人工智能基礎(chǔ)與應(yīng)用學(xué)習(xí)通超星期末考試答案章節(jié)答案2024年

人工智能基礎(chǔ)與應(yīng)用學(xué)習(xí)通超星期末考試章節(jié)答案2024年____是研究如何使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為的一門(mén)學(xué)科。

答案:機(jī)器學(xué)習(xí)____主要指計(jì)算機(jī)的表達(dá)能力,即模擬人的能力行為,如說(shuō)話、寫(xiě)字、畫(huà)畫(huà)、走路和取物等各種操作。

答案:機(jī)器行為對(duì)數(shù)據(jù)安全沒(méi)有特別要求的中小型企業(yè)在提供云端人工智能服務(wù)時(shí)應(yīng)選擇____云。

答案:公有1956年夏季,麥卡錫、明斯基、香農(nóng)等科學(xué)家在美國(guó)達(dá)特茅斯學(xué)院召開(kāi)了一個(gè)夏季討論會(huì),在該次會(huì)議上,第一次提出了____這一術(shù)語(yǔ)。

答案:人工智能目前被廣泛使用的圖像識(shí)別技術(shù)是____學(xué)派的研究成果。

答案:連接主義人工智能領(lǐng)域的派系之爭(zhēng)由來(lái)已久,從人工智能歷史來(lái)看,對(duì)于人工智能的研究主要有____、____和____三家具有代表性的理論學(xué)派。

答案:符號(hào)主義;符號(hào)主義學(xué)派;連接主義;連接主義學(xué)派;行為主義;行為主義學(xué)派機(jī)器學(xué)習(xí)是一個(gè)流程性很強(qiáng)的工作,其流程包括____、____、數(shù)據(jù)預(yù)處理、____、____、模型融合、____、模型持久化等。

答案:數(shù)據(jù)采集;數(shù)據(jù)清洗;特征工程;模型調(diào)優(yōu);模型驗(yàn)證2010年開(kāi)始,神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)成為人工智能行業(yè)主導(dǎo),這些AI概念出自____學(xué)派。

答案:連接主義人工智能的含義最早由圖靈于____年提出,并且同時(shí)提出一個(gè)機(jī)器智能的測(cè)試模型,稱為_(kāi)___。

答案:1950;圖靈測(cè)試由智能控制系統(tǒng)獨(dú)立完成汽車所有駕駛操作稱為_(kāi)___技術(shù)。

答案:自動(dòng)駕駛近年來(lái),____算法的廣泛應(yīng)用使人工智能進(jìn)入高速發(fā)展期。

答案:深度學(xué)習(xí)城市地鐵的列車調(diào)度屬于人工智能在____技術(shù)領(lǐng)域的典型應(yīng)用。

答案:組合優(yōu)化()主要通過(guò)機(jī)器思維實(shí)現(xiàn),它使機(jī)器能模擬人類思維活動(dòng)。

答案:機(jī)器智能以下不屬于人工智能在計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用的是()。

答案:實(shí)時(shí)字幕專家系統(tǒng)是以()為基礎(chǔ),推理為核心的系統(tǒng)。

答案:知識(shí)()與其他三個(gè)屬于不同人工智能應(yīng)用領(lǐng)域。

答案:語(yǔ)音識(shí)別智能機(jī)器人可以根據(jù)()得到信息。

答案:感知能力2017年5月,在中國(guó)烏鎮(zhèn)圍棋峰會(huì)上,基于()的人工智能機(jī)器人AlphaGo戰(zhàn)勝排名世界第一的世界圍棋冠軍柯潔。

