和召回率经常此消彼长提高召回率往往会把大量负样本判成正例精确率随之下降D 错在 AUC 接近 0.5 说明模型接近随机猜测越接近 1 才越好。这道题的价值在于提醒你凡是出现“一定”“必然”“越……越……”这种单向推论的选项先打问号。第三道关于集成学习关于 Bagging 与 Boosting下列说法正确的是多选 A. Bagging 主要通过降低方差提升泛化能力 B. Boosting 的各个基学习器相互独立可以完全并行训练 C. 随机森林体现了 Bagging 的思想 D. Boosting 对异常值不敏感参考答案是 A、C。B 错在 Boosting 是串行的后一个学习器依赖前一个的残差或错分样本D 错在 Boosting 会持续关注错分样本异常值会被反复加权敏感度反而更高。这道题把两条集成路线的训练方式、优化目标、对异常值的态度一次性考全了值得当成模板题背下来。3. 深度学习考点CNN、RNN、GAN 的参数与陷阱深度学习部分看着唬人实际考法很固定激活函数怎么选、损失函数怎么配、卷积输出尺寸怎么算、RNN 为什么记不住长距离依赖、GAN 为什么难训。计算题基本就一个公式反复用概念题则集中在“训练时和推理时的行为差异”上这也是最容易翻车的地方。3.1 神经网络基础激活函数、损失函数、优化器激活函数这块要能说出每个函数的毛病。sigmoid 把输出压到 0 到 1 之间两端饱和深层网络里梯度会一路衰减到接近零这就是梯度消失它的输出还不是零均值会让后层输入产生偏移。tanh 输出是零均值的比 sigmoid 好一些但同样存在饱和问题。ReLU 在正区间梯度恒为 1计算只有一次比较能明显缓解梯度消失训练速度也快它的副作用是负区间梯度为零学习率设太大时一部分神经元会永久失活也就是常说的死亡 ReLU。Leaky ReLU、ELU 都是针对这个问题的改良版。损失函数按任务配分类用交叉熵回归用均方误差或平均绝对误差。交叉熵配合 softmax 时梯度形式很干净收敛比 MSE 快这是它成为分类默认选择的原因。多分类任务如果错配 MSE训练会明显变慢这个点在场景题里出现过。优化器方面SGD 简单但收敛慢、对学习率敏感Momentum 引入动量能冲过局部平坦区域Adam 结合了一阶矩和二阶矩估计自适应调整每个参数的学习率调参省心但在某些任务上泛化不如带动量的 SGD。多选题常考“Adam 一定比 SGD 好”这种绝对化表述答案是错的两者是取舍关系不是替代关系。批归一化是高频陷阱。训练阶段用当前 batch 的均值和方差做归一化同时维护一个全局的滑动平均统计量推理阶段直接用这个滑动平均不再看当前 batch。所以“推理时使用当前 batch 统计量”这种说法是错的。Dropout 同理训练时随机置零一部分神经元推理时全部神经元参与需要做缩放补偿否则输出期望会偏移。过拟合的应对手段要能列全增加数据量、数据增强、L1/L2 正则化、Dropout、早停、简化模型结构、批归一化。欠拟合则相反要加模型容量、加特征、减少正则强度。这两组手段在多选题里经常被交叉混淆看到“加正则化解决欠拟合”这种选项直接排除。3.2 卷积网络与序列模型结构参数必须会算卷积输出尺寸的公式只有一条但每年都有人算错输出边长 (输入边长 − 卷积核边长 2 × padding) ÷ 步长 1这里最容易错的是 padding 要乘 2因为两边都补以及除法结果要向下取整。举个例子输入 32×32卷积核 5×5步长 1padding 为 2代入就是 (32 − 5 4) ÷ 1 1 32输出还是 32×32这就是所谓的 same padding。参数量的算法是卷积核边长 × 卷积核边长 × 输入通道数 × 输出通道数 输出通道数偏置。注意参数量只和卷积核大小、通道数有关和输入图像尺寸无关这条经常作为正确选项出现用来区分懂原理和死记的人。几个结构性概念也要清楚。池化层没有可学习参数它的作用是降维、扩大感受野、提供一定的平移不变性最大池化保留最显著特征平均池化保留整体信息。1×1 卷积的作用是跨通道的信息整合和升降维能在几乎不增加参数的情况下加深网络。CNN 的两个核心特性是局部连接和权值共享前者减少参数后者带来平移等变性。循环神经网络的问题是长序列上的梯度消失导致它记不住太远的信息。LSTM 用三个门来解决遗忘门决定丢弃多少旧细胞状态输入门决定写入多少新信息输出门决定当前输出多少。细胞状态像一条传送带让梯度可以较稳定地传回去。GRU 是简化版把遗忘门和输入门合并成更新门参数更少、训练更快效果常常接近 LSTM。生成式对抗网络由生成器和判别器组成两者交替训练、互相博弈。生成器试图骗过判别器判别器试图分清真假样本。训练难点在于平衡判别器太强生成器拿不到有效梯度判别器太弱生成器学不到真实分布。