人工智能核心算法考試題及參考答案1

人工智能核心算法考試題及參考答案1、在一個(gè)神經(jīng)網(wǎng)絡(luò)中，下面哪種方法可以用來(lái)處理過(guò)擬合？A、DropoutB、分批歸一化BatchNormalizationC、正則化regularizationD、都可以答案：D2、隨機(jī)森林是一種集成學(xué)習(xí)算法，是（）算法的具體實(shí)現(xiàn)。A、BoostingB、BaggingC、StackingD、Dropping答案：B3、通過(guò)以下哪些指標(biāo)我們可以在層次聚類中尋找兩個(gè)集群之間的差異？（）A、單鏈接B、全鏈接C、均鏈接D、以上都行答案：D4、RNN引入了循環(huán)的概念，但是在實(shí)際過(guò)程中卻出現(xiàn)了初始信息隨時(shí)間消失的題，即長(zhǎng)期依賴（Long-TermDependencies）問(wèn)題，所以引入（）。A、CNNB、LSTMC、GRUD、BERT答案：B5、我們想在大數(shù)據(jù)集上訓(xùn)練決策樹(shù),為了減少訓(xùn)練時(shí)間,我們可以A、增加樹(shù)的深度B、增大學(xué)習(xí)率LearninRateC、對(duì)決策樹(shù)模型進(jìn)行預(yù)剪枝D、減少樹(shù)的數(shù)量答案：C6、強(qiáng)化學(xué)習(xí)在每個(gè)時(shí)刻環(huán)境和個(gè)體都會(huì)產(chǎn)生相應(yīng)的交互。個(gè)體可以采取一定的（），這樣的行動(dòng)是施加在環(huán)境中的。A、actionB、rewardC、stateD、agent答案：A7、如果我們用了一個(gè)過(guò)大的學(xué)習(xí)速率會(huì)發(fā)生什么？A、神經(jīng)網(wǎng)絡(luò)會(huì)收斂B、不好說(shuō)C、都不對(duì)D、神經(jīng)網(wǎng)絡(luò)不會(huì)收斂答案：D8、下列關(guān)于K-Means聚類說(shuō)法錯(cuò)誤的是（）A、聚類的簇個(gè)數(shù)會(huì)由模型自動(dòng)給出B、可以使用多組隨機(jī)的初始中心點(diǎn)進(jìn)行計(jì)算C、聚類前應(yīng)當(dāng)進(jìn)行維度分析D、聚類前應(yīng)當(dāng)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化答案：A9、下面關(guān)于SVM中核函數(shù)的說(shuō)法正確的是？（）A、核函數(shù)將低維空間中的數(shù)據(jù)映射到高維空間B、它是一個(gè)相似度函數(shù)C、A、B都對(duì)D、A、B都不對(duì)答案：C10、在回歸模型中，下列哪一項(xiàng)在權(quán)衡欠擬合（under-fitting）和過(guò)擬合（over-fitting）中影響最大？A、多項(xiàng)式階數(shù)B、更新權(quán)重w時(shí)，使用的是矩陣求逆還是梯度下降C、使用常數(shù)項(xiàng)答案：A11、如果處理以下形狀的數(shù)據(jù)時(shí)，適宜采用DBSCAN的是A、球形B、SS形C、橢球形D、方形答案：B12、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork，RNN)，是一種用于處理具有類似()的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。A、網(wǎng)格結(jié)構(gòu)B、數(shù)組結(jié)構(gòu)C、序列結(jié)構(gòu)D、表格結(jié)構(gòu)答案：C13、下列哪一個(gè)不是無(wú)約束算法。A、梯度下降法B、擬牛頓法C、啟發(fā)式優(yōu)化方法D、EM算法答案：D14、哪項(xiàng)技術(shù)在BERT中沒(méi)有使用（）A、自注意力B、NormalizationC、全連接D、卷積答案：D15、多分類學(xué)習(xí)中，最經(jīng)典的三種拆分策略不包括（）A、一對(duì)一B、一對(duì)其余C、一對(duì)多D、多對(duì)多答案：C16、ResNet從角度改進(jìn)了之前的圖像分類網(wǎng)絡(luò)？