单选题（1–15）

1. 下列哪一个激活函数的取值范围在 $(0,1)$ 之间且处理标量？ {{ select(1) }}

• ReLU
• Sigmoid
• Tanh
• Softmax

2. 在机器学习中，“过拟合”通常表现为： {{ select(2) }}

• 训练集表现很好，测试集表现差
• 训练集和测试集都表现差
• 训练集和测试集都表现很好
• 训练集表现差，测试集表现更差

3. 梯度下降中，学习率设置过大容易导致： {{ select(3) }}

• 收敛更快更稳定
• 可能震荡甚至不收敛
• 结果一定更好
• 没有影响

4. 在 K-Means 算法中，样本被划到的簇是： {{ select(4) }}

• 离簇中心最远的那个
• 随机分配
• 离簇中心最近的那个
• 与簇中心点积最大的那个

5. 设单位矩阵 $I\in\mathbb{R}^{3\times 3}$，它的行列式是： {{ select(5) }}

• 0
• 1
• 2
• 3

6. 在概率论中，事件 $A,B$ “互斥”的含义是： {{ select(6) }}

• 一定同时发生
• 不能同时发生
• 没有关系
• 概率相等

7. 逻辑回归（用于二分类）输出层通常使用： {{ select(7) }}

• ReLU
• Softmax
• Sigmoid
• Tanh

8. 在 NLP 中，Tokenizer 的主要作用是： {{ select(8) }}

• 把文本分成整数 ID 序列
• 把文本翻译成英文
• 把文本翻译成中文
• 把文本直接转成浮点向量

9. 多类别分类里，Softmax 通常与哪种损失函数配合更常见？ {{ select(9) }}

• 均方误差（MSE）
• 交叉熵（Cross-Entropy）
• 绝对误差（MAE）
• Hinge 损失

10. 哪个指标同时综合了查准率（Precision）与召回率（Recall）？ {{ select(10) }}

• Accuracy
• ROC AUC
• F1 分数
• LogLoss

11. 已知 $P(A)=0.6,\ P(B)=0.5,\ P(A\cap B)=0.3$，则 $P(A\cup B)=$ {{ select(11) }}

• $0.8$
• $0.9$
• $1.1$
• $0.3$

12. Batch Normalization 在训练/推理阶段，均值与方差的来源分别是： {{ select(12) }}

• 训练：小批统计；推理：移动平均统计
• 训练：全数据统计；推理：小批统计
• 训练/推理都用小批统计
• 训练/推理都用全数据统计

13. 自注意力（Self-Attention）在序列长度 $n$ 下的时间/显存复杂度更接近： {{ select(13) }}

• $O(n)$ / $O(n)$
• $O(n\log n)$ / $O(n)$
• $O(n^2)$ / $O(n^2)$
• $O(1)$ / $O(1)$

14. RBF 核的 SVM 中，增大 $\gamma$ 一般会使： {{ select(14) }}

• 决策边界更平滑、欠拟合风险上升
• 决策边界更复杂、过拟合风险上升
• 对模型无影响
• 等价于减小正则化强度 $C$

15. 离散型随机变量 $X$ 的取值与概率为：$\mathbb{P}(X=0)=0.2,\ \mathbb{P}(X=1)=0.5,\ \mathbb{P}(X=2)=0.3$。则 $\mathbb{E}[X]=$ {{ select(15) }}

• $0.8$
• $1.1$
• $1.5$
• $2.0$

多选题（16–20）

16. 回归任务中常见的损失函数有： {{ multiselect(16) }}

• 均方误差（MSE）
• 交叉熵（Cross-Entropy）
• 绝对误差（MAE）
• Hinge 损失

17. 下列哪些做法有助于缓解过拟合？ {{ multiselect(17) }}

• 增加训练数据
• 使用正则化（如 $L_2$、Dropout）
• 提前停止（Early Stopping）
• 大幅提高学习率

18. 混淆矩阵可以直接计算出的评价指标包括： {{ multiselect(18) }}

• 精确率（Precision）
• 召回率（Recall）
• 准确率（Accuracy）
• F1 分数

19. 下列哪些操作属于线性变换（不含激活）？ {{ multiselect(19) }}

• 卷积层（Convolution）
• 全连接层（Linear/Dense）
• ReLU
• 最大池化（Max Pooling）

20. 关于 RAG（检索增强生成）的流程与工程实践，哪些说法正确？ {{ multiselect(20) }}

• 查询向量 → 向量检索相近文块 → 将原文文本与原查询一起交给模型生成答案
• 文档切分“一律使用极小窗口（如 32 token）”在多数场景都最优
• 若离线与在线采用不同编码器，向量空间不一致会影响检索效果
• 在向量检索后加入基于交叉编码器的重排（re-ranking）可进一步提升相关性