模式崩溃是指生成器只产出少数几类样本多样性丧失这是 GAN 最典型的故障现象。Transformer 的核心是自注意力机制它让序列中任意两个位置直接建立联系路径长度是常数级因此比 RNN 更容易捕捉长距离依赖而且可以并行计算。代价是计算复杂度随序列长度平方增长所以需要位置编码来补回顺序信息。3.3 高频多选题演练三道题的完整拆解第一道卷积尺寸与参数量输入特征图尺寸为 32×32×3使用 64 个 5×5 的卷积核 步长为 1padding 为 2下列说法正确的是多选 A. 输出特征图的空间尺寸为 32×32 B. 输出特征图的通道数为 64 C. 该卷积层的参数量与输入图像的空间尺寸无关 D. 池化层也有需要训练的参数参考答案是 A、B、C。A 按公式算得 (32 − 5 4) ÷ 1 1 32B 的输出通道数等于卷积核个数C 的参数量是 5×5×3×64 加 64 个偏置确实和 32×32 无关D 错在池化层没有可学习参数只有超参数。第二道批归一化与 Dropout关于批归一化和 Dropout下列说法正确的是多选 A. 批归一化在训练阶段使用当前 batch 的统计量 B. 批归一化在推理阶段仍然使用当前 batch 的均值和方差 C. Dropout 在推理阶段需要做缩放补偿 D. Dropout 的作用是增加模型参数量参考答案是 A、C。B 错在推理阶段用的是训练期间累积的滑动平均统计量因为推理时可能只有一条样本算不出有意义的 batch 统计量D 错在 Dropout 不增加参数它只是训练时随机失活起到正则化作用。第三道循环网络与注意力关于 RNN、LSTM 与 Transformer下列说法正确的是多选 A. 标准 RNN 在长序列上容易出现梯度消失 B. LSTM 通过门控机制调节信息的保留与丢弃 C. Transformer 的自注意力可以并行计算 D. Transformer 不需要位置编码也能区分词序参考答案是 A、B、C。D 错在自注意力本身对输入顺序不敏感打乱词序结果不变必须靠位置编码把顺序信息注入进去这是 Transformer 结构里最容易被忽略的一环。4. 自然语言处理与计算机视觉考点场景题的固定答法应用层的题分值不一定最高但它的题型最容易拿分——因为考的是“什么任务配什么方法”属于对号入座型。真正拉开差距的是两类判断一是 NLP 里各个任务的输入输出是什么二是 CV 里分类、检测、分割三件事的边界在哪。这两块搞混场景题基本就废了。4.1 自然语言处理从分词到预训练模型的必考链路文本进模型之前要先数字化这条链路每一步都可能出题。分词是把句子切成词或子词中文没有空格分词质量直接影响后续效果。去停用词是过滤掉高频但无区分度的词注意它在情感分析这类任务里可能误删否定词反而伤害效果。文本表示经历了三个阶段。词袋模型只统计词频丢失语序TF-IDF 用词频乘以逆文档频率压低常见词权重、突出区分性强的词但仍然不考虑语义。one-hot 编码的问题是维度等于词表大小、向量极其稀疏而且任意两个词的相似度都是零体现不出语义关系。word2vec 解决了这个问题它把词映射到低维稠密空间语义相近的词距离也近。CBOW 用上下文预测中心词Skip-gram 用中心词预测上下文后者对低频词效果更好。这里有个经典类比题king 减 man 加 woman 约等于 queen考的就是词向量的线性语义关系。语言模型是计算一个词序列出现概率的模型。n-gram 基于马尔可夫假设只看前 n−1 个词n 越大越准但参数爆炸、稀疏问题严重。评价语言模型常用困惑度值越低说明模型对数据的预测越有把握。序列到序列任务是机器翻译、文本摘要的通用框架编码器把源序列压成一个向量解码器再生成目标序列。这个结构的瓶颈在于所有信息都要挤进一个固定长度的向量长句会丢信息注意力机制就是用来解决这个问题的——解码时动态地看源序列的不同位置而不是只依赖那一个向量。机器翻译的评价指标是 BLEU它通过比较生成译文和参考译文的 n-gram 重合度来打分值越高越好但它只看表面重合不理解语义这是它的局限。4.2 计算机视觉分类、检测、分割三件事不能混这三个任务的区分是场景题的标准考点一定要能用一句话说清输出差异。图像分类的输出是一个类别标签整张图一个结论目标检测的输出是若干个边界框加每个框的类别回答“有什么、在哪”语义分割是逐像素分类每个像素打一个类别标签但不区分同类个体实例分割在语义分割基础上还要区分同一类别的不同个体。目标检测分两条技术路线。两阶段方法以 Faster R-CNN 为代表先生成候选区域再对每个区域分类和回归精度高但速度慢一阶段方法以 YOLO 为代表直接在特征图上回归边界框和类别速度快适合实时场景。