A、增加網(wǎng)絡(luò)寬度B、輕量化網(wǎng)絡(luò)模型C、改善網(wǎng)絡(luò)退化現(xiàn)象D、增加網(wǎng)絡(luò)深度答案：C17、以下關(guān)于標(biāo)準(zhǔn)RNN模型，說(shuō)法正確的是?A、不存在一對(duì)一的模型結(jié)構(gòu)B、反向傳播時(shí)不考慮時(shí)間方向C、不存在多對(duì)多的模型結(jié)構(gòu)D、會(huì)出現(xiàn)長(zhǎng)時(shí)間傳輸記憶的信息衰減的問(wèn)題答案：D18、（）是一種基于樹(shù)結(jié)構(gòu)進(jìn)行決策的算法。A、軌跡跟蹤B、決策樹(shù)C、數(shù)據(jù)挖掘D、K近鄰算法答案：B19、后剪枝是先從訓(xùn)練集生成一顆完整的決策樹(shù)，然后(___)對(duì)非葉結(jié)點(diǎn)進(jìn)行考察。A、自上而下B、在劃分前C、禁止分支展開(kāi)D、自底向上答案：D20、隨著集成中個(gè)體分類器（相互獨(dú)立）數(shù)目T的增大，集成的錯(cuò)誤率將呈(___)_下降，最終趨向于零A、指數(shù)級(jí)B、對(duì)數(shù)級(jí)C、線性級(jí)D、平方級(jí)答案：C21、欠擬合會(huì)出現(xiàn)高（）問(wèn)題A、標(biāo)準(zhǔn)差B、方差C、偏差D、平方差答案：C22、生成式方法是直接基于(___)的方法?A、生成式學(xué)習(xí)B、生成式場(chǎng)景C、生成式數(shù)據(jù)D、生成式模型答案：D23、康內(nèi)爾大學(xué)發(fā)表了公平無(wú)偏的排序?qū)W習(xí)模型FairCO，可緩解檢索排序（）的問(wèn)題A、抖動(dòng)效應(yīng)B、馬太效應(yīng)C、數(shù)據(jù)溢出D、內(nèi)存不足答案：B24、混沌度(Perplexity)是一種常見(jiàn)的應(yīng)用在使用深度學(xué)習(xí)處理NLP問(wèn)題過(guò)程中的評(píng)估技術(shù)，關(guān)于混沌度，哪種說(shuō)法是正確的？A、混沌度沒(méi)什么影響B(tài)、混沌度越低越好C、混沌度越高越好D、混沌度對(duì)于結(jié)果的影響不一定答案：B25、使用一組槽來(lái)描述事件的發(fā)生序列，這種知識(shí)表示法叫做()A、語(yǔ)義網(wǎng)絡(luò)法B、過(guò)程表示法C、劇本表示法D、框架表示法答案：C26、無(wú)監(jiān)督學(xué)習(xí)需要（）A、學(xué)習(xí)程序自己形成和評(píng)價(jià)概念，沒(méi)有教師B、學(xué)習(xí)程序在教師監(jiān)督下形成和評(píng)價(jià)概念C、學(xué)習(xí)程序有時(shí)需要教師，有時(shí)不需要教師，以形成和評(píng)價(jià)概念D、以上說(shuō)法都不對(duì)答案：A27、標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)隱含層的輸入對(duì)于網(wǎng)絡(luò)輸出的影響隨時(shí)間A、不斷遞歸而衰退B、不斷遞歸而增強(qiáng)C、先增強(qiáng)后減弱D、先減弱后增強(qiáng)答案：A28、LSTM單元中引入了哪些門(mén)來(lái)更新當(dāng)前時(shí)刻的單元狀態(tài)向量?A、輸入門(mén)、遺忘門(mén)B、任意門(mén)、輸入門(mén)C、輸出門(mén)、任意門(mén)D、遺忘門(mén)、任意門(mén)答案：A29、前饋神經(jīng)網(wǎng)絡(luò)是一種簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，各神經(jīng)元分層排列，是目前應(yīng)用最廣泛，發(fā)展最迅速的人工神經(jīng)網(wǎng)絡(luò)之一。