8月人工智能核心算法模擬試題及答案一、單選題（共10題，每題1分，共10分）1.批規(guī)范化(BatchNormalization)的好處都有啥？選項(xiàng)A.這些均不是選項(xiàng)B.它是一種非常有效的反向傳播(BP)方法選項(xiàng)C.它將權(quán)重的歸一化平均值和標(biāo)準(zhǔn)差選項(xiàng)D.讓每一層的輸入的范圍都大致固定2.在回歸模型中，下列哪一項(xiàng)在權(quán)衡欠擬合（under-fitting）和過擬合（over-fitting）中影響最大？選項(xiàng)A.更新權(quán)重w時(shí)，使用的是矩陣求逆還是梯度下降選項(xiàng)B.多項(xiàng)式階數(shù)選項(xiàng)C.使用常數(shù)項(xiàng)3.SVM的基本思想是間隔最大化來得到最優(yōu)分離（）選項(xiàng)A.超平面選項(xiàng)B.分離曲線選項(xiàng)C.分離平面選項(xiàng)D.分離間隔4.以下說法正確的是（）。選項(xiàng)A.聚類是監(jiān)督學(xué)習(xí)選項(xiàng)B.以上都不對選項(xiàng)C.聚類是非監(jiān)督學(xué)習(xí)選項(xiàng)D.分類是非監(jiān)督學(xué)習(xí)5.執(zhí)行完語句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?選項(xiàng)A.70%選項(xiàng)B.50%選項(xiàng)C.40%選項(xiàng)D.60%6.下列哪項(xiàng)不屬于聚類算法（）選項(xiàng)A.BIRCH選項(xiàng)B.SVM選項(xiàng)C.K-means選項(xiàng)D.DBSCAN7.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()選項(xiàng)A.寬度搜索選項(xiàng)B.深度搜索選項(xiàng)C.廣義搜索選項(xiàng)D.有序搜索8.以下對于標(biāo)稱屬性說法不正確的是選項(xiàng)A.標(biāo)稱屬性的值是一些符號或事物的名稱,每種值代表某種類別、編碼或狀態(tài)。選項(xiàng)B.標(biāo)稱值并不具有有意義的順序,且不是定量的選項(xiàng)C.對于給定對象集,找出這些屬性的均值、中值沒有意義。選項(xiàng)D.標(biāo)稱屬性通過將數(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。9.混沌度(Perplexity)是一種常見的應(yīng)用在使用深度學(xué)習(xí)處理NLP問題過程中的評估技術(shù)，關(guān)于混沌度，哪種說法是正確的？選項(xiàng)A.混沌度對于結(jié)果的影響不一定選項(xiàng)B.混沌度越高越好選項(xiàng)C.混沌度越低越好選項(xiàng)D.混沌度沒什么影響10.為什么計(jì)算機(jī)視覺任務(wù)優(yōu)先考慮使用卷積神經(jīng)網(wǎng)絡(luò)：選項(xiàng)A.全連接網(wǎng)絡(luò)理論在處理視覺任務(wù)時(shí)會出現(xiàn)維數(shù)災(zāi)難現(xiàn)象，而卷積神經(jīng)網(wǎng)絡(luò)可以緩解這一現(xiàn)象選項(xiàng)B.卷積神經(jīng)網(wǎng)絡(luò)只能做計(jì)算機(jī)視覺任務(wù)選項(xiàng)C.全連接網(wǎng)絡(luò)理論在處理視覺任務(wù)時(shí)計(jì)算量很小選項(xiàng)D.全連接網(wǎng)絡(luò)完全不能做計(jì)算機(jī)視覺任務(wù)二、多選題（共10題，每題1分，共10分）1.哪些項(xiàng)屬于集成學(xué)習(xí)選項(xiàng)A.XGBoost選項(xiàng)B.Adaboost選項(xiàng)C.Knn選項(xiàng)D.隨機(jī)森林2.關(guān)于線性回歸說法正確的是（）選項(xiàng)A.隨機(jī)誤差具有零均值，同方差的特點(diǎn)選項(xiàng)B.輸入特征是非隨機(jī)的且互不相關(guān)的選項(xiàng)C.輸入特征于隨機(jī)誤差不相關(guān)選項(xiàng)D.隨機(jī)誤差彼此間不相關(guān)3.（）類型的數(shù)據(jù)集不適合用深度學(xué)習(xí)？選項(xiàng)A.數(shù)據(jù)集太小選項(xiàng)B.數(shù)據(jù)集太大選項(xiàng)C.數(shù)據(jù)集有局部相關(guān)性選項(xiàng)D.數(shù)據(jù)集沒有局部相關(guān)性4.強(qiáng)化學(xué)習(xí)中的兩種免模型學(xué)習(xí)是（）、（）。