这个“精度和速度的取舍”是多选题的常客要注意别把两者的优缺点说反。数据层面数据增强是小样本场景的常规手段翻转、裁剪、旋转、色彩抖动都属于这一类它不改变标签语义但能扩充样本。迁移学习是拿在大数据集上预训练的模型冻结前面几层、只微调后面几层适合目标数据量不足的情况。评价指标主要看 mAP它是各类别平均精度的均值同时考虑了定位精度和分类正确性。4.3 高频多选题演练三道题的完整拆解第一道词向量与文本表示关于文本表示方法下列说法正确的是多选 A. one-hot 表示的维度等于词表大小 B. TF-IDF 中的逆文档频率用于压低常见词的权重 C. word2vec 的 Skip-gram 用上下文预测中心词 D. one-hot 向量可以直接体现两个词的语义相似度参考答案是 A、B。C 错在 Skip-gram 是用中心词预测上下文用上下文预测中心词的是 CBOW这两个方向极易记反D 错在 one-hot 向量两两正交任意两个词的相似度都是零完全没有语义信息。第二道视觉任务判断某场景需要为图像中的每个像素标注所属类别 但不要求区分同一类别的不同个体这属于多选 A. 图像分类 B. 目标检测 C. 语义分割 D. 实例分割参考答案只有 C。A 输出整图一个标签B 输出边界框D 虽然也是逐像素但要求区分同类个体题干明确说了不要求区分所以只能选语义分割。这道题的关键是把“逐像素”和“区分个体”两个条件拆开看。第三道NLP 任务与模型匹配关于自然语言处理任务下列说法正确的是多选 A. 机器翻译常用 BLEU 作为评价指标 B. 语言模型的困惑度越低说明模型越好 C. 注意力机制可以缓解编码器把长句压成单一向量的信息损失 D. 分词对中文任务没有影响可以省略参考答案是 A、B、C。D 错在中文没有天然分隔符分词粒度会直接改变特征空间对下游任务影响很大。5. 易错点五类在多选题上反复失分的情况刷题到一定量之后会发现错题翻来覆去就那么几类。把它们单独拎出来比继续盲目刷三百道新题有用得多。下面五条是我在复盘错题本时出现频率最高的每条都按“错在哪、为什么错、怎么答对”拆开说。5.1 凭选项“看起来对”就勾选错在哪把表述流畅、术语堆得漂亮的选项当成正确答案尤其是那种半句对半句错的选项。为什么错多选题的选项设计就是冲着“读起来顺”去的前半句照抄教材原话后半句悄悄换掉一个限定条件比如把“降低方差”改成“降低偏差”。怎么答对每个选项拆成主语、谓语、限定词三块逐个核对只要有一块对不上就排除。看到“主要”“一定”“唯一”“必须”这类词先降权除非你能回忆起明确的反例不存在。5.2 精确率和召回率的分子分母背反错在哪知道两个指标的定义但一上考场就分不清谁除以谁。为什么错两者分母不同精确率的分母是“预测为正的样本数”召回率的分母是“实际为正的样本数”死记公式在紧张时特别容易串。怎么答对用一句大白话锚定——“精确率管查得准不准召回率管查得全不全”。题目里只要出现“漏检”“尽量少漏掉”就是在问召回率出现“误报”“减少无关结果”就是在问精确率。用场景反推指标比背公式稳。5.3 卷积尺寸计算出错错在哪算输出尺寸时漏乘 padding 的 2或者忘记向下取整。为什么错卷积核在两边各补一次padding 是单边数量公式里必须乘 2除不尽时特征图尺寸要向下取整不能四舍五入。怎么答对做题时先在草稿上写全公式把四个数代进去后再算别心算。算完用边界情况验一遍比如 padding 取 0、步长取 1 时输出尺寸应该等于输入减卷积核加 1对得上说明公式没记错。5.4 训练集、验证集、测试集的作用搞混错在哪认为测试集可以用来调超参数或者认为验证集参与模型参数更新。为什么错训练集更新参数验证集用来选超参数和早停测试集只在最后评估一次泛化能力。验证集一旦被反复用来调参它就在某种程度上被“看过”了所以需要独立的测试集给出无偏估计。怎么答对记一句口诀——训练集学参数验证集选超参测试集报成绩。凡是选项里出现“用测试集调整学习率”“验证集参与梯度更新”一律判错。5.5 绝对化表述与“全部”“都”类选项错在哪看到“所有深度学习模型都需要大量标注数据”这类选项觉得大体没错就勾上了。为什么错AI 领域几乎没有放之四海皆准的结论迁移学习、自监督、少样本学习都在解决标注不足的问题。怎么答对带“所有”“全部”“任何”“必然”的选项默认判错除非你能举出教材里的封闭式定义。反过来带“通常”“一般”“在多数情况下”的选项正确概率更高因为出题人用这些词就是为了规避反例。6. 答题技巧多选题的四个动作与考前押题思路到了考场知识储备已经定型能再提分的就是答题动作。我的习惯是把多选题拆成四步走每步只做一件事避免边读边判断导致误选。