以下關(guān)于前饋神經(jīng)網(wǎng)絡(luò)說(shuō)法正確的是:A、具備計(jì)算能力的神經(jīng)元與上下兩層相連B、其輸入節(jié)點(diǎn)具備計(jì)算能力C、同一層神經(jīng)元相互連接D、層間信息只沿個(gè)方向傳遞答案：D30、執(zhí)行完語(yǔ)句X_train,X_test,y_train,y_test=train_test_split(...iris.data,iris.target,test_size=0.4,random_state=0),訓(xùn)練集占比多少?A、40%B、50%C、60%D、70%答案：C31、下面算法中哪個(gè)不是回歸算法A、線性回歸B、邏輯回歸C、嶺回歸D、隨機(jī)森林答案：B32、Transformer中拋棄了傳統(tǒng)的CNN和RNN，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)完全是由()機(jī)制組成。A、ActionB、AttentionC、TransformationD、Information答案：B33、SIFT特征是基于物體上的一些局部外觀的興趣點(diǎn)而與影像的（）無(wú)關(guān)。A、大小和旋轉(zhuǎn)B、大小C、旋轉(zhuǎn)D、縮放答案：A34、哪些技術(shù)是RCNN采用而FasterRCNN沒(méi)有用？A、SVM分類B、使用SelectiveSearch輸出候選框C、使用MLP進(jìn)行分類與回歸預(yù)測(cè)D、使用ROIpooling答案：B35、關(guān)于集成學(xué)習(xí)，以下說(shuō)法錯(cuò)誤的是A、集成學(xué)習(xí)一定能提升個(gè)體學(xué)習(xí)器的性能B、Bagging方法中，個(gè)體學(xué)習(xí)器之間彼此獨(dú)立C、Boosting是一種重視錯(cuò)誤樣本的學(xué)習(xí)方法D、Boosting方法中，個(gè)體學(xué)習(xí)器存在強(qiáng)依賴答案：A36、下列哪一項(xiàng)在神經(jīng)網(wǎng)絡(luò)中引入了非線性？A、隨機(jī)梯度下降B、修正線性單元（ReLU）C、卷積函數(shù)D、以上都不正確答案：B37、類別不平衡指分類任務(wù)中不同類別的訓(xùn)練樣例數(shù)目(___)的情況。A、沒(méi)有差別B、差別很大C、差別很小D、以上都不正確答案：B38、循環(huán)神經(jīng)網(wǎng)絡(luò)之所以有作用是因?yàn)椋篈、序列中的元素是無(wú)關(guān)的B、序列中的元素蘊(yùn)含著順序的規(guī)律C、序列中的元素都是隨機(jī)出現(xiàn)的D、序列中的元素都來(lái)自同一個(gè)數(shù)據(jù)源答案：B39、下面哪個(gè)/些超參數(shù)的增加可能會(huì)造成隨機(jī)森林?jǐn)?shù)據(jù)過(guò)擬合？1樹(shù)的數(shù)量2樹(shù)的深度3學(xué)習(xí)速率A、只有1B、只有2C、只有3D、都正確答案：B40、關(guān)于Boosting，Bagging和隨機(jī)森林，以下說(shuō)法錯(cuò)誤的是(___)A、從偏差-方差分解的角度看，Boosting主要關(guān)注降低偏差B、從偏差-方差分解的角度看，Bagging主要關(guān)注降低方差C、隨機(jī)森林簡(jiǎn)單、容易實(shí)現(xiàn)、計(jì)算開(kāi)銷小D、Boosting不能基于泛化性能相當(dāng)弱的學(xué)習(xí)器構(gòu)建出很強(qiáng)的集成答案：D41、半監(jiān)督學(xué)習(xí)包括。A、主動(dòng)學(xué)習(xí)B、回歸學(xué)習(xí)C、聚類學(xué)習(xí)D、直推學(xué)習(xí)答案：D42、CRF（條件隨機(jī)場(chǎng)）和HMM（隱馬爾可夫模型）之間的主要區(qū)別是什么？A、CRF是生成式的，而HMM是判別式模型B、CRF是判別式模型，HMM是生成式模型。C、CRF和HMM都是生成式模型D、CRF和HMM都是判別式模型。答案：B43、如果我們用了一個(gè)過(guò)大的學(xué)習(xí)速率會(huì)發(fā)生什么？（）A、神經(jīng)網(wǎng)絡(luò)會(huì)收斂B、不好說(shuō)C、都不對(duì)D、神經(jīng)網(wǎng)絡(luò)不會(huì)收斂答案：D44、檢索的（）和基于反事實(shí)學(xué)習(xí)的檢索和推薦模型已經(jīng)成為信息檢索領(lǐng)域重要的研究方向A、公平性B、真實(shí)性C、快速性D、準(zhǔn)確性答案：A45、測(cè)試集應(yīng)盡可能與訓(xùn)練集(___)。