計(jì)算機(jī)知識(shí)技術(shù)題庫(kù)附答案

計(jì)算機(jī)知識(shí)技術(shù)題庫(kù)附答案

1、人工智能是一門(mén)

數(shù)學(xué)和生理學(xué)

心理學(xué)和生理學(xué)

語(yǔ)言學(xué)

綜合性的交叉學(xué)科和邊緣學(xué)科（V）

解析：人工智能是一門(mén)綜合性的交叉學(xué)科和邊緣學(xué)科

2、不屬于人工智能的學(xué)派是

符號(hào)主義

機(jī)會(huì)主義（V）

行為主義

連接主義

解析：機(jī)會(huì)主義不屬于人工智能的學(xué)派

3、下列哪部分不是專(zhuān)家系統(tǒng)的組成部分

用戶（，）

綜合數(shù)據(jù)庫(kù)

推理機(jī)

知識(shí)庫(kù)

解析：專(zhuān)家系統(tǒng)的組成部分是綜合數(shù)據(jù)庫(kù)、推理機(jī)、知識(shí)庫(kù)

4、自然語(yǔ)言理解是人工智能的重要應(yīng)用領(lǐng)域，下面列舉中的（）不是

它要實(shí)現(xiàn)的目標(biāo)

理解別人講的話

對(duì)自然語(yǔ)言表示的信息進(jìn)行分析概括或編輯

欣賞音樂(lè)（V）

機(jī)器翻譯

5、人工智能的發(fā)展歷程可以劃分為（）

誕生期和成長(zhǎng)期

形成期和發(fā)展期（V）

初期和中期

初級(jí)階段和高級(jí)階段

解析：人工智能的發(fā)展歷程可以劃分為形成期和發(fā)展期

6、深度學(xué)習(xí)中的〃深度〃是指()

計(jì)算機(jī)理解的深度

中間神經(jīng)元網(wǎng)絡(luò)的層次很多(V)

計(jì)算機(jī)的求解更加精準(zhǔn)

計(jì)算機(jī)對(duì)問(wèn)題的處理更加靈活

解析：深度學(xué)習(xí)中的〃深度〃是指中間神經(jīng)元網(wǎng)絡(luò)的層次很多

7、下列屬于無(wú)監(jiān)督學(xué)習(xí)的模型是()

k-means(7)

線性回歸

神經(jīng)網(wǎng)絡(luò)

決策樹(shù)

解析：k-means是聚類(lèi),屬于無(wú)監(jiān)督學(xué)習(xí)。

8、不屬于人工智能的學(xué)派是()

符號(hào)主義

機(jī)會(huì)主義（7）

行為主義

連接主義

解析：不屬于人工智能的學(xué)派是機(jī)會(huì)主義

9、（）是人以自然語(yǔ)言同計(jì)算機(jī)進(jìn)行交互的綜合性技術(shù)，結(jié)合了語(yǔ)言

學(xué)、心理學(xué)、工程、計(jì)算機(jī)技術(shù)等領(lǐng)域的知識(shí)。

語(yǔ)音交互（V）

情感交互

體感交互

腦機(jī)交互

解析：語(yǔ)音交互是人以自然語(yǔ)言同計(jì)算機(jī)進(jìn)行交互的綜合性技術(shù)，結(jié)合

了語(yǔ)言學(xué)、心理學(xué)、工程、計(jì)算機(jī)技術(shù)等領(lǐng)域的知識(shí)。

10、被譽(yù)為〃計(jì)算機(jī)科學(xué)之父〃的科學(xué)家是

明斯基

圖靈（V）

麥卡錫

馮諾依曼

11、下面哪一句話是正確的

人工智能就是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)就是深度學(xué)習(xí)

人工智能就是深度學(xué)習(xí)

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)的方法（V）

解析：深度學(xué)習(xí)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種方式或一條路徑

12、關(guān)于python編程語(yǔ)言,下列描述正確的是

Python中整型有限制大小

append函數(shù)用于給列表增加元素

del用于刪除變量（V）

Python中列表無(wú)法嵌套

解析:Python中的del語(yǔ)句作用是刪除變量，其對(duì)整型無(wú)限制append。

函數(shù)用于在列表末尾添加新的對(duì)象，Python中列表可嵌套

13、一般來(lái)講，下列語(yǔ)言屬于人工智能語(yǔ)言的是（）。

VJ

c#

Foxpro

LISP(V)

解析：軟硬件知識(shí)

14、在主觀Bayes方法中，證據(jù)E支持結(jié)論H時(shí)，有()。

LS=0

LS<1

LS=1

LS>1(V)

15、()是一種模擬人類(lèi)專(zhuān)家解決領(lǐng)域問(wèn)題的計(jì)算機(jī)程序系統(tǒng)。

專(zhuān)家系統(tǒng)(V)