選項(xiàng)A.逆強(qiáng)化學(xué)習(xí)選項(xiàng)B.蒙特卡羅強(qiáng)化學(xué)習(xí)選項(xiàng)C.模仿學(xué)習(xí)選項(xiàng)D.時(shí)序差分學(xué)習(xí)5.數(shù)據(jù)真實(shí)性具備哪兩種特質(zhì)？選項(xiàng)A.不確定性選項(xiàng)B.準(zhǔn)確性選項(xiàng)C.可信賴度選項(xiàng)D.雜亂性6.預(yù)剪枝使得決策樹的很多分子都沒有展開，會導(dǎo)致（）。選項(xiàng)A.顯著減少測試時(shí)間開銷選項(xiàng)B.顯著減少訓(xùn)練時(shí)間開銷選項(xiàng)C.提高欠擬合風(fēng)險(xiǎn)選項(xiàng)D.降低過擬合風(fēng)險(xiǎn)7.Relu激活函數(shù)的缺點(diǎn)？選項(xiàng)A.由于負(fù)數(shù)部分恒為0，會導(dǎo)致一些神經(jīng)元無法激活選項(xiàng)B.輸出不是以0為中心選項(xiàng)C.計(jì)算方便，計(jì)算速度快，求導(dǎo)方便選項(xiàng)D.解決了梯度消失、爆炸的問題8.機(jī)器學(xué)習(xí)中評價(jià)指標(biāo)有哪些（）選項(xiàng)A.Precision選項(xiàng)B.Accuracy選項(xiàng)C.Recall選項(xiàng)D.Iou9.關(guān)于數(shù)據(jù)發(fā)掘，下列說法正確的是選項(xiàng)A.雖然數(shù)據(jù)可視化具有很明顯的吸引力，高維數(shù)據(jù)上的圖形挖掘卻不能夠很輕易地完成選項(xiàng)B.數(shù)據(jù)挖掘的成功經(jīng)常依賴于數(shù)據(jù)挖掘工具的選擇選項(xiàng)C.主成分分析能在不明顯丟失信息的情況下降低數(shù)據(jù)維度選項(xiàng)D.數(shù)據(jù)挖掘就是從處理過后的數(shù)據(jù)中進(jìn)行知識提取10.LibraRCNN從（）幾個(gè)角度論證并增強(qiáng)了兩階段檢測模型選項(xiàng)A.FPN特征選項(xiàng)B.正負(fù)樣本采樣選項(xiàng)C.Loss選項(xiàng)D.RPN結(jié)構(gòu)三、判斷題（共40題，每題1分，共40分）1.人工智能會受到運(yùn)算能力高低的影響選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤2.在決策樹中，隨著樹中結(jié)點(diǎn)數(shù)變得太大，即使模型的訓(xùn)練誤差還在繼續(xù)減低，但是檢驗(yàn)誤差開始增大，這是出現(xiàn)了模型擬合不足的問題。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤3.LSTM的門控機(jī)制中，遺忘門ForgetGate用于控制隱含狀態(tài)的輸出選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤4.Lasso回歸的誤差函數(shù)的懲罰項(xiàng)是學(xué)習(xí)參數(shù)的平方之和選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤5.示例學(xué)習(xí)又稱為實(shí)例學(xué)習(xí)，它是通過環(huán)境中若干與某個(gè)概念有關(guān)的例子，經(jīng)歸納得出的一般性概念的一種學(xué)習(xí)方法。()選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤6.K-Means能夠處理不規(guī)則數(shù)據(jù)的聚類問題選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤7.N-gram模型中，N指的是忽略距離大于n的上文詞的影響，N越大時(shí)。模型包含的次序信息越豐富，同時(shí)計(jì)算量隨之增大。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤8.卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤9.神經(jīng)網(wǎng)絡(luò)的標(biāo)準(zhǔn)結(jié)構(gòu)中每個(gè)神經(jīng)元由加權(quán)和與非線性變換構(gòu)成，然后將多個(gè)神經(jīng)元分層的擺放并連接形成神經(jīng)網(wǎng)絡(luò)選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤10.