答案:深度學(xué)習(xí)機(jī)器翻譯屬于()領(lǐng)域的應(yīng)用。

答案:自然語(yǔ)言處理物流運(yùn)輸車輛調(diào)配屬于人工智能在()技術(shù)領(lǐng)域中的應(yīng)用。

答案:組合優(yōu)化不是專家系統(tǒng)組成部分的是()。

答案:用戶關(guān)于人工智能程序,表述不正確的是()。

答案:任何計(jì)算機(jī)程序都具有人工智能機(jī)器人為了能方便與人交流,利用打手勢(shì)來(lái)表達(dá)自己的想法,這是智能的()。

答案:行為能力不是自然語(yǔ)言處理要實(shí)現(xiàn)的目標(biāo)的是()。

答案:欣賞音樂(lè)機(jī)器學(xué)習(xí)從不同的角度,有不同的分類方式,以下()不屬于按系統(tǒng)學(xué)習(xí)能力分類的類別。

答案:函數(shù)學(xué)習(xí)人工智能的目的是讓機(jī)器能夠(),以實(shí)現(xiàn)某些腦力勞動(dòng)的機(jī)械化。

答案:模擬、延伸和擴(kuò)展人的智能下列()不是人工智能的技術(shù)應(yīng)用領(lǐng)域。

答案:編譯原理人工智能誕生于()。

答案:達(dá)特茅斯(Dartmouth)機(jī)器學(xué)習(xí)是研究如何使用計(jì)算機(jī)()的一門(mén)學(xué)科。

答案:模擬人類學(xué)習(xí)活動(dòng)人工智能是一門(mén)()。

答案:綜合性的交叉學(xué)科和邊緣學(xué)科不屬于人工智能的學(xué)派是()。

答案:機(jī)會(huì)主義以下哪個(gè)不是人工智能發(fā)展過(guò)程中的重要事件()。

答案:2010年蘋(píng)果第四代手機(jī)iPhone4發(fā)布機(jī)器人具有語(yǔ)言識(shí)別和理解、文字識(shí)別、環(huán)境互動(dòng)的功能,這屬于人工智能研究()方面的內(nèi)容。

答案:機(jī)器感知關(guān)于人工智能,敘述不正確的是()。

答案:人工智能是上世紀(jì)五十年代才開(kāi)始的一項(xiàng)技術(shù),還沒(méi)有得到應(yīng)用不屬于人工智能機(jī)器感知領(lǐng)域的是()。

答案:使機(jī)器具有能夠獲取新知識(shí)、學(xué)習(xí)新技巧的能力執(zhí)行完以下語(yǔ)句段之后，sum和i的值分別為（

）。sum=0;i=1whilei<=5:

sum+=i

i=i+1

答案:sum=15,i=6以下代碼的輸出結(jié)果是（

）。x=["Python","is","open"]y=["simple"]x[2:]=yprint(x)

答案:['Python','is','simple']已有變量x和y，以下(

)不能實(shí)現(xiàn)交換變量x和變量y的值。

答案:x=y;y=x已知列表對(duì)象ls，以下哪個(gè)選項(xiàng)對(duì)ls.append(x)的描述是正確的(

)。

答案:只能向列表ls最后增加一個(gè)元素x。關(guān)于｛｝，描述正確的是（

）。

答案:直接使用｛｝將生成一個(gè)空字典。設(shè)有變量a="Me"，"You",則變量a屬于（

）。

答案:元組判斷并求一個(gè)數(shù)的絕對(duì)值，用(

)結(jié)構(gòu)實(shí)現(xiàn)最簡(jiǎn)單。

答案:單分支結(jié)構(gòu)可以使用(

)接受用戶的鍵盤(pán)輸入。

答案:input()函數(shù)在循環(huán)語(yǔ)句中，（

）語(yǔ)句的作用是結(jié)束當(dāng)前所在的循環(huán)。

答案:break執(zhí)行完以下語(yǔ)句段之后，sum和i的值分別為（

）。sum=0;i=1whilei<5:

sum+=i

i=i+2

答案:sum=4,i=5執(zhí)行結(jié)果為［1,2,3,1,2,3,1,2,3］的表達(dá)式是（

）。

答案:[1,2,3]*3設(shè)有：color＝｛1：＂red＂，2：＂green＂，3：＂yellow＂｝，則color．get（1）的值是(

)。

答案:"red"（

）不能生成一個(gè)空字典。

答案:{[]}在程序中需要使用math庫(kù)中的gcd（）函數(shù)計(jì)算兩數(shù)的最大公約數(shù)，已知調(diào)用語(yǔ)句為：x=gcd(a,b)，那么導(dǎo)入的語(yǔ)句是（）。

答案:frommathimportgcd設(shè)有變量定義：s＝set('hello'＋'!'），則表達(dá)式len(s)的值為()。

答案:5以下語(yǔ)句的輸出結(jié)果是（

）。>>>f=lambdax,y:y+x>>>f(10,10)

答案:20以下代碼的輸出結(jié)果是（

）。lt=["apple","orange","banana"]ls=ltlt.clear()print(ls)

答案:[]Python通過(guò)（

）來(lái)判斷操作是否在分支結(jié)構(gòu)中。

答案:縮進(jìn)continue語(yǔ)句用于(

)。

答案:結(jié)束本輪循環(huán)在Python中，適合實(shí)現(xiàn)多路分支的結(jié)構(gòu)是(

)。

答案:if-elif-else下面關(guān)于Python語(yǔ)言的說(shuō)法，錯(cuò)誤的是（

）。

答案:Python語(yǔ)言是編譯執(zhí)行的，不支持逐條語(yǔ)句執(zhí)行方式。已知area=1963.4375000000002，執(zhí)行print("{:.2f}".format(area))語(yǔ)句，輸出結(jié)果為(