進(jìn)化算法

遺傳算法

禁忌搜索

解析：專(zhuān)家系統(tǒng)能夠利用人類(lèi)專(zhuān)家的知識(shí)和解決問(wèn)題的方法來(lái)處理該領(lǐng)

域問(wèn)題。

16、如果問(wèn)題存在最優(yōu)解，則下面幾種搜索算法中，（）必然可以得到

該最優(yōu)解。

廣度優(yōu)先搜索（V）

深度優(yōu)先搜索

有界深度優(yōu)先搜索

啟發(fā)式搜索

解析：廣度優(yōu)先搜索必一定可以得到最優(yōu)解

17、或圖通常稱(chēng)為（）。

框架網(wǎng)絡(luò)

語(yǔ)義圖

博亦圖

狀態(tài)圖（V）

18、產(chǎn)生式系統(tǒng)的推理不包括（）

正向推理

逆向推理

雙向推理

簡(jiǎn)單推理(V)

19、在證據(jù)理論中，信任函數(shù)與似然函數(shù)的關(guān)系為()。

Bel<PI(V)

Bel<PI

Bel>PI

Bel>PI

20、根據(jù)機(jī)器智能水平由低到高，正確的排序是()。

計(jì)算智能、感知智能、認(rèn)知智能(V)

感知智能、認(rèn)知智能、計(jì)算智能

計(jì)算智能、認(rèn)知智能、感知智能

認(rèn)知智能、計(jì)算智能、感知智能

解析：計(jì)算智能,通常指基于清晰規(guī)則的數(shù)值運(yùn)算，比如數(shù)值加減、微

積分、矩陣分解等。感知智能，其核心在于模擬人的視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)

等感知能力。認(rèn)知智能，則具有人類(lèi)思維理解、知識(shí)共享、彳亍動(dòng)協(xié)同或

博弈等核心'特征。計(jì)算智能、感知智能、認(rèn)知智能，由低到高。答案選

A

21、人工智能的近期目標(biāo)是（）。

實(shí)現(xiàn)機(jī)器智能（V）

實(shí)現(xiàn)自我學(xué)習(xí)

降低搭建成本

超越人類(lèi)

解析：人工智能近期目標(biāo):是實(shí)現(xiàn)機(jī)器智能。如先部分地或某種程度地實(shí)

現(xiàn)機(jī)器智能,從而使現(xiàn)有的計(jì)算機(jī)更靈活好用和更聰明有用。答案選A

22、神經(jīng)網(wǎng)絡(luò)研究屬于下列哪個(gè)學(xué)派

符號(hào)主義

連接主義（V）

行為主義

其他選項(xiàng)均不對(duì)

解析：神經(jīng)網(wǎng)絡(luò)研究屬于連接主義學(xué)派

23、關(guān)于〃與/或〃圖表示知識(shí)的敘述，錯(cuò)誤的有（）

用〃與/或〃圖表示知識(shí)方便使用程序設(shè)計(jì)語(yǔ)言表達(dá)，也便于計(jì)算機(jī)存

儲(chǔ)處理

〃與/或〃圖表示知識(shí)時(shí)一定同時(shí)有〃與結(jié)點(diǎn)〃和〃或結(jié)點(diǎn)〃

"與/或〃圖能方便地表示陳述性知識(shí)和過(guò)程性知識(shí)

能用〃與/或〃圖表示的知識(shí)不適宜用其他方法表示（V）

24、下列哪項(xiàng)不屬于知識(shí)圖譜的分布式表示方法（）

word2vec（V）

TransD

TransH

TransE

解析：word2vec屬于文字的向量表示。

25、下列哪項(xiàng)不是目前深度學(xué)習(xí)的必備技術(shù)？

卷積可視化解釋?zhuān)╒）

反向傳播算法

非線性激活函數(shù)

深度神經(jīng)網(wǎng)絡(luò)

26、訓(xùn)練圖像分類(lèi)模型時(shí)對(duì)于圖像的預(yù)處理，下列技術(shù)哪項(xiàng)經(jīng)常要用？

（）

圖像增強(qiáng)（V）

圖像灰度化

圖片二值化

圖片RGB通道轉(zhuǎn)換

解析：圖像增強(qiáng)經(jīng)常用于圖像預(yù)處理

27、樸素貝葉斯算法屬于（）

無(wú)監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)

強(qiáng)化學(xué)習(xí)

有監(jiān)督學(xué)習(xí)（V）

解析：樸素貝葉斯算法屬于有監(jiān)督學(xué)習(xí)

28、通常使用的處理圖像數(shù)據(jù)的網(wǎng)絡(luò)模型是（）

卷積神經(jīng)網(wǎng)絡(luò)（V）

循環(huán)神經(jīng)網(wǎng)絡(luò)

word2vec

bert

29、下列哪個(gè)模型結(jié)構(gòu)中沒(méi)有出現(xiàn)循環(huán)連接的結(jié)構(gòu)（）

LSTM

GRU

Transformer

text-convolution（V）

解析：text-convolution是卷積網(wǎng)絡(luò)，沒(méi)有循環(huán)鏈接

30、下列哪項(xiàng)不是構(gòu)建知識(shí)圖譜用到的主要技術(shù)（）

詞性標(biāo)注（V）

實(shí)體鏈接

關(guān)系抽取

命名實(shí)體識(shí)別

解析：詞性標(biāo)注不是構(gòu)建知識(shí)圖譜用到的主要技術(shù)