樹剪枝階段。構(gòu)造過程得到的并不是最簡單、緊湊的決策樹，因?yàn)樵S多分枝反映的可能是訓(xùn)練數(shù)據(jù)中的噪聲或孤立點(diǎn)。樹剪枝過程主要檢測和去掉這種分枝，以提高對未知數(shù)據(jù)集進(jìn)行分類時(shí)的準(zhǔn)確性。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤11.Dropout在訓(xùn)練的過程中會隨機(jī)去掉神經(jīng)元選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤12.fasttext利用了全局范圍的詞相關(guān)性選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤13.深度優(yōu)先與寬度優(yōu)先搜索算法的區(qū)別是:深度優(yōu)先將新擴(kuò)展出來的節(jié)點(diǎn)放在OPEN表的前端，寬度優(yōu)先將新擴(kuò)展出來的節(jié)點(diǎn)放在OPEN表的后端選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤14.學(xué)習(xí)率是根據(jù)不同場景人為設(shè)定的選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤15.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)。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤16.CNN中常用的正則化手段是dropout選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤17.感受野的定義是：卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖上的像素點(diǎn)在原始圖像上映射的區(qū)域大小。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤18.卷積神經(jīng)網(wǎng)絡(luò)是含有卷積層的神經(jīng)網(wǎng)絡(luò)，二維卷積層有高和寬兩個(gè)空間維度，常用來處理文本數(shù)據(jù)。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤19.卷積神經(jīng)網(wǎng)絡(luò)A圖像進(jìn)行卷積計(jì)算后，沒有辦法保證圖像的尺寸維持原大小選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤20.池化層減小圖像尺寸即數(shù)據(jù)降維，緩解過擬合，保持一定程度的旋轉(zhuǎn)和平移不變性。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤21.（）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。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤22.當(dāng)構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行圖片的語義分割時(shí),先用反卷積神經(jīng)網(wǎng)絡(luò)處理輸入，再用卷積神經(jīng)網(wǎng)絡(luò)得到輸出選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤23.數(shù)據(jù)歸一化是非常重要的預(yù)處理步驟，用于重新縮放輸入的數(shù)值以適應(yīng)特定的范圍，從而確保在反向傳播期間更好地收斂。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤24.處理大量不帶標(biāo)簽數(shù)據(jù)和小部分帶標(biāo)簽數(shù)據(jù)訓(xùn)練數(shù)據(jù)的算法稱為半監(jiān)督學(xué)習(xí)算法。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤25.經(jīng)過權(quán)值和閾值不斷迭代調(diào)整的過程，就是網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練過程選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤26.