)。

答案:1963.44在Python中，循環(huán)結(jié)構(gòu)可以使用(

)語(yǔ)句實(shí)現(xiàn)。

答案:while函數(shù)要返回一個(gè)數(shù)據(jù)到調(diào)用處，使用(

)語(yǔ)句。

答案:return執(zhí)行完以下語(yǔ)句段之后，sum和i的值分別為（

）。sum=0foriinrange(0,5):

sum+=i

答案:sum=10,i=4分析下面程序，如果輸入score為80，輸出的grade是(

)。ifscore>90:

grade='A'elifscore>80:

grade='B'elifscore>70:

grade='C'else:

grade='D'

答案:C下列數(shù)據(jù)類型中，（

）屬于無(wú)序數(shù)據(jù)類型。

答案:set、dictPython中定義函數(shù)的關(guān)鍵字是(

)。

答案:def執(zhí)行完以下程序，輸出的結(jié)果為（

）。deffunc(a,b):

c=a*b

returncs=func(10,2)print(c,s)

答案:NameError:name'c'isnotdefined/star3/origin/d0285c09bc5e32afb3ba883f3ceaf3d5.png

答案:range(m,n+1;isPrime(i;returnc;prtPrime(m,n/star3/origin/ae8e855961d09c312e5ac25ec421b478.png

答案:items(;90;name;onlineTime;onlineTime;noPass[name]/star3/origin/f202277a144c6e08bd691ee7ebbb09c8.png

答案:len(a;a[i].lower(;append;end="";end=''/star3/origin/fef79004f4812d6dc308c518fea7da08.png

答案:len(s;isdigit(;isalpha(;else;break/star3/origin/80f78ad46304e69f672557976259e559.png

答案:[];list(;len(math;append;;max(total;sum(total/star3/origin/83a7fa7c08910afd146d94c0b688e8e6.png

答案:[];list(;range(n;append(i;i**2;pow(i,2Matplotlib模塊中顯示圖例的函數(shù)是

。

答案:legend(用于對(duì)DataFrame對(duì)象進(jìn)行增加元素的函數(shù)為_(kāi)___。

答案:append(NumPy模塊中生成正態(tài)分布的隨機(jī)函數(shù)是____。

答案:numpy.random.normal(Matplotlib模塊中繪圖顯示網(wǎng)格線的函數(shù)是____。

答案:grid(Matplotlib模塊中繪制散點(diǎn)圖的函數(shù)是____。

答案:scatter(缺失數(shù)據(jù)處理的常見(jiàn)方法包括____和____。

答案:缺失數(shù)據(jù)的清除;清除;缺失數(shù)據(jù)的填充;

填充在開(kāi)始繪制詞云圖之前,一般需要安裝庫(kù)jieba和wordcloud,其中____用于中文分詞。

答案:jiebaDataFrame.drop_duplicates()函數(shù)的參數(shù)keep的取值有____、____和____。

答案:'first';'last';FalseDataFrame.dropna()中的參數(shù)how取值為

時(shí)表示行/列的全部值都為缺失值才會(huì)進(jìn)行移除。

答案:'all';all請(qǐng)補(bǔ)全如下代碼,修改數(shù)組a的類型為整數(shù)。importnumpyasnpa=np.arange(12,dtype=float).reshape((3,4))a=a.

(int)

答案:astype以下用于求NumPy二維數(shù)組arr中每行的平均值的語(yǔ)句是(

)。

答案:arr.mean(axis=1)對(duì)于arr=np.arange(1,13).reshape(3,4),以下不能訪問(wèn)7、8、11和12的語(yǔ)句是(

)。

答案:arr[[1,2],[2,3]]下面用于讀取CSV文件到DataFrame對(duì)象的函數(shù)為(

)。

答案:read_csv()/star3/origin/9cf7629b6f4604be22d1cc5a5ecac580.png

答案:np.eye(3)以下用于求NumPy一維數(shù)組arr中非0元素的位置索引的是(

)。

答案:np.where(arr!=0)關(guān)于Matplotlib模塊中創(chuàng)建子圖,以下說(shuō)法正確的是(

)。

答案:add_subplot()是畫(huà)布的方法以下用于創(chuàng)建一個(gè)3x3的二維數(shù)組,其值域?yàn)?到8的語(yǔ)句是(