31、激活函數(shù)的目的是什么（）

加入額外的計(jì)算單元

非線性變換（V）

加快計(jì)算速度

方便反向傳播計(jì)算

解析：激活函數(shù)的目的是非線性變換

32、下列哪一個(gè)不是神經(jīng)網(wǎng)絡(luò)的代表（）

卷積神經(jīng)網(wǎng)絡(luò)

遞歸神經(jīng)網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)

xgboost算法（V）

解析：xgboost算法屬于決策樹(shù)

33、以下CNN網(wǎng)絡(luò)模型中，最早用于手寫(xiě)數(shù)字識(shí)別的是（）

LeNet-5(V)

AlexNet

ResNet50

ResNetl52

解析：最早用于手寫(xiě)數(shù)字識(shí)別的cnn網(wǎng)絡(luò)是LeNet-5

34、列算法，哪項(xiàng)不屬于深度學(xué)習(xí)模型？()

支持向量機(jī)SVM(V)

深度殘差網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)CNN

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

解析：支持向量機(jī)SVM屬于統(tǒng)計(jì)學(xué)習(xí)

35、在數(shù)據(jù)量大的情況下，對(duì)于相同的文本分類(lèi)任務(wù)，對(duì)Bert模型和

word2vec模型的分類(lèi)效果判斷正確的是()

bert分類(lèi)效果優(yōu)于word2vec(V)

word2vec分類(lèi)效果優(yōu)于bert

效果一致

以上選項(xiàng)均不正確

36、哪項(xiàng)詞向量模型支持一詞多義？（）

word2vec

fasttext

glove

elmo（V）

37、關(guān)于圖像的說(shuō)法，正確的是（）

灰度圖只有一個(gè)通道（V）

彩色圖一定是RGB三通道

不同的開(kāi)發(fā)包，對(duì)讀取圖片的通道順序必須相同

以上說(shuō)法都正確

解析：灰度圖只有一個(gè)通道

38、對(duì)于線性不可分的數(shù)據(jù)，支持向量機(jī)的解決方式是（）

軟間隔

硬間隔

核函數(shù)（V）

以上選項(xiàng)均不正確

39、人工智能應(yīng)用研究的兩個(gè)最重要最廣泛領(lǐng)域?yàn)椋海ǎ?/p>

專(zhuān)家系統(tǒng)、自動(dòng)規(guī)劃

專(zhuān)家系統(tǒng)、機(jī)器學(xué)習(xí)（V）

機(jī)器學(xué)習(xí)、智能控制

機(jī)器學(xué)習(xí)、自然語(yǔ)言理解

解析：人工智能應(yīng)用研究的兩個(gè)最重要最廣泛領(lǐng)域?yàn)椋簩?zhuān)家系統(tǒng)、機(jī)器

學(xué)習(xí)

40、以下技術(shù)中，不屬于人工智能技術(shù)的是（）

自動(dòng)計(jì)算，通過(guò)編程計(jì)算456*457*458*459的值（V）

文字識(shí)別，如通過(guò)OCR快速獲得的圖像中出漢字，保存為文本

語(yǔ)音輸入，通過(guò)話筒將講話內(nèi)容轉(zhuǎn)成文本

麥克風(fēng)陣列，如利用靈云該技術(shù)實(shí)現(xiàn)遠(yuǎn)場(chǎng)語(yǔ)音交互的電視

41、屬于常見(jiàn)損失函數(shù)：

計(jì)算預(yù)測(cè)值函數(shù)

求偏導(dǎo)數(shù)函數(shù)

均方誤差損失函數(shù)（V）

更新參數(shù)函數(shù)

解析：均方誤差損失函數(shù)屬于常見(jiàn)損失函數(shù)。

42、新一代人工智能關(guān)鍵共性技術(shù)的研發(fā)部署要以（）為核心，以數(shù)據(jù)

和硬件為基礎(chǔ)，以提升感知識(shí)別、知識(shí)計(jì)算、認(rèn)知推理、運(yùn)動(dòng)執(zhí)行、人

機(jī)交互能力為重點(diǎn)

軟件

算力

云平臺(tái)

算法（V）

解析：新一代人工智能關(guān)鍵共性技術(shù)的研發(fā)部署要以算法為核心，以數(shù)

據(jù)和硬件為基礎(chǔ)，以提升感知識(shí)別、知識(shí)計(jì)算、認(rèn)知推理、運(yùn)動(dòng)執(zhí)行、

人機(jī)交互能力為重點(diǎn)