动作具体做法目的一读题干圈出“正确的是”“错误的是”“属于”“不属于”防止把选错题当选对题做二判模块判断这题考的是范式、算法、指标还是网络结构快速调出对应知识块三排绝对带“一定”“所有”“唯一”的选项先标记存疑过滤掉大部分干扰项四定数量按模块经验预估正确项是 2 个还是 3 个减少反复改答案第一遍只做有把握的题把不确定的题号记下来不要在一个选项上纠结超过一分钟。第二遍回头处理标记题这时候用排除法比正面推理更可靠——四个选项里能确定两个是错的剩下两个即使拿不准也敢选。最后留五分钟专门核对题干里的否定词这部分失分最冤。押题思路按分值权重排。机器学习的范式判断、算法特性、评价指标是必考区深度学习里的激活函数、批归一化、卷积尺寸计算是稳定得分点NLP 的词向量方向和 CV 的三任务区分属于性价比最高的记忆型考点。考前一周不要再铺新知识把错题本上重复出现的错误过三遍比刷新题有效得多。有次模拟考我在一道批归一化的题上连错两次第一次错在推理阶段用了当前 batch 统计量第二次错在以为 Dropout 推理时不用缩放。后来我把所有“训练阶段和推理阶段行为不同”的知识点单独列了一张对照表每次做题前扫一眼再动笔。从那以后我每次遇到带“训练时”“推理时”字样的选项都强制走一遍“这个操作在两个阶段是不是一致”的检查再没在这个坑里翻过车。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/29 16:31:12 · 阅读 1.2k HCIA-AI V3.5多选题考点与易错点解析
简介这份模拟考试题库面向备考华为HCIA-AI V3.5认证的考生以及希望系统检验人工智能知识掌握程度的学习者用贴近正式考试的练习方式帮助梳理考点、发现薄弱环节适合考前自测与阶段性复盘。资源包内共1个docx文档压缩包约1.42MB以多选题为主体题目围绕机器学习、深度学习、自然语言处理、计算机视觉等基础概念展开同时覆盖数据预处理、模型训练与优化、监督与非监督学习、卷积神经网络、语言模型与机器翻译等知识点可据此逐项核对自身对人工智能系统设计与开发流程的理解。该资料已有288人学习体量轻便、便于打印或导入平板随时练习适合作为考前冲刺阶段的题感训练与知识查漏材料帮助考生在正式考试前熟悉题型分布与作答节奏。1. 多选题才是真正的失分现场HCIA-AI V3.5 到底考什么HCIA-AI V3.5 人工智能工程师认证这场考试很多人栽的地方不是难题而是多选题。单选题四个选项总有一个明显错得离谱多选题的判分规则是错选、多选不得分少选还能拿分于是“手一抖多勾一个”和“犹豫半天少勾一个”的代价完全不对等。整场考试的知识面并不深但它像一张摊得很开的网AI 基本概念、机器学习算法、深度学习网络结构、自然语言处理与计算机视觉的典型应用再加上数据预处理到模型部署的工程链路几乎每个模块都要拿到基础分。能不能过往往卡在概念边界和细节题上而不是压轴题上。零基础想转岗拿一张入门级 AI 认证的人、在校生想给简历补一块的人、已经跑过几个模型但概念说不清楚的人都是这份题库的主要适用人群。2. 机器学习考点从三大范式到评价指标的答题框架机器学习这块在题库里题量最大也是多选题最密集的区域。它的考法有个很明显的特征几乎不考让你推导公式而是考你会不会区分概念、会不会判断“这句话说得对不对”。所以这一章的复习目标很明确——把每个概念的边界划清楚把每个算法的适用条件记牢把评价指标的分子分母背反这个老坑填上。2.1 机器学习范式四个概念的边界必须先划清几乎所有模拟卷的前二十题里都会出现范式判断。最常被拿来设陷阱的是把无监督学习的东西说成有监督或者把强化学习塞进监督学习的子集里。先把这张表记在脑子里做题时就能直接对照。范式是否需要标签典型任务代表算法常见误判监督学习需要分类、回归逻辑回归、决策树、SVM把逻辑回归当成回归算法无监督学习不需要聚类、降维、关联规则K-Means、DBSCAN、PCA认为聚类必须预先给标签半监督学习少量标签少量标注样本加大量未标注样本的训练自训练、标签传播与自监督学习混为一谈强化学习无标签有奖励信号序列决策、策略优化Q-learning、策略梯度认为它是监督学习的分支三个高频判断点要单独记。第一逻辑回归名字里带“回归”但它是标准的分类算法输出的是样本属于正类的概率这条几乎每套卷都会出现。第二PCA 主成分分析是无监督的降维方法它不看标签只找方差最大的方向把它归到监督学习里是典型错误。第三K-Means 必须预先指定簇数 k这个 k 是超参数不是标签它属于无监督聚类训练时不需要任何标注数据。再补一个常考的区分维度生成式模型和判别式模型。生成式模型学的是联合概率分布能生成新样本朴素贝叶斯、隐马尔可夫属于这一类判别式模型学的是条件概率或者决策边界直接判断类别逻辑回归、SVM、条件随机场属于这一类。