答案(最新版)1.神經網絡由許多神經元(Neuron)組成，每個神經元接受一個輸入，對輸入進行處理后給出一個輸出。請問下列關于神經元的描述中，哪一項是正確的?A、每個神經元可以有一個輸入和一個輸出B、每個神經元可以有多個輸入和一個輸出C、每個神經元可以有多個輸入和多個輸出標準答案：B2.哪個不是常用的聚類算法()。解析：Softmax不是常用的聚類算法。3.高層的特征是低層特征的組合，從低層到高層的特征表達越來越(),也即越來越能表現語義或者意圖。A、具體和形象化B、抽象和概念化C、具體和概念化D、抽象和具體化標準答案：B解析：高層的特征是低層特征的組合，從低層到高層的特征表達越來越抽象和概念化，也即越來越能表現語義或者意圖。4.關于bagging下列說法錯誤的是：()A、各基分類器之間有較強依賴，不可以進行并行訓練。B、最著名的算法之一是基于決策樹基分類器的隨機森林。C、當訓練樣本數量較少時，子集之間可能有重疊。D、為了讓基分類器之間互相獨立，需要將訓練集分為若干子集。5.數據在完成特征工程的操作后，在構建模型的過程中，以下哪個選項不屬于決策樹構建過程當中的步驟?B、特征選取D、決策樹生成標準答案：C6.通過以下哪些指標我們可以在層次聚類中尋找兩個集群之間的差7.下述()不是人工智能中常用的知識格式化表示方法。8.比較成熟的分類預測模型算法包括Logistic回歸模型、廣義線性9.在pytorch中，設模型變量名為model,則對model.eval()的描述10.()控制著整個LSTM單元的狀態或者記憶，它會根據每個時刻的A、隱狀態向量11.早期圖像識別技術中存在的主要問題是()。12.FPN中根據ROI的()來分配所屬層級?B、最大邊長度13.隨機森林是一種集成學習算法，是()算法的具體實現。解析：隨機森林是一種集成學習算法，是Bagging算法的具體實現。14.深度學習是當前很熱門的機器學習算法，在深度學習中，涉及到大量的矩陣相乘，現在需要計算三個稠密矩陣A,B,C的乘積ABC,假設三個矩陣的尺寸分別為m?n,n?p,p?q,且m<nD、所有效率都相同15.對完成特定任務的卷積神經網絡訓練采用的是監督學習方法。在這個過程中，通過誤差后向傳播來優化調整網絡參數，請問下面哪個D、LR線性回歸17.fasterRCNN用于生成候選框proposal的模塊名稱()解析：fasterRCNN用于生成候選框proposal的模塊是RPN18.LSTM用于文本分類的任務中，不會出現的網絡層是()19.假設你需要調整超參數來最小化代價函數(costfunction),會使B、隨機搜索20.ROIPooling在那個模型中被第一次提出()B、它的目的就是獲取更好的訓練數據特征，使得機器學習模型逼近這個上限征子集。23.線性回歸方法是假定條件屬性和決策屬性之間存在線性關系，然后通過訓練數據擬合出一個()方程，并使用該方程去預測未知的新實例。24.考慮某個具體問題時，你可能只有少量數據來解決這個問題。不C、只對最后幾層進行調參(finetune)D、對每一層模型進行評估，選擇其中的少數來用標準答案：C25.()采用多種樂器的音頻數據，可融合多種國家、樂曲風格和樂器音色的特征，創作音樂作品。解析：MuseNet采用多種樂器的音頻數據，可融合多種國家、樂曲風格和樂器音色的特征，創作音樂作品。26.下列哪個不是激活函數()。標準答案：D解析：hidden不是激活函數。27.長短期記憶LSTM具有與循環神經網絡相似的控制流，兩者的區別在于LSTM中增加了()導致單元內的處理過程不同。A、輸入門28.批規范化(BatchNormalization)的好處都有啥?29.深度學習是當前很熱門的機器學習算法，在深度學習中，涉及到30.