43、人工智能的分類(lèi)（）

AGN和AGI

ANI和ANG

ANG和AGI

ANI和AGI（V）

解析：人工智能的分類(lèi)ANI和AGI

44、當(dāng)前機(jī)器學(xué)習(xí)研究的核心是（）。

擬合數(shù)據(jù)的概率分布曲線（V）

證明模型的理論意義

計(jì)算性能的突破發(fā)展

超高速的數(shù)據(jù)讀取

45、（）是一切AI模型的基礎(chǔ)，完善數(shù)據(jù)的基礎(chǔ)設(shè)施建設(shè)對(duì)于AI項(xiàng)目

開(kāi)發(fā)至關(guān)重要。

算法

算力

程序

數(shù)據(jù)（V）

解析：數(shù)據(jù)是一切AI模型的基礎(chǔ)，完善數(shù)據(jù)的基礎(chǔ)設(shè)施建設(shè)對(duì)于AI項(xiàng)

目開(kāi)發(fā)至關(guān)重要。

46、學(xué)習(xí)器的實(shí)際預(yù)測(cè)輸出與樣本的真實(shí)輸出之間的差異稱(chēng)為

錯(cuò)誤率

精度

誤差（V）

查準(zhǔn)率

解析：通常把分類(lèi)錯(cuò)誤的樣本數(shù)占樣本總數(shù)的比例稱(chēng)為〃錯(cuò)誤率〃；精

度=1.0-錯(cuò)誤率；把學(xué)習(xí)器的實(shí)際預(yù)測(cè)輸出與樣本的真實(shí)輸出之間的差

異稱(chēng)為〃誤差〃；查準(zhǔn)率也稱(chēng)為準(zhǔn)確率

47、測(cè)試集應(yīng)盡可能與訓(xùn)|練集

相容

相等

互斥（V）

包含

解析：測(cè)試集來(lái)測(cè)試學(xué)習(xí)器對(duì)新樣本的判別能力，然后以測(cè)試集上的測(cè)

試誤差作為泛化誤差的近似，測(cè)試集應(yīng)該盡可能與訓(xùn)練集互斥，即測(cè)試樣

本盡量不在訓(xùn)練集中出現(xiàn)、未在訓(xùn)練過(guò)程中使用過(guò)

48、留出法直接將數(shù)據(jù)集劃分為()個(gè)互斥的集合

-(V)

四

解析留出法直接將數(shù)據(jù)集劃分為兩個(gè)互斥的集合，其中一個(gè)集合作為訓(xùn)

練集，另一個(gè)作為測(cè)試集，在訓(xùn)練集上訓(xùn)練出模型后,用測(cè)試集來(lái)評(píng)估其

測(cè)試誤差，作為對(duì)泛化誤差的估計(jì)

49、交叉驗(yàn)證法將數(shù)據(jù)集劃分為k個(gè)大小相似的互斥子集，進(jìn)行()次

訓(xùn)練和測(cè)試

k+1

k(V)

k-1

k-2

50、查準(zhǔn)率和查全率是一對(duì)()的度量

相容

相等

矛盾(，)

包含

解析：查準(zhǔn)率和查全率是一對(duì)矛盾的度量.一般來(lái)說(shuō)，查準(zhǔn)率高時(shí)，查全

率往往偏低;而置全率高時(shí)，直準(zhǔn)率往往偏低

51、()為我們進(jìn)行學(xué)習(xí)器性能比較提供了重要依據(jù)

二項(xiàng)檢驗(yàn)

t檢驗(yàn)

交叉驗(yàn)證t檢驗(yàn)

統(tǒng)計(jì)假設(shè)檢驗(yàn)(V)

解析：統(tǒng)計(jì)假設(shè)檢驗(yàn)為我們進(jìn)行學(xué)習(xí)器t性能匕瞰提供了重要依據(jù),基

于假設(shè)檢驗(yàn)結(jié)果我們可推斷出若在測(cè)試集上觀察到學(xué)習(xí)器A比B好，

則A的泛化性能是否在統(tǒng)計(jì)意義上優(yōu)于B，以及這個(gè)結(jié)論的把握有多大

52、感知機(jī)描述錯(cuò)誤的是

感知機(jī)根據(jù)正確的程度進(jìn)行權(quán)重調(diào)整(V)

輸入層接收外界輸入信號(hào)傳遞給輸出層

輸出層是M-P神經(jīng)元

感知機(jī)能容易實(shí)現(xiàn)邏輯與、或、非運(yùn)算

解析：感知機(jī)由兩層神經(jīng)元組成，輸入層接收外界輸入信號(hào)后傳遞給輸

出層，輸出層是M-P神經(jīng)元，亦稱(chēng)〃闊值邏輯單元〃，感知機(jī)能容易

地實(shí)現(xiàn)邏輯與、或、非運(yùn)算

53、多層前饋神經(jīng)網(wǎng)絡(luò)描述錯(cuò)誤的是

輸出層與輸入層之間包含隱含層，且隱含層和輸出層都擁有激活函數(shù)的

神經(jīng)元

神經(jīng)元之間存在這同層連接以及跨層連接(V)