多选题里经常让你从四个选项里挑出所有判别式模型混淆点通常放在朴素贝叶斯身上。2.2 经典算法考点每个算法只抓三个关键句机器学习算法题不用背公式但每个算法要能说出三句话它怎么工作、它怕什么、它适合什么场景。下面这几个是题库里出现频率最高的。决策树这块重点是划分准则的演进。ID3 用信息增益倾向于选取值多的特征C4.5 用信息增益率修正这个偏好还能处理连续值CART 用基尼系数既能分类也能回归。剪枝分预剪枝和后剪枝目的是控制树深、缓解过拟合。多选题常考“信息增益越大说明特征越好”这类半对半错的表述要注意信息增益对多值特征的偏好本身就是它的缺陷。支持向量机的核心是最大化间隔。它通过核函数把低维线性不可分的数据映射到高维空间常用的有线性核、多项式核、RBF 核。软间隔里的参数 C 控制对误分类的容忍度C 越大越不容忍错分容易过拟合C 越小间隔越宽容易欠拟合。这个“C 的大小和过拟合方向”是标准考点。KNN 是懒惰学习的代表它没有显式的训练过程把样本存起来预测时才算距离。k 值太小模型对噪声敏感、容易过拟合k 值太大决策边界过于平滑、容易欠拟合。用 KNN 之前必须做特征归一化否则量纲大的特征会主导距离计算这一点在多选题里经常作为正确选项出现。朴素贝叶斯的关键词是条件独立假设它假设各特征在给定类别下相互独立这个假设在现实中往往不成立但模型依然能work。拉普拉斯平滑是为了解决零概率问题。集成学习要分清两条路线Bagging 是并行训练多个基学习器再投票或平均主要降低方差随机森林是典型代表Boosting 是串行训练后一个模型重点纠正前一个模型的错误主要降低偏差AdaBoost、GBDT 属于这一类。Boosting 对异常值更敏感因为它会不断放大错分样本的权重。评价指标是另一块必考内容。混淆矩阵里TP 是真正例FP 是假正例FN 是假负例。精确率等于 TP 除以 TP 加 FP回答的是“预测为正的里面有多少是真的正”召回率等于 TP 除以 TP 加 FN回答的是“真的正例里被找出来多少”。F1 是两者的调和平均比算术平均更惩罚极端值。AUC 衡量的是排序能力越接近 1 越好0.5 相当于随机猜。准确率在类别极不平衡时会严重失真——一个 99% 负样本的数据集全预测为负也有 99% 准确率这个是经典陷阱。2.3 高频多选题演练三道题的完整拆解题库里的多选题有个规律正确选项通常落在 2 到 3 个四个全对或者只对一个的情况很少。带着这个先验去做题能省下不少犹豫时间。第一道关于学习范式的判断下列关于机器学习范式的描述正确的是多选 A. 聚类任务需要预先提供样本标签 B. PCA 属于无监督学习方法 C. 逻辑回归是一种用于回归任务的算法 D. K-Means 需要人工指定簇的数量 k参考答案是 B、D。A 错在聚类恰恰是无监督的核心场景不需要标签C 错在逻辑回归虽然名字带回归但它的输出经过 sigmoid 映射后用于二分类是分类算法。这道题的失分点几乎全集中在 C 上很多人凭名字就把它划进回归连解析都不看。第二道关于评价指标关于分类模型的评价指标下列说法正确的是多选 A. 在类别严重不平衡时准确率不能可靠反映模型性能 B. 召回率高意味着精确率也一定高 C. F1 值是精确率和召回率的调和平均 D. AUC 的值越接近 0.5模型区分能力越强参考答案是 A、C。B 错在精确率和召回率经常此消彼长提高召回率往往会把大量负样本判成正例精确率随之下降D 错在 AUC 接近 0.5 说明模型接近随机猜测越接近 1 才越好。这道题的价值在于提醒你凡是出现“一定”“必然”“越……越……”这种单向推论的选项先打问号。第三道关于集成学习关于 Bagging 与 Boosting下列说法正确的是多选 A. Bagging 主要通过降低方差提升泛化能力 B. Boosting 的各个基学习器相互独立可以完全并行训练 C. 随机森林体现了 Bagging 的思想 D. Boosting 对异常值不敏感参考答案是 A、C。B 错在 Boosting 是串行的后一个学习器依赖前一个的残差或错分样本D 错在 Boosting 会持续关注错分样本异常值会被反复加权敏感度反而更高。这道题把两条集成路线的训练方式、优化目标、对异常值的态度一次性考全了值得当成模板题背下来。3. 深度学习考点CNN、RNN、GAN 的参数与陷阱深度学习部分看着唬人实际考法很固定激活函数怎么选、损失函数怎么配、卷积输出尺寸怎么算、RNN 为什么记不住长距离依赖、GAN 为什么难训。计算题基本就一个公式反复用概念题则集中在“训练时和推理时的行为差异”上这也是最容易翻车的地方。3.1 神经网络基础激活函数、损失函数、优化器激活函数这块要能说出每个函数的毛病。