下面哪項操作能實現跟神經網絡中Dropout的類似效果?()31.我們可以將深度學習看成一種端到端的學習方法，這里的端到端指的是32.語音是一種典型的()數據。于學習率的說法，錯誤的是()34.為應對卷積網絡模型中大量的權重存儲問題，研究人員在適量犧牲精度的基礎上設計出一款超輕量化模型()35.()是使用某一位置的相鄰輸出的總體統計特征來代替網絡在該C、池化D、批歸一化B、梯度下降算法就是不斷的更新w和b的導數值解析：梯度下降算法就是不斷的更新w和b的值37.下述()不是人工智能中常用的知識格式化表示方法。38.下列可以用于聚類問題的機器學習算法有()39.在廢棄階段，廢棄銷毀使用目的不復存在或者有更好解決方法替換的人工智能系統，主要包括數據、()以及系統整體的廢棄銷毀過程。解析：在廢棄階段，廢棄銷毀使用目的不復存在或者有更好解決方法替換的人工智能系統，主要包括數據、算法模型以及系統整體的廢棄銷毀過程。40.對于神經網絡的說法，下面正確的是()A、增加神經網絡層數，可能會增加測試數據集的分類錯誤率B、減少神經網絡層數，總是能減小測試數據集的分類錯誤率C、增加神經網絡層數，總是能減小訓練數據集的分類錯誤率41.按照類別比例分組的k折用的是哪個函數()標準答案：B42.高層的特征是低層特征的組合，從低層到高層的特征表達越來越(),也即越來越能表現語義或者意圖。43.關于模型參數(權重值)的描述，錯誤的說法是B、每一次Epoch都會對之前的參數進行調整([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]);pri45.下列關于深度學習說法錯誤的是A、LSTM在一定程度上解決了傳D、IRH解析：VGG-19中卷積核的大小為3x47.CRF(條件隨機場)和HMM(隱馬爾可夫模型)之間的主要區別是什么?48.產生式系統的推理不包括()(document-termmatrix)。以下哪項可用于減少數據維度?(1)關A、只有(1)51.循環神經網絡優于全連接網絡的一個原因是循環神經網絡實現了52.以下屬于生成式模型的是：()A、原子命題54.線性回歸在3維以上的維度中擬合面是?A、曲面B、平面D、測試集大約包含10000個樣本和標簽56.在卷積操作過程中計算featuremap的尺寸：設圖像大小為300*300,卷積核大小為3*3,卷積窗口移動的步長為1,則featuremaps的大小是()個元素?57.自然語言中的詞語需要轉化為計算機B、向量58.循環神經網絡中，假設輸入是一個32*32*3的圖像，3表示RGB三通道，卷積核的結構是5*5*3,共6個不同的卷積核，一個卷積核產生一個featuremap,則輸出的featuremap矩陣的結構是()。三通道，卷積核的結構是5*5*3,共6個不同的卷積核，一個卷積核產生一個featuremap,則輸出的featuremap矩陣的結構是28*28*6。59.fromsklearnimportlinear_modelreg=linear_model.Lasso,其中Lasso是用來擬合什么樣的線性模型的?60.如果問題存在最優解，則下面幾種搜索算法中，哪一個必然可以E、探索標準答案：A62.對于一個分類任務，如果開始時神經網絡的權重不是隨機賦值的，而是都設成0,下面哪個敘述是正確的?B、沒啥問題，神經網絡會正常開始訓練C、神經網絡可以訓練，但是所有的神經元最后都會變成識別同樣的D、神經網絡不會開始訓練，因為沒有梯度改變63.下列哪些不是"子集搜索"中的搜索方式()B、雙向搜索C、前向搜索D、后向搜索64.LARS屬于哪種特征選擇方法()B、啟發式C、嵌入式D、過濾式66.