線性支持向量機(jī)可以處理復(fù)雜的決策邊界選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤27.回歸分析法屬于外推法選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤28.池化是使用某一位置的相鄰輸出的總體統(tǒng)計(jì)特征來代替網(wǎng)絡(luò)在該位置的輸出選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤29.計(jì)算機(jī)視覺的主要研究方向分為圖像分類、目標(biāo)檢測、目標(biāo)跟蹤和語義分割選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤30.目前，人工智能芯片基本以GPU、FPGA、ASIC和類腦芯片為主。不同類型芯片各具優(yōu)勢，在不同領(lǐng)域組合應(yīng)用，呈現(xiàn)多技術(shù)路徑并行發(fā)展態(tài)勢選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤31.如果自變量X和因變量Y之間存在高度的非線性和復(fù)雜關(guān)系，那么樹模型很可能優(yōu)于經(jīng)典回歸方法。這個(gè)說法正確嗎？選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤32.損失函數(shù)與模型函數(shù)是一回事選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤33.支持向量機(jī)SVM屬于深度學(xué)習(xí)網(wǎng)絡(luò)選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤34.決策樹是一種采用測量不同特征值之間的距離方法進(jìn)行分類的算法。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤35.K折交叉驗(yàn)證是指將測試數(shù)據(jù)集劃分成K個(gè)子數(shù)據(jù)集。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤36.監(jiān)督學(xué)習(xí)的數(shù)據(jù)不需要帶標(biāo)簽等人為標(biāo)注信息。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤37.基于VC維的泛化誤差界是是分布無關(guān)、數(shù)據(jù)獨(dú)立的選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤38.定量屬性可以是整數(shù)值或者是連續(xù)值。選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤39.機(jī)器倫理學(xué)是指造人工智能的主體自身的道德()選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤40.卷積層的功能是對輸入數(shù)據(jù)進(jìn)行特征提取選項(xiàng)A.正確選項(xiàng)B.錯(cuò)誤答案與解析一、單選題答案1.答案：(D)說明：批規(guī)范化（BatchNormalization）的好處之一是讓每一層的輸入的范圍都大致固定，A選項(xiàng)正確。它是對輸入數(shù)據(jù)進(jìn)行歸一化，而不是權(quán)重，B選項(xiàng)錯(cuò)誤；它不是反向傳播方法，C選項(xiàng)錯(cuò)誤。2.答案：(B)說明：多項(xiàng)式階數(shù)對模型復(fù)雜度影響較大。較低的多項(xiàng)式階數(shù)可能導(dǎo)致欠擬合，因?yàn)槟Ｐ蜔o法捕捉數(shù)據(jù)的復(fù)雜模式；而過高的多項(xiàng)式階數(shù)容易導(dǎo)致過擬合，模型會過度適應(yīng)訓(xùn)練數(shù)據(jù)中的噪聲。相比之下，更新權(quán)重時(shí)使用矩陣求逆還是梯度下降主要影響計(jì)算效率和收斂速度等，對欠擬合和過擬合的權(quán)衡影響較??；使用常數(shù)項(xiàng)只是模型中的一個(gè)簡單偏移量，對權(quán)衡欠擬合和過擬合的影響也相對較小。3.答案：(A)說明：支持向量機(jī)（SVM）的基本思想是通過間隔最大化來找到最優(yōu)的分離超平面，以實(shí)現(xiàn)對不同類別數(shù)據(jù)的有效分類。超平面是SVM中用于劃分?jǐn)?shù)據(jù)的關(guān)鍵概念，通過最大化間隔來確定這個(gè)超平面，從而達(dá)到最優(yōu)的分類效果。