sigmoid 把输出压到 0 到 1 之间两端饱和深层网络里梯度会一路衰减到接近零这就是梯度消失它的输出还不是零均值会让后层输入产生偏移。tanh 输出是零均值的比 sigmoid 好一些但同样存在饱和问题。ReLU 在正区间梯度恒为 1计算只有一次比较能明显缓解梯度消失训练速度也快它的副作用是负区间梯度为零学习率设太大时一部分神经元会永久失活也就是常说的死亡 ReLU。Leaky ReLU、ELU 都是针对这个问题的改良版。损失函数按任务配分类用交叉熵回归用均方误差或平均绝对误差。交叉熵配合 softmax 时梯度形式很干净收敛比 MSE 快这是它成为分类默认选择的原因。多分类任务如果错配 MSE训练会明显变慢这个点在场景题里出现过。优化器方面SGD 简单但收敛慢、对学习率敏感Momentum 引入动量能冲过局部平坦区域Adam 结合了一阶矩和二阶矩估计自适应调整每个参数的学习率调参省心但在某些任务上泛化不如带动量的 SGD。多选题常考“Adam 一定比 SGD 好”这种绝对化表述答案是错的两者是取舍关系不是替代关系。批归一化是高频陷阱。训练阶段用当前 batch 的均值和方差做归一化同时维护一个全局的滑动平均统计量推理阶段直接用这个滑动平均不再看当前 batch。所以“推理时使用当前 batch 统计量”这种说法是错的。Dropout 同理训练时随机置零一部分神经元推理时全部神经元参与需要做缩放补偿否则输出期望会偏移。过拟合的应对手段要能列全增加数据量、数据增强、L1/L2 正则化、Dropout、早停、简化模型结构、批归一化。欠拟合则相反要加模型容量、加特征、减少正则强度。这两组手段在多选题里经常被交叉混淆看到“加正则化解决欠拟合”这种选项直接排除。3.2 卷积网络与序列模型结构参数必须会算卷积输出尺寸的公式只有一条但每年都有人算错输出边长 (输入边长 − 卷积核边长 2 × padding) ÷ 步长 1这里最容易错的是 padding 要乘 2因为两边都补以及除法结果要向下取整。举个例子输入 32×32卷积核 5×5步长 1padding 为 2代入就是 (32 − 5 4) ÷ 1 1 32输出还是 32×32这就是所谓的 same padding。参数量的算法是卷积核边长 × 卷积核边长 × 输入通道数 × 输出通道数 输出通道数偏置。注意参数量只和卷积核大小、通道数有关和输入图像尺寸无关这条经常作为正确选项出现用来区分懂原理和死记的人。几个结构性概念也要清楚。池化层没有可学习参数它的作用是降维、扩大感受野、提供一定的平移不变性最大池化保留最显著特征平均池化保留整体信息。1×1 卷积的作用是跨通道的信息整合和升降维能在几乎不增加参数的情况下加深网络。CNN 的两个核心特性是局部连接和权值共享前者减少参数后者带来平移等变性。循环神经网络的问题是长序列上的梯度消失导致它记不住太远的信息。LSTM 用三个门来解决遗忘门决定丢弃多少旧细胞状态输入门决定写入多少新信息输出门决定当前输出多少。细胞状态像一条传送带让梯度可以较稳定地传回去。GRU 是简化版把遗忘门和输入门合并成更新门参数更少、训练更快效果常常接近 LSTM。生成式对抗网络由生成器和判别器组成两者交替训练、互相博弈。生成器试图骗过判别器判别器试图分清真假样本。训练难点在于平衡判别器太强生成器拿不到有效梯度判别器太弱生成器学不到真实分布。模式崩溃是指生成器只产出少数几类样本多样性丧失这是 GAN 最典型的故障现象。Transformer 的核心是自注意力机制它让序列中任意两个位置直接建立联系路径长度是常数级因此比 RNN 更容易捕捉长距离依赖而且可以并行计算。代价是计算复杂度随序列长度平方增长所以需要位置编码来补回顺序信息。3.3 高频多选题演练三道题的完整拆解第一道卷积尺寸与参数量输入特征图尺寸为 32×32×3使用 64 个 5×5 的卷积核 步长为 1padding 为 2下列说法正确的是多选 A. 输出特征图的空间尺寸为 32×32 B. 输出特征图的通道数为 64 C. 该卷积层的参数量与输入图像的空间尺寸无关 D. 池化层也有需要训练的参数参考答案是 A、B、C。A 按公式算得 (32 − 5 4) ÷ 1 1 32B 的输出通道数等于卷积核个数C 的参数量是 5×5×3×64 加 64 个偏置确实和 32×32 无关D 错在池化层没有可学习参数只有超参数。第二道批归一化与 Dropout关于批归一化和 Dropout下列说法正确的是多选 A. 批归一化在训练阶段使用当前 batch 的统计量 B. 批归一化在推理阶段仍然使用当前 batch 的均值和方差 C. Dropout 在推理阶段需要做缩放补偿 D. Dropout 的作用是增加模型参数量参考答案是 A、C。