下面哪個敘述是對的?Dropout對一個神經元隨機屏蔽輸入權重Dropconnect對一個神經元隨機屏蔽輸入和輸出權重A、1是對的，2是錯的C、1是錯的，2是對的D、期望交叉熵A、可以提高特征關聯性B、可以減輕維數災難問題C、可以降低學習任務的難度D、特征選擇和降維具有相似的動機69.全局梯度下降算法、隨機梯度下降算法和批量梯度下降算法均屬于梯度下降算法，以下關于其有優缺點說法錯誤的是：A、全局梯度算法可以找到損失函數的最小值B、批量梯度算法可以解決局部最小值問題C、隨機梯度算法可以找到損失函數的最小值D、全局梯度算法收斂過程比較耗時70.下面的問題，屬于分類問題的是；據，預測員工在接下來一段時間內的工資漲幅B、根據員工的薪水、工作壓力、成長環境、工作年限、績效考核等數據，預測員工下一季度的績效考核分數C、根據員工的薪水、工作壓力、成長環境、工作年限、績效考核等數據，預測員工是否可能會在接下來的一段時間內離職據，預測員工下一季度的銷售額72.如果問題存在最優解，則下面幾種搜索算法中，廣度優先搜索必73.下列哪個函數不可以做非線性激活函數?()74.Softmax算法中溫度趨近于0時Softmax將趨于(75.閔可夫斯基距離表示為曼哈頓距離時，p為()。解析：閔可夫斯基距離定義為：該距離最常用的p是2和1,前者是歐幾里得距離),后者是曼哈頓距離。76.下面的問題，哪一個屬于分類問題的是()77.Relief屬于哪種特征選擇方法()78.哪種聚類方法采用概率模型來表達聚類()79.在經典的卷積神經網絡模型中，Softmax函數是跟在什D、以上都可以80.回歸分析中定義的()A、設為081.如果強行限制輸出層的分布是標準化的，可能會導致某些特征模D、收斂D、測試集大約包含10000個樣本和標簽83.Relu在零點不可導，那么在反向傳播中怎么處理()84.如果問題存在最優解，則下面幾種搜索算法中，()必然可以得到該最優解。必然可以得到最優解，答案選A85.在前饋神經網絡中，誤差后向傳播(BP算法)將誤差從輸出端向B、偏置87.神經元之間的每個連接都有()權重。A、一個C、多個B、通過調參可以往往可以得到很好的分類效果C、訓練速度快89.問答系統中的NLP技術，以下描述不正確的是：A、問答(QA)系統的想法是直接從文檔、對話、在線搜索和其他地方提取信息，以滿足用戶的信息需求。QA系統不是讓用戶閱讀整個文檔，而是更喜歡簡短而簡潔的答案。B、QA系統相對獨立很難與其他NLP系統結合使用，現有QA系統只能處理對文本文檔的搜索，尚且無法從圖片集合中提取信息。C、大多數NLP問題都可以被視為一個問題回答問題。范例很簡單：我們發出查詢指令，機器提供響應。通過閱讀文檔或一組指令，智能系統應該能夠回答各種各樣的問題。D、強大的深度學習架構(稱為動態內存網絡(DMN))已針對QA問題進行了專門開發和優化。給定輸入序列(知識)和問題的訓練集，它可以形成情節記憶，并使用它們來產生相關答案。標準答案：B90.Word2Vec提出了哪兩個算法訓練詞向量?91.Iou表示的是()94.影響基本K-均值算法的主要因素不包括下列哪一個選項?C、聚類準則95.對于一個圖像識別問題(在一張照片里找出一只貓),下面哪種神B、感知機96.主成分分析是一種數據降維和去除相關性的方法，它通過()將97.在主成分分析中，將幾個主分量經過線性組合構造為一個綜合評98.以下關于Bagging(裝袋法)的說法不正確的是99.語音是一種典型的()數據。100.在RNN中，目前使用最廣泛的模型便是()模型，該模型能夠更101.