人工智能核心算法考試題及參考答案

人工智能核心算法考試題及參考答案1、下列屬于特征降維的方法有A、主成分分析PCAB、數(shù)據(jù)采樣C、正則化D、最小二乘法答案：A2、下列哪些沒有使用Anchorbox？（）A、FasterRCNNB、YOLOv1C、YOLOv2D、YOLOv3答案：B3、我們可以將深度學(xué)習(xí)看成一種端到端的學(xué)習(xí)方法，這里的端到端指的是A、輸入端-輸出端B、輸入端-中間端C、輸出端-中間端D、中間端-中間端答案：A4、對于圖像數(shù)據(jù)，通常使用的模型是（）A、循環(huán)神經(jīng)網(wǎng)絡(luò)B、卷積神經(jīng)網(wǎng)絡(luò)C、word2vecD、bert答案：B5、下列哪個(gè)模型屬于監(jiān)督學(xué)習(xí)的方法（）A、K-meansB、SVRC、DBSCAND、以上都是答案：B6、faster-rcnn回歸分支采用（）lossA、L1B、L2C、SmoothL1D、nan答案：C7、GoogLeNet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：A8、對于線性可分的數(shù)據(jù)，支持向量機(jī)的解決方式是（）A、軟間隔B、硬間隔C、核函數(shù)D、以上選項(xiàng)均不正確答案：B9、半監(jiān)督學(xué)習(xí)不包括A、直推學(xué)習(xí)B、純半監(jiān)督學(xué)習(xí)C、主動(dòng)學(xué)習(xí)D、圖半監(jiān)督學(xué)習(xí)答案：C10、下列關(guān)于特征選擇的說法錯(cuò)誤的是(___)A、可以提高特征關(guān)聯(lián)性B、可以減輕維數(shù)災(zāi)難問題C、可以降低學(xué)習(xí)任務(wù)的難度D、特征選擇和降維具有相似的動(dòng)機(jī)答案：A11、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)需要大量的矩陣計(jì)算，一般我們需要配用硬件讓計(jì)算機(jī)具備并行計(jì)算的能力，以下硬件設(shè)備可提供并行計(jì)算能力的是:A、主板B、內(nèi)存條C、GPUD、CPU答案：C12、正則化是為了什么？（)A、最小化錯(cuò)誤率B、正規(guī)化C、防止過擬合D、最大化過擬合答案：C13、在圖搜索中，選擇最有希望的節(jié)點(diǎn)作為下一個(gè)要擴(kuò)展的節(jié)點(diǎn)，這種搜索方法叫做()A、寬度搜索B、深度搜索C、有序搜索D、廣義搜索答案：C14、當(dāng)數(shù)據(jù)太大而不能同時(shí)在RAM中處理時(shí)，哪種梯度技術(shù)更有優(yōu)勢A、全批量梯度下降B、隨機(jī)梯度下降答案：B15、在RNN中，目前使用最廣泛的模型便是（）模型，該模型能夠更好地建模長序列。A、SLTMB、SLMTC、LSMTD、LSTM答案：D16、馬爾可夫預(yù)測模型是將時(shí)間序列看作一個(gè)過程，通過對事物不同狀態(tài)的（）與狀態(tài)之間轉(zhuǎn)移概率的研究，確定狀態(tài)變化趨勢，預(yù)測事物的未來。A、初始概率B、結(jié)果概率C、形成概率答案：A17、以下剪枝算法中性能最好的是A、REPB、IREPC、RIPPERD、CN2答案：C18、“文檔”是待處理的數(shù)據(jù)對象，它由一組詞組成，這些詞在文檔中不計(jì)順序的額，例如一篇論文、一個(gè)網(wǎng)頁都可以看做一個(gè)文檔；這樣的表示方式稱為(___)？A、語句B、詞袋C、詞海D、詞塘答案：B19、VGG模型于2014年被提出，是最流行的（）模型之一，在ImageNet比賽中，達(dá)到了Top5錯(cuò)誤率7.3%。A、CNNB、KNNC、RNND、DNN答案：A20、支持向量機(jī)（SVM）中的代價(jià)參數(shù)C表示什么？