)。

答案:array=np.arange(9).reshape(3,3)觀察一批數(shù)據(jù)中的每一個(gè)數(shù)據(jù)在所有數(shù)據(jù)的總和中所占的比例,適合的圖形是(

)。

答案:餅圖DataFrame.drop()函數(shù)是用來(lái)(

)。

答案:刪除元素關(guān)于Matplotlib模塊中matplotlib.pyplot.plot()函數(shù)的調(diào)用時(shí)的format_string參數(shù),以下說(shuō)法正確的是(

)。

答案:它控制顏色、點(diǎn)的形狀以及線條的線型以下不會(huì)影響DataFrame對(duì)象中數(shù)據(jù)的操作是(

)。

答案:進(jìn)行元素的查詢DataFrame.dropna()函數(shù)的thresh參教值為6時(shí)表示移除(

)。

答案:有效數(shù)據(jù)小于6的行關(guān)于Matplotlib模塊,假設(shè)已執(zhí)行了importmatplotlib.pyplotasplt語(yǔ)句,接著為了創(chuàng)建畫(huà)布,簡(jiǎn)單正確的用法是(

)。

答案:plt.figure()以下不是DataFrame對(duì)象的組成部分的是(

)。

答案:標(biāo)題DataFrame.append()函數(shù)是用來(lái)進(jìn)行(

)。

答案:增加元素（

）用于描述量、頻率或百分比之間的相對(duì)關(guān)系。

答案:餅圖補(bǔ)全程序，完成以下功能：相對(duì)于冬季來(lái)說(shuō)，夏季通常溫度、濕度較高，空氣質(zhì)量較好，請(qǐng)用numpy.random.randint()函數(shù)分別生成兩個(gè)季節(jié)的20組數(shù)據(jù)，并以溫度、濕度、空氣質(zhì)量為三個(gè)坐標(biāo)，繪制3D散點(diǎn)圖。importnumpyasnpimportmatplotlib.

【1】

aspltfrommpl_toolkits.mplot3dimportAxes3Dplt.rcParams['font.sans-serif']=['SimHei']

#避免中文出現(xiàn)亂碼plt.rcParams['axes.unicode_minus']=FalseN=20fig=plt.figure(figsize=(6,5))ax=Axes3D(fig,elev=45,azim=45)ax.

【2】

(np.random.randint(25,38,N),np.random.randint(50,90,N),np.random.randint(10,30,N),marker='x',

label='夏季',c='r',edgecolors='r')ax.

【3】

(np.random.randint(1,10,N),np.random.randint(10,40,N),np.random.randint(50,90,N),marker='>',

label='冬季',c='g',edgecolors='g')ax.

【4】

('溫度℃')

#設(shè)置x軸標(biāo)簽ax.

【5】

('濕度%')

#設(shè)置y軸標(biāo)簽ax.set_zlabel('空氣質(zhì)量')ax.dist=11plt.legend()plt.

【6】

#在本機(jī)顯示圖形

答案:pyplot;scatter;scatter;set_xlabel;set_ylabel;show(/star3/origin/96ef7dad65b57742a9b9377f97eb8c87.png

答案:pyplot;scatter;scatter;xlabel;ylabel/star3/origin/7cac873d8b5bd0ff460800a188e0c722.png

答案:pyplot;dropna;'-.';title;'日期';show(/star3/origin/3b116576b6060a77cfd8665589717f02.png

答案:numpy;DataFrame;'1月';0;PM['北京'];0.5/star3/origin/2740b48f6dea0a193f53e7c20d68f4ea.png

答案:read_csv;iris;0;150;mean在人工智能研究中,聚類通常屬于非監(jiān)督學(xué)習(xí),而回歸屬于____學(xué)習(xí)。

答案:監(jiān)督已知坐標(biāo)軸中兩點(diǎn)A(2,-2)、B(-1,2),這兩點(diǎn)的歐式距離為_(kāi)___。

答案:5____是訓(xùn)練機(jī)器學(xué)習(xí)算法的數(shù)據(jù)集;____是用來(lái)評(píng)估經(jīng)訓(xùn)練后的模型性能的數(shù)據(jù)集;____是用來(lái)微調(diào)模型超參數(shù)的數(shù)據(jù)集。

答案:訓(xùn)練集;測(cè)試集;驗(yàn)證集PCA算法的主要思想是將n維特征映射到k維上,這k維特征是在原有n維特征的基礎(chǔ)上重新構(gòu)造出來(lái)的全新的正交特征,也被稱為_(kāi)___。