輸入層僅僅是接收輸入，不進(jìn)行函數(shù)處理

每層神經(jīng)元上一層與下一層全互連

54、關(guān)于RBF神經(jīng)網(wǎng)絡(luò)描述錯(cuò)誤的是

單隱層前饋神經(jīng)網(wǎng)絡(luò)

隱層神經(jīng)元激活函數(shù)為徑向基函數(shù)

輸出層是對(duì)隱層神經(jīng)元輸出的非線性組合（V）

可利用BP算法來(lái)進(jìn)行參數(shù)優(yōu)化

解析：輸出層則是對(duì)隱層神經(jīng)元輸出的線性組合

55、關(guān)于競(jìng)爭(zhēng)型學(xué)習(xí)算法描述錯(cuò)誤的是

是一種監(jiān)督學(xué)習(xí)策略（V）

每個(gè)時(shí)刻只有一個(gè)競(jìng)爭(zhēng)獲勝的神經(jīng)元被激活

其他神經(jīng)元的狀態(tài)被抑制

ART網(wǎng)絡(luò)通過(guò)競(jìng)爭(zhēng)型學(xué)習(xí)算法尋優(yōu)

解析：競(jìng)爭(zhēng)學(xué)習(xí)為無(wú)監(jiān)督學(xué)習(xí)策略

56、關(guān)于SMO神經(jīng)網(wǎng)絡(luò)描述錯(cuò)誤的是

一種競(jìng)爭(zhēng)學(xué)習(xí)型的無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)

將高維輸入數(shù)據(jù)映射到低維空間，保持輸入數(shù)據(jù)在高維空間的拓?fù)浣Y(jié)構(gòu)

SMO尋優(yōu)目標(biāo)為每個(gè)輸出神經(jīng)元找到合適的權(quán)重（V）

輸出層神經(jīng)元以矩陣方式排列在二維空間

解析：SOM的訓(xùn)練目標(biāo)就是為每個(gè)輸出層神經(jīng)元找到合適的權(quán)向量,

以達(dá)到保持拓?fù)浣Y(jié)構(gòu)的目的

57、關(guān)于級(jí)聯(lián)相關(guān)網(wǎng)絡(luò)描述錯(cuò)誤的是

屬于結(jié)構(gòu)自適應(yīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)也是其優(yōu)化目標(biāo)

主要成分為級(jí)聯(lián)、相關(guān)、歸約(V)

無(wú)需設(shè)置網(wǎng)絡(luò)層數(shù)、隱層神經(jīng)元數(shù)目

訓(xùn)練速度快，但數(shù)據(jù)較小時(shí)容易陷入過(guò)擬合

58、關(guān)于Boltzmann描述錯(cuò)誤的是

基于能量的模型

優(yōu)化目標(biāo)函數(shù)為最小化能力函數(shù)

分為顯層和隱層

神經(jīng)元都是數(shù)值型(V)

解析：Boltzmann機(jī)中的神經(jīng)元都是布爾型的,即只能取0、1兩種

狀態(tài)，狀態(tài)1表示激活，狀態(tài)0表示抑制

59、關(guān)于Boosting,Bagging和隨機(jī)森林，以下說(shuō)法錯(cuò)誤的是

從偏差-方差分解的角度看，Boosting主要關(guān)注降低偏差

從偏差-方差分解的角度看,Bagging主要關(guān)注降低方差

隨機(jī)森林簡(jiǎn)單、容易實(shí)現(xiàn)、計(jì)算開(kāi)銷(xiāo)小

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（V）

解析：從偏差一方差分解的角度看，Boosting主要關(guān)住降低偏差,因

此Boosting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

60、下列核函數(shù)特性描述錯(cuò)誤的是

只要一個(gè)對(duì)稱(chēng)因數(shù)所對(duì)應(yīng)的核矩陣半正定，就能稱(chēng)為核函數(shù)

核函數(shù)選擇作為支持向量機(jī)的最大變數(shù)

核函數(shù)將影響支持向量機(jī)的性能

核困數(shù)是一種降維模型（V）

解析：只要一個(gè)對(duì)稱(chēng)函數(shù)所對(duì)應(yīng)的核矩陣半正定，它就能作為核函數(shù)使

用.事實(shí)上，對(duì)于一個(gè)半正定核矩陣，總能找到一個(gè)與之對(duì)應(yīng)的映射，任

何一個(gè)核函數(shù)都隱式地定義了一個(gè)稱(chēng)為〃再生核希爾伯特空間〃的特征

空間，我們希望樣本在特征空間內(nèi)線性可分，因此特征空間的好壞對(duì)支

持向量機(jī)的性能至關(guān)重要，在不知道特征映射的形式時(shí),我們并不知道

什么樣的核函數(shù)是合適的，而核函數(shù)也僅是隱式地走義了這個(gè)特征空間,

于是，〃核函數(shù)選攔〃成為支持向量機(jī)的最大變數(shù)