B 错在推理阶段用的是训练期间累积的滑动平均统计量因为推理时可能只有一条样本算不出有意义的 batch 统计量D 错在 Dropout 不增加参数它只是训练时随机失活起到正则化作用。第三道循环网络与注意力关于 RNN、LSTM 与 Transformer下列说法正确的是多选 A. 标准 RNN 在长序列上容易出现梯度消失 B. LSTM 通过门控机制调节信息的保留与丢弃 C. Transformer 的自注意力可以并行计算 D. Transformer 不需要位置编码也能区分词序参考答案是 A、B、C。D 错在自注意力本身对输入顺序不敏感打乱词序结果不变必须靠位置编码把顺序信息注入进去这是 Transformer 结构里最容易被忽略的一环。4. 自然语言处理与计算机视觉考点场景题的固定答法应用层的题分值不一定最高但它的题型最容易拿分——因为考的是“什么任务配什么方法”属于对号入座型。真正拉开差距的是两类判断一是 NLP 里各个任务的输入输出是什么二是 CV 里分类、检测、分割三件事的边界在哪。这两块搞混场景题基本就废了。4.1 自然语言处理从分词到预训练模型的必考链路文本进模型之前要先数字化这条链路每一步都可能出题。分词是把句子切成词或子词中文没有空格分词质量直接影响后续效果。去停用词是过滤掉高频但无区分度的词注意它在情感分析这类任务里可能误删否定词反而伤害效果。文本表示经历了三个阶段。词袋模型只统计词频丢失语序TF-IDF 用词频乘以逆文档频率压低常见词权重、突出区分性强的词但仍然不考虑语义。one-hot 编码的问题是维度等于词表大小、向量极其稀疏而且任意两个词的相似度都是零体现不出语义关系。word2vec 解决了这个问题它把词映射到低维稠密空间语义相近的词距离也近。CBOW 用上下文预测中心词Skip-gram 用中心词预测上下文后者对低频词效果更好。这里有个经典类比题king 减 man 加 woman 约等于 queen考的就是词向量的线性语义关系。语言模型是计算一个词序列出现概率的模型。n-gram 基于马尔可夫假设只看前 n−1 个词n 越大越准但参数爆炸、稀疏问题严重。评价语言模型常用困惑度值越低说明模型对数据的预测越有把握。序列到序列任务是机器翻译、文本摘要的通用框架编码器把源序列压成一个向量解码器再生成目标序列。这个结构的瓶颈在于所有信息都要挤进一个固定长度的向量长句会丢信息注意力机制就是用来解决这个问题的——解码时动态地看源序列的不同位置而不是只依赖那一个向量。机器翻译的评价指标是 BLEU它通过比较生成译文和参考译文的 n-gram 重合度来打分值越高越好但它只看表面重合不理解语义这是它的局限。4.2 计算机视觉分类、检测、分割三件事不能混这三个任务的区分是场景题的标准考点一定要能用一句话说清输出差异。图像分类的输出是一个类别标签整张图一个结论目标检测的输出是若干个边界框加每个框的类别回答“有什么、在哪”语义分割是逐像素分类每个像素打一个类别标签但不区分同类个体实例分割在语义分割基础上还要区分同一类别的不同个体。目标检测分两条技术路线。两阶段方法以 Faster R-CNN 为代表先生成候选区域再对每个区域分类和回归精度高但速度慢一阶段方法以 YOLO 为代表直接在特征图上回归边界框和类别速度快适合实时场景。这个“精度和速度的取舍”是多选题的常客要注意别把两者的优缺点说反。数据层面数据增强是小样本场景的常规手段翻转、裁剪、旋转、色彩抖动都属于这一类它不改变标签语义但能扩充样本。迁移学习是拿在大数据集上预训练的模型冻结前面几层、只微调后面几层适合目标数据量不足的情况。评价指标主要看 mAP它是各类别平均精度的均值同时考虑了定位精度和分类正确性。4.3 高频多选题演练三道题的完整拆解第一道词向量与文本表示关于文本表示方法下列说法正确的是多选 A. one-hot 表示的维度等于词表大小 B. TF-IDF 中的逆文档频率用于压低常见词的权重 C. word2vec 的 Skip-gram 用上下文预测中心词 D. one-hot 向量可以直接体现两个词的语义相似度参考答案是 A、B。C 错在 Skip-gram 是用中心词预测上下文用上下文预测中心词的是 CBOW这两个方向极易记反D 错在 one-hot 向量两两正交任意两个词的相似度都是零完全没有语义信息。第二道视觉任务判断某场景需要为图像中的每个像素标注所属类别 但不要求区分同一类别的不同个体这属于多选 A. 图像分类 B. 目标检测 C. 语义分割 D. 实例分割参考答案只有 C。A 输出整图一个标签B 输出边界框D 虽然也是逐像素但要求区分同类个体题干明确说了不要求区分所以只能选语义分割。