答案:主成分對(duì)于線性回歸,如果預(yù)測(cè)的變量是離散的或定性的,稱其為分類;如果預(yù)測(cè)的變量是連續(xù)的或定量的,則稱其為_(kāi)___。

答案:回歸線性回歸方程y=bx+a中a和b為模型的未知參數(shù),此處a還稱為_(kāi)___。

答案:截距聚類分析是建立一種分類方法,它將一批樣本或變量按照它們?cè)谛再|(zhì)上的____進(jìn)行科學(xué)的分類。

答案:相似性;相似程度;相似度KNN分類算法返回前k個(gè)點(diǎn)出現(xiàn)頻率最____的類別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類。

答案:高在比較兩個(gè)模型的擬合效果時(shí),甲、乙兩個(gè)模型的相關(guān)指數(shù)R的值分別約為0.96和0.85,則擬合效果較好的模型是____。

答案:甲當(dāng)自變量個(gè)數(shù)為1時(shí)稱為一元回歸;當(dāng)自變量個(gè)數(shù)大于1時(shí)稱為_(kāi)___回歸。

答案:多元邏輯回歸是一種廣義線性模型。盡管也叫回歸,但它用于____而不是用于回歸。

答案:分類機(jī)器學(xué)習(xí)一般可以分為_(kāi)___、無(wú)監(jiān)督學(xué)習(xí)、____和____四類。

答案:監(jiān)督學(xué)習(xí);半監(jiān)督學(xué)習(xí);強(qiáng)化學(xué)習(xí)聚類分析中,對(duì)于“相似”的描述是基于數(shù)據(jù)描述屬性的取值來(lái)確定的,常常用____來(lái)表示。

答案:距離以下對(duì)降維的描述錯(cuò)誤的是()。

答案:降維后的維度越少越好使用scikit-learn中的PCA方法降維時(shí),指定降維維度的參數(shù)是()。

答案:n_components假設(shè)某類簇包含了數(shù)據(jù)點(diǎn)[(1,2),(3,4),(5,3)],則該類簇的質(zhì)心為()。

答案:(3,3)對(duì)于類sklearn.neighbors.KNeighborsClassifier,利用()方法可以實(shí)現(xiàn)某個(gè)數(shù)據(jù)點(diǎn)類別的預(yù)測(cè)。

答案:predict()K-means聚類算法屬于()算法。

答案:基于劃分的聚類當(dāng)給定一定量已標(biāo)記類別的訓(xùn)練數(shù)據(jù),對(duì)于某個(gè)未知類別的數(shù)據(jù)點(diǎn)時(shí),可以使用哪種技術(shù)來(lái)確定該數(shù)據(jù)點(diǎn)的類別()。

答案:分類PCA是最常用的降維算法,以下有關(guān)PCA算法描述錯(cuò)誤的是()。

答案:選擇向量時(shí),投影后方差越小越好在訓(xùn)練模型時(shí)要最小化損失函數(shù),有可能出現(xiàn)過(guò)擬合的問(wèn)題。以下哪項(xiàng)數(shù)據(jù)處理方式可以防止模型過(guò)擬合()。

答案:正則化下列有關(guān)scikit-learn里的KNN算法描述正確的是()。

答案:KneighborsClassifier默認(rèn)使用歐式距離LinearRegression對(duì)象的主要方法中,用來(lái)擬合線性模型,即將訓(xùn)練集數(shù)據(jù)放入模型進(jìn)行訓(xùn)練的方法是()。

答案:fit一位母親記錄了兒子3~9歲的身高(cm),由此建立的身高與年齡的回歸方程為y=73+7.2x,據(jù)此預(yù)測(cè)這個(gè)孩子10歲時(shí)的身高,下列描述正確的是()。

答案:身高在145cm左右下列關(guān)于機(jī)器學(xué)習(xí)描述正確的是()。

答案:分類是有監(jiān)督的學(xué)習(xí),聚類是無(wú)監(jiān)督的學(xué)習(xí)()研究一個(gè)或多個(gè)因變量(Y1,Y2,···,Yi)與另一個(gè)或多個(gè)自變量(X1,X2,···,X)之間的依存關(guān)系,用自變量的值來(lái)估計(jì)或預(yù)測(cè)因變量的總體平均值。