（）A、交叉驗(yàn)證的次數(shù)B、用到的核函數(shù)C、在分類準(zhǔn)確性和模型復(fù)雜度之間的權(quán)衡D、以上都不對答案：C21、下列哪一個(gè)不是神經(jīng)網(wǎng)絡(luò)的代表A、卷積神經(jīng)網(wǎng)絡(luò)B、遞歸神經(jīng)網(wǎng)絡(luò)C、殘差網(wǎng)絡(luò)D、xgboost算法答案：D22、在選擇神經(jīng)網(wǎng)絡(luò)的深度時(shí)，下面哪些參數(shù)需要考慮？1神經(jīng)網(wǎng)絡(luò)的類型(如MLP,CNN)2輸入數(shù)據(jù)3計(jì)算能力(硬件和軟件能力決定)4學(xué)習(xí)速率5映射的輸出函數(shù)A、1,2,4,5B、2,3,4,5C、都需要考慮D、1,3,4,5答案：C23、下列關(guān)于LARS算法的說法正確的是(___)A、每次選擇一個(gè)與殘差相關(guān)性最大的特征B、是一種包裹式特征選擇法C、基于線性回歸平絕對誤差最小化D、是通過對LASSO稍加修改而實(shí)現(xiàn)答案：A24、下列哪項(xiàng)不屬于聚類算法（）A、K-meansB、BIRCHC、SVMD、DBSCAN答案：C25、假設(shè)一個(gè)具有3個(gè)神經(jīng)元和輸入為[1,2,3]的簡單MLP模型。輸入神經(jīng)元的權(quán)重分別為4,5和6。假設(shè)激活函數(shù)是一個(gè)線性常數(shù)值3(激活函數(shù)為：y=3x)。輸出是什么？A、32B、643C、96D、48答案：C26、關(guān)于GoogLeNet描述正確的有：A、GoogLeNet僅僅是在寬度上進(jìn)行了探索，所以它是一個(gè)很淺的網(wǎng)絡(luò)B、GoogLeNet在寬度上進(jìn)行了探索，為后人設(shè)計(jì)更加復(fù)雜的網(wǎng)絡(luò)打開了思路C、GoogLeNet使用了Inception結(jié)構(gòu)，Inception結(jié)構(gòu)只有V1這一個(gè)版本D、GoogLeNet結(jié)合多種網(wǎng)絡(luò)設(shè)計(jì)結(jié)構(gòu)所以是到目前為止分類效果最好的網(wǎng)絡(luò)結(jié)構(gòu)答案：B27、多義現(xiàn)象可以被定義為在文本對象中一個(gè)單詞或短語的多種含義共存。下列哪一種方法可能是解決此問題的最好選擇？A、隨機(jī)森林分類器B、卷積神經(jīng)網(wǎng)絡(luò)C、梯度爆炸D、上述所有方法答案：B28、假設(shè)我們有一個(gè)使用ReLU激活函數(shù)(ReLUactivationfunction)的神經(jīng)網(wǎng)絡(luò)，假如我們把ReLU激活替換為線性激活，那么這個(gè)神經(jīng)網(wǎng)絡(luò)能夠模擬出同或函數(shù)(XNORfunction)嗎A、可以B、不好說C、不一定D、不能答案：D29、損失函數(shù)反映了神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出和實(shí)際輸出的誤差，在深度學(xué)習(xí)中常用的損失函數(shù)是:A、指數(shù)損失函數(shù)B、均方損失函數(shù)C、對數(shù)損失函數(shù)D、Hinge損失函數(shù)答案：B30、線性降維方法假設(shè)從高維空間到低維空間的函數(shù)映射是（）。A、一元B、線性C、多元D、非線性答案：B31、感知器在空間中可以展現(xiàn)為？A、點(diǎn)B、線C、平面D、超平面答案：A32、EM算法是（）A、有監(jiān)督B、無監(jiān)督C、半監(jiān)督D、都不是答案：B33、下列神經(jīng)網(wǎng)絡(luò)的組織特性描述錯(cuò)誤的是(___)A、可以模擬生物神經(jīng)系統(tǒng)B、面向真實(shí)世界物體C、面向仿真環(huán)境物體D、作出交互反應(yīng)答案：C34、C4.5在分類過程中使用的（）A、條件熵B、信息增益率C、交叉熵D、聯(lián)合熵答案：B35、強(qiáng)化學(xué)習(xí)的目標(biāo)是找到（）的策略A、最小損失函數(shù)B、最大化收益C、局部最優(yōu)解D、全局最優(yōu)解答案：B36、哪個(gè)不是常用的聚類算法（）。