这道题的关键是把“逐像素”和“区分个体”两个条件拆开看。第三道NLP 任务与模型匹配关于自然语言处理任务下列说法正确的是多选 A. 机器翻译常用 BLEU 作为评价指标 B. 语言模型的困惑度越低说明模型越好 C. 注意力机制可以缓解编码器把长句压成单一向量的信息损失 D. 分词对中文任务没有影响可以省略参考答案是 A、B、C。D 错在中文没有天然分隔符分词粒度会直接改变特征空间对下游任务影响很大。5. 易错点五类在多选题上反复失分的情况刷题到一定量之后会发现错题翻来覆去就那么几类。把它们单独拎出来比继续盲目刷三百道新题有用得多。下面五条是我在复盘错题本时出现频率最高的每条都按“错在哪、为什么错、怎么答对”拆开说。5.1 凭选项“看起来对”就勾选错在哪把表述流畅、术语堆得漂亮的选项当成正确答案尤其是那种半句对半句错的选项。为什么错多选题的选项设计就是冲着“读起来顺”去的前半句照抄教材原话后半句悄悄换掉一个限定条件比如把“降低方差”改成“降低偏差”。怎么答对每个选项拆成主语、谓语、限定词三块逐个核对只要有一块对不上就排除。看到“主要”“一定”“唯一”“必须”这类词先降权除非你能回忆起明确的反例不存在。5.2 精确率和召回率的分子分母背反错在哪知道两个指标的定义但一上考场就分不清谁除以谁。为什么错两者分母不同精确率的分母是“预测为正的样本数”召回率的分母是“实际为正的样本数”死记公式在紧张时特别容易串。怎么答对用一句大白话锚定——“精确率管查得准不准召回率管查得全不全”。题目里只要出现“漏检”“尽量少漏掉”就是在问召回率出现“误报”“减少无关结果”就是在问精确率。用场景反推指标比背公式稳。5.3 卷积尺寸计算出错错在哪算输出尺寸时漏乘 padding 的 2或者忘记向下取整。为什么错卷积核在两边各补一次padding 是单边数量公式里必须乘 2除不尽时特征图尺寸要向下取整不能四舍五入。怎么答对做题时先在草稿上写全公式把四个数代进去后再算别心算。算完用边界情况验一遍比如 padding 取 0、步长取 1 时输出尺寸应该等于输入减卷积核加 1对得上说明公式没记错。5.4 训练集、验证集、测试集的作用搞混错在哪认为测试集可以用来调超参数或者认为验证集参与模型参数更新。为什么错训练集更新参数验证集用来选超参数和早停测试集只在最后评估一次泛化能力。验证集一旦被反复用来调参它就在某种程度上被“看过”了所以需要独立的测试集给出无偏估计。怎么答对记一句口诀——训练集学参数验证集选超参测试集报成绩。凡是选项里出现“用测试集调整学习率”“验证集参与梯度更新”一律判错。5.5 绝对化表述与“全部”“都”类选项错在哪看到“所有深度学习模型都需要大量标注数据”这类选项觉得大体没错就勾上了。为什么错AI 领域几乎没有放之四海皆准的结论迁移学习、自监督、少样本学习都在解决标注不足的问题。怎么答对带“所有”“全部”“任何”“必然”的选项默认判错除非你能举出教材里的封闭式定义。反过来带“通常”“一般”“在多数情况下”的选项正确概率更高因为出题人用这些词就是为了规避反例。6. 答题技巧多选题的四个动作与考前押题思路到了考场知识储备已经定型能再提分的就是答题动作。我的习惯是把多选题拆成四步走每步只做一件事避免边读边判断导致误选。动作具体做法目的一读题干圈出“正确的是”“错误的是”“属于”“不属于”防止把选错题当选对题做二判模块判断这题考的是范式、算法、指标还是网络结构快速调出对应知识块三排绝对带“一定”“所有”“唯一”的选项先标记存疑过滤掉大部分干扰项四定数量按模块经验预估正确项是 2 个还是 3 个减少反复改答案第一遍只做有把握的题把不确定的题号记下来不要在一个选项上纠结超过一分钟。第二遍回头处理标记题这时候用排除法比正面推理更可靠——四个选项里能确定两个是错的剩下两个即使拿不准也敢选。最后留五分钟专门核对题干里的否定词这部分失分最冤。押题思路按分值权重排。机器学习的范式判断、算法特性、评价指标是必考区深度学习里的激活函数、批归一化、卷积尺寸计算是稳定得分点NLP 的词向量方向和 CV 的三任务区分属于性价比最高的记忆型考点。考前一周不要再铺新知识把错题本上重复出现的错误过三遍比刷新题有效得多。有次模拟考我在一道批归一化的题上连错两次第一次错在推理阶段用了当前 batch 统计量第二次错在以为 Dropout 推理时不用缩放。后来我把所有“训练阶段和推理阶段行为不同”的知识点单独列了一张对照表每次做题前扫一眼再动笔。从那以后我每次遇到带“训练时”“推理时”字样的选项都强制走一遍“这个操作在两个阶段是不是一致”的检查再没在这个坑里翻过车。希望帮到你。本文还有配套的精品资源点击获取