答案:回歸以下不是分類常用的評(píng)價(jià)指標(biāo)的是()。

答案:均方誤差以下有關(guān)KMeans聚類和KNN分類算法,描述準(zhǔn)確的是()。

答案:KMeans聚類和KNN分類都只能處理數(shù)值型數(shù)據(jù)監(jiān)督學(xué)習(xí)主要包括了()和()兩類。

答案:分類、回歸回歸(Regression)這一術(shù)語(yǔ)最初由英國(guó)統(tǒng)計(jì)學(xué)家()引入。

答案:高爾頓()是人工智能(ArtificialIntelligence,AI)的重要分支,是實(shí)現(xiàn)人工智能的重要方法。

答案:機(jī)器學(xué)習(xí)降維的作用不包括()。

答案:減少數(shù)據(jù)類別以下()模塊中實(shí)現(xiàn)了大量的線性回歸模型。

答案:linear_model下列關(guān)于KNN算法描述正確的是()。

答案:KNN算法需要事先確定K值當(dāng)不知道數(shù)據(jù)所帶標(biāo)簽時(shí),可以使用哪種技術(shù)促使帶同類標(biāo)簽的數(shù)據(jù)與帶其他標(biāo)簽的數(shù)據(jù)相分離()。

答案:聚類機(jī)器學(xué)習(xí)的數(shù)據(jù)一般是由()和()兩部分組成。

答案:特征、標(biāo)簽下列不屬于降維算法的是()。

答案:K-Means工人月工資y(元)依勞動(dòng)生產(chǎn)率x(千元)變化的回歸方程為y=60+90x,下列判斷正確的是()。

答案:勞動(dòng)生產(chǎn)率提高1000元時(shí),工資提高90元K-Means算法要求輸入的數(shù)據(jù)類型必須是()。

答案:數(shù)值型下面哪個(gè)情形可以作為K-Means迭代終止的條件()。

答案:前后兩次迭代中,每個(gè)聚類的質(zhì)心不再改變/star3/origin/f002f8de27f0ea275f51004b9f8bcd6f.png

答案:fromsklearn.model_selectionimporttrain_test_split;X_train,X_test,y_train,y_test;KNeighborsClassifier(n_neighbors=7;clf.score(X_test,y_test;Y_sample=clf.predict(X_sample/star3/origin/baab61c727694c20619dd5d2dda814bf.png

答案:F;A;H;B;E/star3/origin/1c0c9654bbd08a919736613bb2e58775.png

答案:PCA;digits.data;digits.target;PCA(n_components=2;pca.fit_transform(X/star3/origin/00cac0a72978c3021c4837da28c2c0a6.PNG

答案:linear_model;linear_model.LinearRegression(;ercept_;[[10]];clf.predict(X_test;prediction;clf.predict(X_test/star3/origin/aa47d35e1b24e380e2ab301661bc7e55.PNG

答案:KNeighborsClassifier;train_test_split;load_breast_cancer(;digits.data,digits.target;knc.fit(X_train,Y_train;knc.predict(X_test/star3/origin/f74b458064c55f3a8f3a5e3ea2463bf9.png

答案:fromsklearn.clusterimportKMeans;fromsklearn.decompositionimportPCA;load_digits(;range(10;scale;PCA;fit_transform(data;KMeans;reduced_data;(10)cluster_centers_;(11)plt.show()補(bǔ)全程序，完成以下功能：給定預(yù)測(cè)數(shù)據(jù)集和真實(shí)數(shù)據(jù)集，計(jì)算回歸模型性能評(píng)價(jià)指標(biāo)平均絕對(duì)誤差、均方誤差、決定系數(shù)。

fromsklearnimport

【1】

true=[0,1,2,3,4,5,6,7,8,9]pred=[0,2,2,3,5,3,5,7,9,8]

#（1）計(jì)算平均絕對(duì)誤差MAEprint('MAE：%s'%metrics.

【2】

)

#計(jì)算MAE#（2）計(jì)算均方誤差MSEprint('MSE：%s'%metrics.

【3】

)

#計(jì)算MSE#（3）計(jì)算決定系數(shù)print('R^2：%s'%metrics.

【4】

)

#計(jì)算決定系數(shù)

答案:metrics;mean_absolute_error(true,pred;mean_squared_error(true,pred;r2_score(true,pred利用Keras構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)主要涉及的步驟為：載入數(shù)據(jù)，對(duì)該數(shù)據(jù)預(yù)處理，構(gòu)建Sequential模型，構(gòu)建神經(jīng)網(wǎng)絡(luò)和全連接層，利用

函數(shù)進(jìn)行編譯，利用

函數(shù)訓(xùn)練模型，最后進(jìn)行模型的評(píng)估和對(duì)新數(shù)據(jù)的預(yù)測(cè)。

答案:compile;fit傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型是由

、

和

組成，且每層都是由一維神經(jīng)元構(gòu)成。

答案:輸入層;隱含層;隱藏層;