A、K-MeansB、DBSCANC、GMMsD、Softmax答案：D37、對于一個(gè)分類任務(wù)，如果開始時(shí)神經(jīng)網(wǎng)絡(luò)的權(quán)重不是隨機(jī)賦值的，而是都設(shè)成0，下面哪個(gè)敘述是正確的？A、其他選項(xiàng)都不對B、沒啥問題，神經(jīng)網(wǎng)絡(luò)會(huì)正常開始訓(xùn)練C、神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練，但是所有的神經(jīng)元最后都會(huì)變成識(shí)別同樣的東西D、神經(jīng)網(wǎng)絡(luò)不會(huì)開始訓(xùn)練，因?yàn)闆]有梯度改變答案：C38、K-means算法采用了哪些策略？（）A、自底向上B、貪心策略C、自頂向下D、以上都是答案：B39、當(dāng)不知道數(shù)據(jù)所處類別時(shí)，可以使用哪種技術(shù)促使同類數(shù)據(jù)與其他類數(shù)據(jù)分離?（）A、分類B、聚類C、關(guān)聯(lián)分析D、隱馬爾可夫鏈答案：B40、假設(shè)我們已經(jīng)在ImageNet數(shù)據(jù)集(物體識(shí)別)上訓(xùn)練好了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。然后給這張卷積神經(jīng)網(wǎng)絡(luò)輸入一張全白的圖片。對于這個(gè)輸入的輸出結(jié)果為任何種類的物體的可能性都是一樣的，對嗎？A、對的B、不知道C、看情況D、不對答案：D41、模型有效的基本條件是能夠（）已知的樣本A、結(jié)合B、擬合C、聯(lián)合D、聚集答案：B42、支持向量機(jī)（SVM）算法的性能取決于（）A、核函數(shù)的選擇B、核函數(shù)的參數(shù)C、軟間隔參數(shù)CD、以上都有答案：D43、在主成分分析中，將幾個(gè)主分量經(jīng)過線性組合構(gòu)造為一個(gè)綜合評價(jià)函數(shù)時(shí)，每個(gè)主分量的權(quán)數(shù)為()。A、每個(gè)主分量的方差B、每個(gè)主分量的標(biāo)準(zhǔn)差C、每個(gè)主分量的方差貢獻(xiàn)率D、每個(gè)主分量的貢獻(xiàn)率答案：C44、產(chǎn)生式系統(tǒng)的推理不包括（）A、正向推理B、逆向推理C、雙向推理D、簡單推理答案：D45、通常情況下，CNN網(wǎng)絡(luò)中，哪一部分消耗內(nèi)存較大A、convlayersB、poolinglayersC、batchnormalizationD、fullyconnectedlayers答案：D46、邏輯回歸模型是解決什么問題的模型？A、分類問題B、聚類問題C、回歸問題答案：A47、在訓(xùn)練集上每學(xué)到一條規(guī)則，就將該規(guī)則覆蓋的訓(xùn)練樣例去除，然后以剩下的訓(xùn)練樣例組成訓(xùn)練集重復(fù)上述過程的方法稱為(___)A、缺省規(guī)則B、序貫覆蓋C、不放回學(xué)習(xí)D、一階規(guī)則答案：B48、以下說法正確的是（）。A、聚類是非監(jiān)督學(xué)習(xí)B、分類是非監(jiān)督學(xué)習(xí)C、聚類是監(jiān)督學(xué)習(xí)D、以上都不對答案：A49、將一副圖像進(jìn)行分割后，分割出的區(qū)域彼此之間(____)重疊。A、可以B、不可以C、根據(jù)任務(wù)需要確定是否可以D、根據(jù)分割方法確定是否可以答案：B50、如何選取合適的卷積核大??？