61、下列貝葉斯描述錯(cuò)誤的是

貝葉斯是概率框架下實(shí)施決策的基本方法

貝葉斯基于概蔚口誤判損失來(lái)選擇最優(yōu)的類(lèi)別標(biāo)記

貝葉斯中期望損失定義為風(fēng)險(xiǎn)

貝葉斯判定準(zhǔn)則為最大化總體風(fēng)險(xiǎn)（V）

解析：使用貝葉斯判定準(zhǔn)則來(lái)最小化決策風(fēng)險(xiǎn)

62、下列極大似然估計(jì)描述錯(cuò)誤的是

極大似然估計(jì)先假定其具有某種確定的概率分布形式

極大似然估計(jì)沒(méi)有確定的概率分布形式（V）

概率模型的訓(xùn)練過(guò)程就是參數(shù)估計(jì)

貝葉斯學(xué)派認(rèn)為參數(shù)本身也有分布，是未觀察的隨機(jī)變量

解析：估計(jì)類(lèi)條件概率的一種常用策略是先假定其具有某種確定的概率

分布形式

63、下列樸素貝葉斯估計(jì)描述錯(cuò)誤的是

采用屬性條件獨(dú)立性假設(shè)

假設(shè)屬性之間相互獨(dú)立

為了避免條件概率是所以屬性上的聯(lián)合概率

假設(shè)屬性之間是相關(guān)的(V)

64、下列關(guān)于半樸素貝葉斯描述錯(cuò)誤的為

假設(shè)屬性之間完全犯立(V)

假設(shè)屬性之間部分相關(guān)

獨(dú)依賴估計(jì)為半樸素貝葉斯最常用的策略

假設(shè)所以屬性都依賴于同一個(gè)屬性

解析：半樸素貝葉斯分類(lèi)器的基本想法是適當(dāng)考慮一部分屬性問(wèn)的相互

依賴信息，從而既不需進(jìn)行完全聯(lián)合概率計(jì)算，又不至于徹底忽略了比

較強(qiáng)的屬性依賴關(guān)系

65、關(guān)于貝葉斯網(wǎng)描述錯(cuò)誤的是

也稱(chēng)為信念網(wǎng)

借助有向無(wú)環(huán)圖刻畫(huà)屬性之間的關(guān)系

借助無(wú)向無(wú)環(huán)圖刻畫(huà)屬性之間的關(guān)系(V)

用條件概率表來(lái)描述屬性的聯(lián)合概率分布

66、關(guān)于貝葉斯網(wǎng)的學(xué)習(xí)描述錯(cuò)誤的為

貝葉斯的學(xué)習(xí)過(guò)程為對(duì)訓(xùn)練樣本計(jì)數(shù)

估計(jì)出每個(gè)結(jié)點(diǎn)的條件概率

網(wǎng)絡(luò)結(jié)構(gòu)為已知（V）

評(píng)分搜索為求解的常用辦法

解析：若網(wǎng)絡(luò)結(jié)構(gòu)己知，即屬性間的依賴關(guān)系己知，則貝葉斯網(wǎng)的學(xué)習(xí)

過(guò)程相對(duì)簡(jiǎn)單，只需通過(guò)對(duì)訓(xùn)練樣本〃計(jì)數(shù)〃，估計(jì)出每個(gè)結(jié)點(diǎn)的條件

概率表即可，但在現(xiàn)實(shí)應(yīng)用中我們往往并不知曉網(wǎng)絡(luò)結(jié)構(gòu)，于是，貝葉

斯網(wǎng)學(xué)習(xí)的首要任務(wù)就是根據(jù)訓(xùn)練數(shù)據(jù)集來(lái)找出結(jié)構(gòu)最恰當(dāng)”的貝葉斯

網(wǎng)”

67、機(jī)器學(xué)習(xí)是（）研究發(fā)展到一定階段的必然產(chǎn)物。

深度學(xué)習(xí)

人工智能（V）

神經(jīng)網(wǎng)絡(luò)

計(jì)算機(jī)工程

解析：機(jī)器學(xué)習(xí)是人工智能研究發(fā)展到一定階段的必然產(chǎn)物。

68、二十世紀(jì)五十年代到七十年代初，人工智能處于（）期。

理論

知識(shí)

推理（V）

智能

69、二十世紀(jì)五十年代后期初，基于（）的〃連接主義〃開(kāi)始出現(xiàn)，代

表性工作有感知機(jī)和Adaline。

神經(jīng)網(wǎng)絡(luò)（V）

機(jī)器學(xué)習(xí)

邏輯表示

深度學(xué)習(xí)