隱層;輸出層BP算法主要由

和

兩次傳播方法組成。

答案:正向傳播;反向傳播TensorFlow游樂(lè)場(chǎng)主要解決的問(wèn)題有分類問(wèn)題和

問(wèn)題兩種。

答案:回歸關(guān)于卷積神經(jīng)網(wǎng)絡(luò),下列的描述錯(cuò)誤的是()。

答案:卷積層、池化層、Dropout層和全連接層出現(xiàn)的次數(shù)唯一下列不屬于構(gòu)建2D卷積層Conv2D()函數(shù)的參數(shù)的是()。

答案:權(quán)重系數(shù)卷積神經(jīng)網(wǎng)絡(luò)中典型的模式不包括()。

答案:多個(gè)連續(xù)的池化層,然后跟著一個(gè)卷積層下面關(guān)于池化的描述中,錯(cuò)誤的是()。

答案:池化之后圖像的尺寸沒(méi)有變化關(guān)于卷積神經(jīng)網(wǎng)絡(luò)(其中函數(shù)Conv2D和MaxPooling2D中padding="same")的說(shuō)法正確的是(

)。

答案:從開(kāi)始的層到后面的層,經(jīng)過(guò)變換得到的特征圖的尺寸大小不變假定圖像的尺寸為nXn,卷積核的尺寸為kxk,則卷積后獲得的新圖像尺寸為()。

答案:(n-k+1)x(n-k+1)神經(jīng)網(wǎng)絡(luò)模型如果想獲得更好的分類效果,可以通過(guò)以下哪種手段()。

答案:增加數(shù)據(jù)集的輸入特征的數(shù)量TensorFlow是一個(gè)由()公司開(kāi)發(fā)的開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)。

答案:谷歌以下不屬于深度學(xué)習(xí)框架的是()。

答案:C語(yǔ)言FashionMNIST數(shù)據(jù)集中圖像的通道數(shù)是()。

答案:1數(shù)字圖像進(jìn)行歸一化時(shí),常采取除以()的做法。

答案:255FashionMNIST數(shù)據(jù)集輸入尺寸大小是()。

答案:28x28激活函數(shù)Sigmoid函數(shù)的值域是()。

答案:(0,1)以下哪項(xiàng)不屬于構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的內(nèi)容()。

答案:選取數(shù)據(jù)特征屬性下列屬于線性激活函數(shù)的是()。

答案:Linear關(guān)于TensorFlow游樂(lè)場(chǎng)的hiddenlayers區(qū)域,以下說(shuō)法錯(cuò)誤的是()。

答案:調(diào)節(jié)隱藏層數(shù)量不能對(duì)模型進(jìn)行優(yōu)化以下哪項(xiàng)不是深度學(xué)習(xí)快速發(fā)展的主要原因()。

答案:Keras的流行神經(jīng)網(wǎng)絡(luò)模型因受人類大腦的啟發(fā)而得名,神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元組成,每個(gè)神經(jīng)元接受一個(gè)輸入,對(duì)輸入進(jìn)行處理后給出一個(gè)輸出。請(qǐng)問(wèn)下列關(guān)于神經(jīng)元的描述中,哪一項(xiàng)是正確的()。

答案:以上都正確下列哪個(gè)函數(shù)不是常用的神經(jīng)網(wǎng)絡(luò)激活函數(shù)()。

答案:y=3x/star3/origin/e180a254d23ae416c8c5abd67182751e.png

答案:J;j;H;h;C;c;G;g;B;b補(bǔ)全程序，完成以下功能：利用Keras構(gòu)建CNN模型分類CIFAR10數(shù)據(jù)集，歸一化測(cè)試集和訓(xùn)練集數(shù)據(jù)，調(diào)整兩層卷積層的參數(shù)，將訓(xùn)練集的準(zhǔn)確率提高到不小于0.72，打印模型的概況。#導(dǎo)入外部庫(kù)和CIFAR10數(shù)據(jù)集importtensorflowastfimportmatplotlib.pyplotaspltfromsklearnimportmetricscifar10=tf.keras.datasets.cifar10(X_train,y_train),(X_test,y_test)=cifar10.load_data()#建立映射表class_names=['airplane','automobile','bird','cat','deer',

'dog','frog','horse','ship','truck']#顯示訓(xùn)練集的前20個(gè)圖像和標(biāo)簽plt.figure(figsize=(10,9))num=20foriinrange(0,num):

plt.subplot(4,5,i+1)

plt.imshow(X_train[i])

plt.xticks([])

plt.yticks([])

plt.title("True="+str(class_names[y_train[i][0]]))

plt.savefig('20.jpg')plt.show()#歸一化數(shù)字圖像X_train_norm,X_test_norm=X_train/

【1】

,X_test/

【2】

#構(gòu)建Sequential模型model=tf.keras.models.