關于線性回歸的描述，以下正確的有()A、基本假設包括隨機干擾項是均值為0,方差為1的標準正態分布B、基本假設包括隨機干擾項是均值為0的同方差正態分布解析：線性回歸的基本假設是隨機干擾項是均值為0的同方差正態分布D、集中式2.非線性核SVM研究重點是設計快速近似算法，包括()4.下列關于DSSM經典模型的結構的說法不正確的是()D、非線性5.當發現機器學習模型過擬合時，以下操作正確的是：()A、準確性8.考慮到RNN(或者LSTM,GRU等)類模型只能從()依次計算或者從A、前向后10.下列哪些方法的輸出結果，通常包含boundingbox?()A、詞性標注12.深度學習的訓練過程包括：自下而上的()和自頂向下的()。13.以下哪些機器學習算法可以不對特征做歸一化處理()14.卷積神經網絡結構包括()、()、()。A、輸入層D、輸出層15.關于SVM,以下描述正確的是()化能力最強.17.常見的數據增強方式有()B、添加噪聲(高斯噪聲)18.預剪枝使得決策樹的很多分子都沒有展開，會導致()。B、分類準則20.關于對數幾率回歸，以下說法正確的是()21.卷積神經網絡中的池化層可以減小下層輸入的尺寸。常見的池化22.遺傳算法評價的常用方法有()D、都不是24.常見的聚類性能度量內部指標有()C、冠詞與數詞D、單復數B、隱藏層D、池化層27.層次聚類算法中數據集的劃分可采用的策略為()D、重復步驟2與步驟3,繼續計算，直到所有數據點不改變所屬的30.Embedding編碼有哪些特點?C、能夠表征詞與詞之間的相互關系(相似度計算)C、能夠表征詞與詞之間的相互關系(相似度計算)32.關于神經網絡模型的說法，哪些是不正確的()三.判斷題1.Python不允許使用關鍵字作為變量名，允許使用內置函數名作為A、正確3.人工智能的一個重要分支是PatternRecognition,中文名稱是模式識別它主要研究視覺和聽覺的識別()模型，一種是由中心詞預測上下文的skip-gramA、正確12.在決策樹中，隨著樹中結點數變得太大，即A、正確15.非線性SVM中，核函數的選擇對于SVM的性能至關重要()解析：非線性SVM中，核函數的選擇對于SVM的性能至關重要()16.xgboost借鑒了隨機森林的做法，支持列抽樣，不僅能降低過擬17.池化層減小圖像尺寸即數據降維，緩解過擬合，保持一定程度的18.數據規范化是必不可少的預處理步驟，用于對值進行重新縮放以20.人工神經元網絡會遭遇"框架問題"()B、錯誤B、錯誤23.基于VC維和Rademacher復雜度推導泛化誤差界，所得到的結果25.如果強行限制輸出層的分布是標準化的，可能會導致某些特征模平移網絡是由Quillian于上世紀60年代提出的知識表達模式，其用相互連接的節點和邊來表示知識。27.GeneticAlgorithms屬于表現型進化算法。()29.如果SVM模型欠擬合，可以通過減小核系數(gamma參數)來改進模型B、錯誤標準答案：B解析：gamma參數是你選擇徑向基函數作為kernel后，該函數自帶的一個參數.隱含地決定了數據映射到新的特征空間后的分布.gamma參30.反向傳播算法被設計為減少公共子表達式的數量并且考慮存儲的的開銷。B、錯誤32.混沌度(Perplexity)是一種常見的應用在使用深度學習處理NLP33.FasterRCNN中的ROIpooling,仍能保留pixel-level的輸入輸出B、錯誤34.如果允許一條記錄觸發多條分類規則，把每條被觸發規則的后件41.如果自變量X和因變量Y之間存在高度的非線性和復雜關系，那42.時序預測回歸預測一樣，也是用已知的數據預測未來的值，但這43.Sigmoid是早期神經網絡模型中常見的非44.Dropout為在神經網絡過程中有一定概率暫時消除神經節點，減45.PCA(PrincipalponentAnalysis)算法通過計算特征之間的相關性，度B、錯誤47.