A、分布范圍廣--->較小的卷積核，大的感受野B、分布范圍小--->較小的卷積核，小的感受野C、分布范圍小--->較大的卷積核，小的感受野D、分布范圍大--->較小的卷積核，小的感受野答案：B51、假設(shè)你需要調(diào)整超參數(shù)來最小化代價(jià)函數(shù)（costfunction），會(huì)使用下列哪項(xiàng)技術(shù)？A、窮舉搜索B、隨機(jī)搜索C、Bayesian優(yōu)化D、都可以答案：D52、神將網(wǎng)絡(luò)訓(xùn)練時(shí)，常會(huì)遇到很多問題，對于梯度消失問題，我們可以通過選擇使用以下哪種函數(shù)減輕該問題?A、Relu函數(shù)B、Sigmoid函數(shù)C、tanh函數(shù)答案：A53、在CNN網(wǎng)絡(luò)模型中，不常見的Pooling層操作是A、maxB、minC、meanD、sum答案：D54、蒙特卡羅強(qiáng)化學(xué)習(xí)算法的本質(zhì)，是通過多次嘗試后求平均來作為期望累計(jì)獎(jiǎng)賞的金絲，但它在求平均時(shí)是采用哪種方式進(jìn)行？A、逐一式B、循環(huán)式C、分組式D、批處理答案：D55、下列有關(guān)決策樹說法錯(cuò)誤的是A、是一個(gè)監(jiān)督學(xué)習(xí)算法B、是一個(gè)分類模型C、是一個(gè)回歸模型D、主要用來處理時(shí)間序列數(shù)據(jù)樣本答案：D56、神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層基本組成。A、正確B、錯(cuò)誤答案：A57、通過計(jì)算一個(gè)特征在森林中所有樹上的平均深度，可以估算出一個(gè)特征的重要程度。A、正確B、錯(cuò)誤答案：A58、在圖像分類問題中，卷積層與全連接層可直接連接A、正確B、錯(cuò)誤答案：B59、協(xié)作性不是分分布式人工智能的特點(diǎn)。（）A、正確B、錯(cuò)誤答案：B60、逆歸結(jié)的一大特點(diǎn)是能自動(dòng)發(fā)明新謂詞，這些謂詞可能對應(yīng)于樣例屬性和背景知識(shí)中不存在的新知識(shí)A、正確B、錯(cuò)誤答案：A61、云計(jì)算是對并行計(jì)算、網(wǎng)格計(jì)算、分布式計(jì)算技術(shù)的發(fā)展與運(yùn)用A、正確B、錯(cuò)誤答案：A62、SOFTMAX函數(shù)，是用來將全數(shù)域函數(shù)結(jié)果映射到概率空間。A、正確B、錯(cuò)誤答案：A63、基尼指數(shù)越小，數(shù)據(jù)集的純度越高。__A、正確B、錯(cuò)誤答案：A64、不利用與問題有關(guān)的求解知識(shí)，按照某種固定的方法擴(kuò)展節(jié)點(diǎn)的搜索方法，稱為啟發(fā)式搜索方法。A、正確B、錯(cuò)誤答案：B65、從選手的角度看，博弈樹就是一棵與或樹，其特點(diǎn)是博弈的目標(biāo)狀態(tài)是初始節(jié)點(diǎn),博弈樹中的“或”節(jié)點(diǎn)和“與”節(jié)點(diǎn)逐層交替出現(xiàn)。A、正確B、錯(cuò)誤答案：A66、VGG從增加網(wǎng)絡(luò)寬度角度改進(jìn)了之前的圖像分類網(wǎng)絡(luò)A、正確B、錯(cuò)誤答案：B67、x,y=y,x在Python中是非法的.A、正確B、錯(cuò)誤答案：B68、語言模型的參數(shù)估計(jì)經(jīng)常使用MLE（最大似然估計(jì)）。面臨的一個(gè)問題是沒有出現(xiàn)的項(xiàng)概率為0，這樣會(huì)導(dǎo)致語言模型的效果不好。為了解決這個(gè)問題，需要使用去噪。A、正確B、錯(cuò)誤答案：B69、（）“通用問題求解器（GeneralProblemSolver）”是艾倫.紐厄爾（AllenNewell）、肖（J.