解析：二十世紀(jì)五十年代后期初，基于神經(jīng)網(wǎng)絡(luò)的〃連接主義〃開(kāi)始出

現(xiàn)，代表性工作有感知機(jī)和

Adalineo

70、隨著（）在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別以及自然語(yǔ)言處理領(lǐng)域取得的成

功，近幾年來(lái)，無(wú)論是在消費(fèi)者端還是在企業(yè)端，已經(jīng)有許多依賴人

工智能技術(shù)的應(yīng)用建于成熟，并開(kāi)始滲透到我們生活的方方面面

強(qiáng)化學(xué)習(xí)

深度學(xué)習(xí)（V）

監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)

解析：隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別以及自然語(yǔ)言處理領(lǐng)域取

得的成功，近幾年來(lái)，無(wú)論是在消費(fèi)者端還是在企業(yè)端，已經(jīng)有許多依

賴人工智能技術(shù)的應(yīng)用臻于成熟，并開(kāi)始滲透到我們生活的方方面面

71、EAFeigenbaum等人在著名的《人工智能手冊(cè)》（第三卷，把機(jī)

器學(xué)習(xí)劃分為：機(jī)械學(xué)習(xí)、示教學(xué)習(xí)、類(lèi)比學(xué)習(xí)和（）

符號(hào)主義學(xué)習(xí)

監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)

歸納學(xué)習(xí)（V）

解析：EAFeigenbaum等人在著名的《人工智能手冊(cè)》（第三卷，把

機(jī)器學(xué)習(xí)劃分為：機(jī)械學(xué)習(xí)、示教學(xué)習(xí)、類(lèi)比學(xué)習(xí)和歸納學(xué)習(xí)。

72、知識(shí)圖譜中的邊稱(chēng)為

連接邊

關(guān)系(V)

屬性

特征

解析：在知識(shí)圖譜里，每個(gè)節(jié)點(diǎn)表示現(xiàn)實(shí)世界中存在的〃實(shí)體〃，每條邊

為實(shí)體與實(shí)體之間的〃關(guān)系〃

73、以下說(shuō)法錯(cuò)誤的是哪項(xiàng)

大數(shù)據(jù)是一種思維方式

大數(shù)據(jù)不僅僅是講數(shù)據(jù)的體量大

大數(shù)據(jù)會(huì)帶來(lái)機(jī)器智能

大數(shù)據(jù)的英文名稱(chēng)是largedata(V)

解析：大數(shù)據(jù)的英文翻譯是bigdata

74、圖像識(shí)別任務(wù)可以分為三個(gè)層次，根據(jù)處理內(nèi)容的抽象性,從低到

高依次為

圖像分析，圖像處理，圖像理解

圖像分析，圖像理解，圖像處理

圖像處理，圖像分析，圖像理解（V）

圖像理解，圖像分析，圖像處理

解析：圖像識(shí)別任務(wù)可以分為三個(gè)層次，根據(jù)處理內(nèi)容的抽象性，從低

到高依次為圖像處理,圄像分析，圖像理解

75、人工智能發(fā)展的第三次熱潮，是從以下哪個(gè)時(shí)間段開(kāi)始的（）

2000年后

2006年后（V）

2012年后

2015年后

解析：1956年達(dá)特茅斯會(huì)議提出人工智能的概念，人工智能的第一次

熱潮出現(xiàn)；1980年專(zhuān)家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)，興起第二次浪潮；

2006年深度學(xué)習(xí)正式定義，第三次浪潮興起

76、知識(shí)圖譜可用于提高查詢質(zhì)量，知識(shí)圖譜本質(zhì)是

知識(shí)數(shù)據(jù)庫(kù)

多關(guān)系圖

有向無(wú)環(huán)圖（7）

層次結(jié)構(gòu)樹(shù)

解析：知識(shí)圖譜是一種用圖模型來(lái)描述知識(shí)和建模世界萬(wàn)物之間的關(guān)聯(lián)

關(guān)系的技術(shù)方法。知識(shí)圖譜由節(jié)點(diǎn)和邊組成

77、知識(shí)圖譜中的實(shí)體統(tǒng)一主要的目的是？

從文本中提取實(shí)體

從實(shí)體間提取關(guān)系

不同寫(xiě)法的實(shí)體統(tǒng)一為一個(gè)實(shí)體（V）

明確代詞指向哪個(gè)實(shí)體

解析：實(shí)體統(tǒng)一是指判斷多個(gè)實(shí)體是不是屬于一個(gè)實(shí)體。

78、下列哪部分不是專(zhuān)家系統(tǒng)的組成部分（）。

用戶（，）

綜合數(shù)據(jù)庫(kù)

推理機(jī)

知識(shí)庫(kù)

79、某人回到家說(shuō)了一聲〃燈光〃，房間的燈就亮了，這主要應(yīng)用了人

工智能中的（）

文字識(shí)別技術(shù)

指紋識(shí)別技術(shù)