【3】

#構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)#構(gòu)建卷積層model.add(tf.keras.layers.Conv2D(

【4】

,(3,3),activation='relu',input_shape=(32,32,3)))

#此處答案不固定，只要符合題目要求即可#構(gòu)建池化層model.add(tf.keras.layers.MaxPooling2D((2,2)))#構(gòu)建卷積層model.add(tf.keras.layers.Conv2D(

【5】

,(3,3),activation='relu',))

#此處答案不固定，只要符合題目要求即可#構(gòu)建池化層model.add(tf.keras.layers.MaxPooling2D((2,2)))#構(gòu)建Dropout層model.add(tf.keras.layers.Dropout(rate=0.2))#構(gòu)建全連接層model.add(tf.keras.layers.Flatten())model.add(tf.keras.layers.Dense(80,activation='relu'))model.add(tf.keras.layers.Dense(10,activation='softmax'))#打印模型的概況print(model.

【6】

)#模型編譯pile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])#模型訓(xùn)練history=model.

【7】

(X_train_norm,y_train,validation_split=0.1,epochs=20,verbose=1)

#模型訓(xùn)練#模型評(píng)估m(xù)odel.

【8】

(X_test_norm,y_test,verbose=1)

答案:255.0;255.0;Sequential(;無(wú);無(wú);summary(;fit;evaluate補(bǔ)全程序，完成以下功能：利用Keras構(gòu)建CNN模型分類CIFAR10數(shù)據(jù)集，顯示訓(xùn)練集的前20個(gè)圖像和標(biāo)簽，構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)的第一層卷積層，該層包括32個(gè)濾波器、卷積核尺寸為3x3、激活函數(shù)為relu，構(gòu)建輸出層。#導(dǎo)入外部庫(kù)和CIFAR10數(shù)據(jù)集importtensorflowastfimportmatplotlib.pyplotaspltfromsklearnimportmetricscifar10=tf.keras.datasets.cifar10(X_train,y_train),(X_test,y_test)=cifar10.load_data()#建立映射表class_names=['airplane','automobile','bird','cat','deer',

'dog','frog','horse','ship','truck']#顯示訓(xùn)練集的前20個(gè)圖像和標(biāo)簽plt.figure(figsize=(10,9))num=20foriinrange(0,num):

plt.subplot(4,5,i+1)

plt.imshow(X_train[i])

plt.xticks([])

plt.yticks([])

plt.title("True="+str(class_names[y_train[i][0]]))plt.show()#歸一化數(shù)字圖像X_train_norm,X_test_norm=X_train/255.0,X_test/255.0#構(gòu)建Sequential模型model=tf.keras.models.

【1】

#實(shí)例化一個(gè)Sequential模型#構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)#構(gòu)建卷積層model.add(tf.keras.layers.Conv2D(

【2】

,

【3】

,

【4】

,input_shape=(32,32,3)))

#構(gòu)造包含32個(gè)濾波器，卷積核尺寸3*3,激活函數(shù)為relu的卷積層#構(gòu)建池化層model.add(tf.keras.layers.

【5】

((2,2)))

#構(gòu)建池層的方法采用最大池化的方法#構(gòu)建Dropout層model.add(tf.keras.layers.Dropout(rate=0.2))#構(gòu)建全連接層model.add(tf.keras.layers.Flatten())model.add(tf.keras.layers.Dense(80,activation='relu'))model.add(tf.keras.layers.Dense(10,activation='softmax'))#打印模型的概況print(model.summary())#模型編譯model.

【6】

(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])#模型訓(xùn)練history=model.

【7】

(X_train_norm,y_train,validation_split=0.1,epochs=20,verbose=1)#模型評(píng)估m(xù)odel.

【8】

(X_test_norm,y_test,verbose=1)

答案:Sequential(;32;(3,3;activation='relu';MaxPooling2D;compile;fit;evaluate補(bǔ)全程序，完成以下功能：利用Keras構(gòu)建CNN模型分類FashionMNIST數(shù)據(jù)集，歸一化訓(xùn)練集和測(cè)試集數(shù)據(jù)，在Dropout層之前增加一個(gè)包含200個(gè)濾波器、卷積核尺寸為3x3、激活函數(shù)為ReLU的卷積層，進(jìn)行模型訓(xùn)練。#導(dǎo)入外部庫(kù)和Fashion-MNIST數(shù)據(jù)集i