A、相容B、相等C、互斥D、包含答案：C46、線性回歸在3維以上的維度中擬合面是?A、曲面B、平面C、超平面D、超曲面答案：C47、Transformer架構(gòu)首先是由下列哪項(xiàng)引入的？A、GloVeB、BERTC、OpenAI'sGPTD、ULMFit答案：C48、ID3在分類過(guò)程中使用的（）A、條件熵B、基尼指數(shù)GiniC、信息增益D、聯(lián)合熵答案：C49、圖像數(shù)字化分為兩個(gè)步驟：一為取樣，二為（）。A、數(shù)字化B、量化C、去噪聲D、清洗答案：B50、K折法是下列哪個(gè)函數(shù)？A、RepeatedKFoldB、KFoldC、LeaveOneOut答案：B51、對(duì)于神經(jīng)網(wǎng)絡(luò)的說(shuō)法,下面正確的是（）A、增加神經(jīng)網(wǎng)絡(luò)層數(shù),可能會(huì)增加測(cè)試數(shù)據(jù)集的分類錯(cuò)誤率B、減少神經(jīng)網(wǎng)絡(luò)層數(shù),總是能減小測(cè)試數(shù)據(jù)集的分類錯(cuò)誤率C、增加神經(jīng)網(wǎng)絡(luò)層數(shù),總是能減小訓(xùn)練數(shù)據(jù)集的分類錯(cuò)誤率D、1、2都對(duì)答案：A52、以下對(duì)于標(biāo)稱屬性說(shuō)法不正確的是A、標(biāo)稱屬性的值是一些符號(hào)或事物的名稱,每種值代表某種類別、編碼或狀態(tài)。B、標(biāo)稱值并不具有有意義的順序,且不是定量的C、對(duì)于給定對(duì)象集,找出這些屬性的均值、中值沒(méi)有意義。D、標(biāo)稱屬性通過(guò)將數(shù)值量的值域劃分有限個(gè)有序類別,把數(shù)值屬性離散化得來(lái)。答案：D53、關(guān)于Boltzmann描述錯(cuò)誤的是(___)A、基于能量的模型；B、優(yōu)化目標(biāo)函數(shù)為最小化能力函數(shù)；C、分為顯層和隱層；D、神經(jīng)元都是數(shù)值型；答案：D54、循環(huán)神經(jīng)網(wǎng)絡(luò)中，假設(shè)輸入是一個(gè)32*32*3的圖像，3表示RGB三通道，卷積核的結(jié)構(gòu)是5*5*3，共6個(gè)不同的卷積核，一個(gè)卷積核產(chǎn)生一個(gè)featuremap，則輸出的featuremap矩陣的結(jié)構(gòu)是（）。A、27*27*3B、28*28*3C、27*27*6D、28*28*6答案：D55、卷積神經(jīng)網(wǎng)絡(luò)(convolu-tionalneuralnetwork，CNN)，是一種專門(mén)用來(lái)處理具有類似()的數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。A、網(wǎng)格結(jié)構(gòu)B、數(shù)組結(jié)構(gòu)C、序列結(jié)構(gòu)D、表格結(jié)構(gòu)答案：A56、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的就是使得損失函數(shù)最小化。()A、正確B、錯(cuò)誤答案：A57、反演歸結(jié)（消解）證明定理時(shí)，若當(dāng)前歸結(jié)式是空子句時(shí)，則定理得證。A、正確B、錯(cuò)誤答案：A58、LDA(LatentDirichletAllocation)是一種降維算法，適用于文本建模A、正確B、錯(cuò)誤答案：A59、Self-OrganizingFeatureMap(SOFM)神經(jīng)網(wǎng)絡(luò)可用于聚類。（）A、正確B、錯(cuò)誤答案：A60、PSP網(wǎng)絡(luò)獲取上下文信息的關(guān)鍵在于增大感受野A、正確B、錯(cuò)誤答案：A61、循環(huán)神經(jīng)網(wǎng)絡(luò)只能進(jìn)行分類處理A、正確B、錯(cuò)誤答案：B62、DecisionTree中的非葉節(jié)點(diǎn)對(duì)應(yīng)于屬性值。（）A、正確B、錯(cuò)誤答案：B63、yoloV3是一種單步法（onestage）目標(biāo)檢測(cè)模型A、正確B、錯(cuò)誤答案：A64、決策樹(shù)分類器的假設(shè)空間VC維可以為無(wú)窮大A、正確B、錯(cuò)誤答案：A65、聚類分析的相異度矩陣是用于存儲(chǔ)所有對(duì)象兩兩之間相異度的矩陣，為一個(gè)nn維的單模矩陣A、正確B、錯(cuò)誤答案：A66、卷積核尺寸一般是奇數(shù)A、正確B、錯(cuò)誤答案：A67、梯度下降算法是最常用也是最有效的神經(jīng)網(wǎng)絡(luò)的優(yōu)化辦法,完全可以滿足不同類型的需求。