混合高斯分布對呈橢圓形分布的數據聚類效果較好，而k-meansB、錯誤48.()把大腦當作信息處理裝置的觀點是認知心理學的首要特征。誤差平方和最小化。()52.反向傳播是一種用于多層神經網絡的訓練算法。它將錯誤信息從A、正確53.卷積的作用：捕獲圖像相鄰像素的依賴性；起到類似濾波用，得到不同形態的featuremap56.從被觸發規則中選擇一個規則來執行，被執行的規則稱為可觸發58.方差度量了學習算法的期望預測與真實結果的偏離程度，即刻畫60.Bayes法是一種在已知后驗概率與類條件概率的情況下的模式分62.基于sklearn用機器學習B、錯誤63.示例學習又稱為實例學習，它是通過環境中若干與某個概念有關B、錯誤A、正確65.圖像分類是根據圖像的語義信息對不同類別圖像進行區分，是計66.softmax函數一般用在多分類問題中，它是對邏輯斯蒂回歸68.在現有的深度學習模型中，句子情感分類通常會形成一個聯合的A、正確71.正則化是解決過擬合的方法之一()72.設有機器人走迷宮問題，其入口坐標為(x0,y0),出口坐標為(xt,yt),當前機器人位置為(x,y),若定義，當從入口到出口存在通73.基于規則的AI系統由一連串的if-then-else規則來進行推斷或74.提升卷積核(convolutionalkernel)的大小會顯著提升卷積神經75.Bayes法是一種在已知后驗概率與類條件概率的情況下的模式分77.可以通過將所有權重初始化為0來訓練網絡79.經典的全連接神經網絡中，隱含層的節點數是可以調整的，節點80.廣度優先搜索方法的原理是：從樹的根節點開始，在樹中一層一層的查找，當找到目標節點時，搜索結束()。81.基尼指數越小，數據集的純度越高。83.先驗原理可以表述為：如果一個項集是頻繁的，那包含它的所有互關系。87.貝葉斯網學習而言，模型就是一個貝葉斯網，每個貝葉斯網描述A、正確90.Logisticregression(邏輯回歸)是一種監督式機器學習算法。91.Sigmoid是神經網絡中最常用到的一種激活函數，除非當梯度太92.k近鄰法對給定的訓練實例點和輸入實例點，首先確定輸入實例A、正確93.HSV顏色空間中H的取值范圍為(0,1)B、錯誤95.對訓練數據的預測效果很好，但對驗證數據的預測效果不好的現B、錯誤B、錯誤97.當在卷積神經網絡中加入池化層(poolinglayer)時，變換的不變99.多層非線性映射(multi-layernonlinearprojection):表示深度300,然后最后一層的維度是128維度，激活函數采用tanh100.Glove可使用ngram、subword等細粒度信息A、正確解析：Precision不變時，Recall越大，1/Recall越小，從而F1越104.假設x是含有5個元素的列表，那么切片操作x[10:]是無法執108.BP網絡的學習過程是一種誤差修正型學習算法，由正向傳播和A、正確A、正確115.AlphaBeta剪枝的效率一定比單純的minimax算法效率高。()116.聚類分析的相異度矩陣是用于存儲所有對象兩兩之間相異度的矩陣，為一個nn維的單模矩陣118.Self-0rganizingFeatureMap(SOFM)神經網絡可用于聚類。()A、正確121.梯度爆炸會導致梯度激增，應避免梯度爆炸。122.圖像分類是根據圖像的語義信息對不同類別圖像進行區分，是計算機視覺的核心，是物體檢測、圖像分割、物體跟蹤、行為分析、人臉識別等其他高層次視覺任務的基礎標準答案：A123.K近鄰算法的目標是從大量的數據中通過算法搜索隱藏于其中的B、錯誤125.強化學習需要