$;$Shaw）赫伯特.西蒙(HerbertSimon)設(shè)計(jì)的。A、正確B、錯(cuò)誤答案：A70、為了解決特定的計(jì)算程序，如分類器或?qū)＜抑R(shí)等多種模式，進(jìn)行戰(zhàn)略性生產(chǎn)和組合。這個(gè)過程被稱為集成學(xué)習(xí)。A、正確B、錯(cuò)誤答案：A71、離群點(diǎn)是一個(gè)觀測值,它與其他觀測值的差別如此之大,以至于懷疑它是由不同的機(jī)制產(chǎn)生的A、正確B、錯(cuò)誤答案：A72、對于多分類問題神經(jīng)網(wǎng)絡(luò)一般使用歐氏距離損失而不用交叉熵A、正確B、錯(cuò)誤答案：B73、（）對抗搜索中的極大極小值算法使用的是一個(gè)寬度優(yōu)先搜索方法。A、正確B、錯(cuò)誤答案：B74、LLE(LocallyLinearEmbedding)可以將以彎曲或扭曲的狀態(tài)埋藏在高維空間中的結(jié)構(gòu)簡單地表示在低維空間中A、正確B、錯(cuò)誤答案：A75、卷積操作中，卷積核在整張圖片上滑動(dòng)，不同區(qū)域共用同樣的卷積核參數(shù)，與輸入圖片尺寸有關(guān)A、正確B、錯(cuò)誤答案：B76、詞向量（WordEmbedding）是一種分布式的表示方法，即把每個(gè)詞都表示為一個(gè)N維空間內(nèi)的點(diǎn)，即一個(gè)高維空間內(nèi)的向量，通過這種方法，把自然語言計(jì)算轉(zhuǎn)換為向量計(jì)算A、正確B、錯(cuò)誤答案：A77、多層非線性映射（multi-layernonlinearprojection）：表示深度學(xué)習(xí)網(wǎng)絡(luò)的隱層，DSSM使用三個(gè)全連接層，每一層神經(jīng)元的個(gè)數(shù)是300，然后最后一層的維度是128維度，激活函數(shù)采用tanhA、正確B、錯(cuò)誤答案：B78、利用one-hot表示一個(gè)向量，使用一個(gè)詞表長的向量表示一個(gè)單詞，被表示單詞對應(yīng)的位置為0，其他單詞對應(yīng)的位置均為1A、正確B、錯(cuò)誤答案：B79、Lasso回歸的誤差函數(shù)的懲罰項(xiàng)是學(xué)習(xí)參數(shù)的平方之和A、正確B、錯(cuò)誤答案：B80、構(gòu)建深度學(xué)習(xí)模型的代碼時(shí)，將其中的計(jì)算模塊寫入Program中，可以理解為Program是模型計(jì)算的集合體。A、正確B、錯(cuò)誤答案：A81、k-means算法中確定簇的數(shù)量這個(gè)超參數(shù)時(shí)，可以使用Elbow方法A、正確B、錯(cuò)誤答案：A82、強(qiáng)化學(xué)習(xí)需要預(yù)先給定數(shù)據(jù)，才能通過接收環(huán)境對動(dòng)作的獎(jiǎng)勵(lì)進(jìn)行學(xué)習(xí)。A、正確B、錯(cuò)誤答案：B83、隨機(jī)森林的一大優(yōu)勢在于它既可用于分類，也可用于回歸問題。A、正確B、錯(cuò)誤答案：A84、廣度優(yōu)先搜索算法中，OPEN表的數(shù)據(jù)結(jié)構(gòu)實(shí)際是一個(gè)二叉樹，深度優(yōu)先搜索算法中，OPEN表的數(shù)據(jù)結(jié)構(gòu)實(shí)際是一個(gè)二叉表。A、正確B、錯(cuò)誤答案：A85、反向傳播是用來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的常見方法。A、正確B、錯(cuò)誤答案：A86、K均值丟棄被它識(shí)別為噪聲的對象,而DBSCAN一般聚類所有對象A、正確B、錯(cuò)誤答案：B87、支持向量機(jī)SVM屬于深度學(xué)習(xí)網(wǎng)絡(luò)A、正確B、錯(cuò)誤答案：B88、在神經(jīng)網(wǎng)絡(luò)里，將經(jīng)過反向傳