4.答案：(C)說明：聚類是將數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)按照相似性劃分為不同的組，不需要預(yù)先定義類別標(biāo)簽，屬于非監(jiān)督學(xué)習(xí)。而分類是有監(jiān)督學(xué)習(xí)，需要有已知的類別標(biāo)簽來訓(xùn)練模型，所以B和C選項(xiàng)錯(cuò)誤，正確答案是A。5.答案：(D)說明：執(zhí)行`train_test_split`函數(shù)時(shí)，`test_size=0.4`表示測試集占比為40%，那么訓(xùn)練集占比就是1-0.4=0.6，即60%，所以訓(xùn)練集占比大于60%。6.答案：(B)說明：SVM是支持向量機(jī)，屬于分類算法，不屬于聚類算法。K-means是經(jīng)典的聚類算法，通過將數(shù)據(jù)劃分為K個(gè)簇來進(jìn)行聚類。BIRCH是一種層次聚類算法，它通過構(gòu)建一棵聚類特征樹來快速有效地進(jìn)行聚類。DBSCAN是基于密度的空間聚類算法，能夠發(fā)現(xiàn)任意形狀的簇。7.答案：(D)說明：有序搜索是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)的搜索方法。寬度搜索是按照層次依次擴(kuò)展節(jié)點(diǎn)；深度搜索是沿著一條路徑盡可能深地探索下去；廣義搜索并不是這種特定的以選擇最有希望節(jié)點(diǎn)為特點(diǎn)的搜索方式。8.答案：(D)說明：標(biāo)稱屬性的值是一些符號或事物的名稱，代表某種類別、編碼或狀態(tài)，不具有有意義的順序且不是定量的，求其均值、中值無意義，A、B、C選項(xiàng)說法正確；而通過將數(shù)值量的值域劃分有限個(gè)有序類別把數(shù)值屬性離散化得來的不是標(biāo)稱屬性，D選項(xiàng)說法錯(cuò)誤。9.答案：(C)說明：混沌度是衡量模型預(yù)測能力的一個(gè)指標(biāo)，其值越低，表示模型對樣本的預(yù)測越準(zhǔn)確，模型的性能越好。所以混沌度越低越好。10.答案：(A)說明：全連接網(wǎng)絡(luò)在處理視覺任務(wù)時(shí)，由于輸入圖像像素?cái)?shù)量多，會導(dǎo)致網(wǎng)絡(luò)參數(shù)數(shù)量急劇增加，出現(xiàn)維數(shù)災(zāi)難現(xiàn)象，計(jì)算量過大且難以訓(xùn)練。而卷積神經(jīng)網(wǎng)絡(luò)通過卷積層的局部連接和參數(shù)共享等方式，大大減少了參數(shù)量，有效緩解了維數(shù)災(zāi)難問題，所以計(jì)算機(jī)視覺任務(wù)優(yōu)先考慮使用卷積神經(jīng)網(wǎng)絡(luò)。選項(xiàng)A中全連接網(wǎng)絡(luò)能做計(jì)算機(jī)視覺任務(wù)，只是存在維數(shù)災(zāi)難問題；選項(xiàng)B全連接網(wǎng)絡(luò)處理視覺任務(wù)計(jì)算量很大；選項(xiàng)D卷積神經(jīng)網(wǎng)絡(luò)不只是能做計(jì)算機(jī)視覺任務(wù)，在其他領(lǐng)域也有應(yīng)用。二、多選題答案1.答案：(ABD)說明：集成學(xué)習(xí)是將多個(gè)弱學(xué)習(xí)器組合成一個(gè)強(qiáng)學(xué)習(xí)器的方法。Adaboost通過迭代訓(xùn)練多個(gè)弱分類器，每次迭代根據(jù)前一輪分類器的錯(cuò)誤率調(diào)整樣本權(quán)重，最后將這些弱分類器線性組合得到強(qiáng)分類器；隨機(jī)森林是由多個(gè)決策樹組成的集成學(xué)習(xí)模型，通過對數(shù)據(jù)進(jìn)行有放回的抽樣構(gòu)建多個(gè)決策樹，并綜合這些決策樹的結(jié)果進(jìn)行預(yù)測；XGBoost是一種梯度提升框架，也是集成學(xué)習(xí)的一種，它通過迭代訓(xùn)練一系列的弱預(yù)測器（如決策樹）來構(gòu)建一個(gè)強(qiáng)大的預(yù)測模型。而Knn是一種基于最近鄰算法的分類方法，不屬于集成學(xué)習(xí)。2.答案：(ABCD)說明：線性回歸的基本假設(shè)包括：輸入特征是非隨機(jī)的且互不相關(guān)；隨機(jī)誤差具有零均值、同方差的特點(diǎn)；隨機(jī)誤差彼此間不相關(guān)；輸入特征與隨機(jī)誤差不相關(guān)。所以這四個(gè)選項(xiàng)的說法都是正確的。3.答案：(AD)4.答案：(BD)5.答案：(BC)說明：數(shù)據(jù)真實(shí)性具