語(yǔ)音識(shí)別技術(shù)（V）

光學(xué)字符識(shí)§1」

解析：通過(guò)聲音的交互屬于語(yǔ)音識(shí)別技術(shù)。

80、下列應(yīng)用了人工智能技術(shù)的是（）①用手寫(xiě)板輸入漢字②視頻聊

天③與計(jì)算機(jī)對(duì)弈④OCR義字識(shí)別

①②③

①②④

①③④（7）

②③④

解析：視頻聊天是人和人之間的交流，不屬于人工智能技術(shù)。如果是人

和機(jī)器人聊天則屬于人工智能技術(shù)。

81、超市收銀員用掃描器直接掃描商品的條形碼，商品的價(jià)格信息就會(huì)

呈現(xiàn)出來(lái)，這主要利用了人工智能中的（）技術(shù)。

智能代理

模式識(shí)別（V）

機(jī)器翻譯

專(zhuān)家系統(tǒng)

解析：掃描條形碼應(yīng)該是應(yīng)用了模式識(shí)別中的圖像識(shí)別技術(shù)。

82、下列不是人工智能研究領(lǐng)域的是（）

專(zhuān)家系統(tǒng)

模式識(shí)別

編譯原理（V）

機(jī)器翻譯

83、某銀行的貸款系統(tǒng)，操作員只需要輸入客戶資料，該系統(tǒng)就會(huì)提示

操作員是否能夠提供貸款以及相應(yīng)的貸款額度，這主要應(yīng)用了人工智能

中的（）

機(jī)器博弈

專(zhuān)家系統(tǒng)（V）

模式識(shí)別

機(jī)器翻譯

解析：專(zhuān)家系統(tǒng)是一種模擬人類(lèi)專(zhuān)家解決領(lǐng)域問(wèn)題的計(jì)算機(jī)程序系統(tǒng)。

主要應(yīng)用在工程、科學(xué)、醫(yī)藥、軍事、商業(yè)等方面。

84、火車(chē)票搶購(gòu)軟件可以在購(gòu)買(mǎi)火車(chē)票時(shí)自動(dòng)識(shí)別并輸入圖片中的驗(yàn)證

碼，所采用的技術(shù)是（）

模式識(shí)別（V）

語(yǔ)音識(shí)別

自動(dòng)翻譯

智能代理

解析：應(yīng)用了模式識(shí)別中的圖像識(shí)別技術(shù)。

85、根據(jù)機(jī)器智能水平由低到高，正確的是（）

計(jì)算智能、感知智能、認(rèn)知智能（V）

計(jì)算智能、感應(yīng)智能、認(rèn)知智能

機(jī)器智能、感知智能、認(rèn)知智能

機(jī)器智能、感應(yīng)智能、認(rèn)知智能

解析：機(jī)器智能水平由低到高依次是：計(jì)算智能、感知智能、認(rèn)知智能

86、1999年，第一款集成了硬件3D加速單元的GPU是由哪個(gè)公司

發(fā)布？

Microsoft

intel

NVIDIA(V)

AMD

87、正式提出人工智能(artificialintelligence,AI)這個(gè)術(shù)語(yǔ)并把它

作為一門(mén)新興科學(xué)的名稱(chēng)實(shí)在哪一年。

1956(V)

1960年

1965年

1980年

解析：1956年正式提出人工智能(artificialintelligence,AI)這個(gè)

術(shù)語(yǔ)并把它作為一門(mén)新興科學(xué)的名稱(chēng)。

88、第三次工業(yè)革命的地點(diǎn)是

英國(guó)倫敦

美國(guó)硅谷（V）

德國(guó)漢諾威

美國(guó)辛辛那提農(nóng)場(chǎng)

解析：第三次工業(yè)革命的地點(diǎn)是美國(guó)硅谷。

89、人工智能發(fā)展歷程中第二次熱潮是（）期間的算法應(yīng)用升級(jí)。

20世紀(jì)50年代

20世紀(jì)70年代

20世紀(jì)80年代（V）

2006年

解析：人工智能發(fā)展歷程中第二次熱潮是20世紀(jì)80年代算法應(yīng)用升

級(jí)。

90、人工智能的目的是讓機(jī)器能夠（）

具有智能

和人一樣工作

完全代替人的大腦

模擬、延伸和擴(kuò)展人的智能（V）

解析：人工智能Artificiallntelligence,AI有時(shí)也稱(chēng)作機(jī)器智能，是指

由人工制造出來(lái)的系統(tǒng)所表現(xiàn)出來(lái)的智能，主要是為了模擬、延伸和

擴(kuò)展人的智能。

91、為了解決如何模擬人類(lèi)的感性思維，例如視覺(jué)理解、直覺(jué)思維、悟

性等，研究者找到的一個(gè)重要的信息處理的機(jī)制是（）。

專(zhuān)家系統(tǒng)

人工神經(jīng)網(wǎng)絡(luò)（V）

模式識(shí)別

.智能代理