()A、正確B、錯(cuò)誤答案：B68、Python不允許使用關(guān)鍵字作為變量名，允許使用內(nèi)置函數(shù)名作為變量名，但這會(huì)改變函數(shù)名的含義。A、正確B、錯(cuò)誤答案：A69、Batch歸一化簡(jiǎn)化參數(shù)搜索問(wèn)題。A、正確B、錯(cuò)誤答案：A70、mini-batch太小會(huì)導(dǎo)致收斂變慢A、正確B、錯(cuò)誤答案：A71、卷積的物理意義是：一個(gè)函數(shù)（如：?jiǎn)挝豁憫?yīng)）在另一個(gè)函數(shù)（如：輸入信號(hào)）上的加權(quán)疊加。A、正確B、錯(cuò)誤答案：A72、損失函數(shù)與模型函數(shù)是一回事A、正確B、錯(cuò)誤答案：B73、FasterRCNN中的ROIpooling，仍能保留pixel-level的輸入輸出對(duì)應(yīng)A、正確B、錯(cuò)誤答案：B74、LR更側(cè)重全局優(yōu)化，而樹(shù)模型主要是局部的優(yōu)化。A、正確B、錯(cuò)誤答案：A75、程序中異常處理結(jié)構(gòu)在大多數(shù)情況下是沒(méi)必要的。A、正確B、錯(cuò)誤答案：B76、對(duì)于計(jì)算機(jī)視覺(jué)問(wèn)題，效果最好的模型是經(jīng)典的全連接神經(jīng)網(wǎng)絡(luò)A、正確B、錯(cuò)誤答案：B77、學(xué)習(xí)率是根據(jù)不同場(chǎng)景人為設(shè)定的A、正確B、錯(cuò)誤答案：A78、由于池化之后特征圖會(huì)變小，如果后面連接的是全連接層，能有效的減小神經(jīng)元的個(gè)數(shù)，節(jié)省存儲(chǔ)空間并提高計(jì)算效率A、正確B、錯(cuò)誤答案：A79、神經(jīng)網(wǎng)絡(luò)研究屬于行為主義學(xué)派。A、正確B、錯(cuò)誤答案：B80、監(jiān)督學(xué)習(xí)的數(shù)據(jù)必須要帶標(biāo)簽等人為標(biāo)注信息A、正確B、錯(cuò)誤答案：A81、StateSpace和And/OrGraph只是兩種不同的問(wèn)題表示方法，但其解決問(wèn)題的思路是一樣的。（）A、正確B、錯(cuò)誤答案：B82、CNN中常用的正則化手段是dropoutA、正確B、錯(cuò)誤答案：A83、所有的機(jī)器學(xué)習(xí)分類算法都屬于有監(jiān)督方法A、正確B、錯(cuò)誤答案：A84、用多個(gè)小卷積核串聯(lián)可以有大卷積核同樣的能力，2個(gè)3*3卷積核可以代替一個(gè)7*7卷積核，參數(shù)更少；A、正確B、錯(cuò)誤答案：B85、通過(guò)池化操作，必須保證特征損失不能太大。A、正確B、錯(cuò)誤答案：A86、樹(shù)形模型不需要?dú)w一化，它們不關(guān)心變量的值，如決策樹(shù)、隨機(jī)森林(RandomForest)A、正確B、錯(cuò)誤答案：A87、聚類（clustering）是這樣的過(guò)程：它找出描述并區(qū)分?jǐn)?shù)據(jù)類或概念的模型(或函數(shù))，以便能夠使用模型預(yù)測(cè)類標(biāo)記未知的對(duì)象類。A、正確B、錯(cuò)誤答案：B88、數(shù)據(jù)集太小，數(shù)據(jù)樣本不足時(shí)，深度學(xué)習(xí)相對(duì)其它機(jī)器學(xué)習(xí)算法，有明顯優(yōu)勢(shì)。A、正確B、錯(cuò)誤答案：B89、數(shù)據(jù)集被劃分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用于確定模型的參數(shù)，測(cè)試集用于評(píng)判模型的效果A、正確B、錯(cuò)誤答案：A90、啟發(fā)式算法與AlphaBeta剪枝類似,是從葉節(jié)點(diǎn)自底向上計(jì)算估值。()A、正確B、錯(cuò)誤答案：B91、在聚類分析當(dāng)中，MAX（