人工智能核心算法習題庫+參考答案1、下列關(guān)于Ridge回歸，說法正確的是（多選）？A、若λ=0，則等價于一般的線性回歸B、若λ=0，則不等價于一般的線性回歸C、若λ=+∞，則得到的權(quán)重系數(shù)很小，接近于零D、若λ=+∞，則得到的權(quán)重系數(shù)很大，接近與無窮大答案：AC2、以下哪些機器學習算法可以不對特征做歸一化處理：（）A、隨機森林B、邏輯回歸C、SVMD、GBDT答案：AD3、生成對抗網(wǎng)絡(luò)目前應(yīng)用非常廣泛，以下場景中可以使用此網(wǎng)絡(luò)的是?A、數(shù)據(jù)增強B、語義分割C、信息檢索D、圖像生成答案：ABCD4、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN是（）和（）兩種人工神經(jīng)網(wǎng)絡(luò)的總稱。A、長度遞歸神經(jīng)網(wǎng)絡(luò)B、時間遞歸神經(jīng)網(wǎng)絡(luò)C、偏差遞歸神經(jīng)網(wǎng)絡(luò)D、結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)答案：BD5、下列哪些技術(shù)已被用于文本分類（）A、文本卷積B、注意力機制C、GRUD、BiLSTM答案：ABCD6、以下哪些網(wǎng)絡(luò)結(jié)構(gòu)具有反饋連接功能，即將前一層的輸出和當前層自身作為輸入（）A、循環(huán)神經(jīng)網(wǎng)絡(luò)B、卷積神經(jīng)網(wǎng)絡(luò)C、LSTM網(wǎng)絡(luò)D、多層感知機答案：AC7、關(guān)于邏輯回歸正確的是（）A、風險控制是金融領(lǐng)域最核心的問題，邏輯回歸是在風險評估中最經(jīng)典常用的方法B、邏輯回歸可以用到互聯(lián)網(wǎng)廣告點擊預測C、邏輯回歸只能用于解決二分類問題D、以上都不對答案：AB8、參數(shù)學習過程中若采用梯度下降法，梯度為負:（）W,梯度為正:（）WA、增加B、取反C、減小D、取整答案：AC9、按照處理文本的粒度不同,情感分析大致可分為()、()、()三個研究層次。A、詞語級B、句子級C、篇章級D、章節(jié)級答案：ABC10、DecisionTree構(gòu)造的重要步驟。A、特征選擇B、決策樹生成C、剪枝D、計算信息增益答案：ABC11、CRF模型對于HMM和MEMM模型的優(yōu)勢包括以下哪些？A、特征靈活B、速度快C、可容納較多上下文信息D、全局最優(yōu)答案：ACD12、深度卷積網(wǎng)絡(luò)的結(jié)構(gòu)中，通常有多個順序連接的層，下面描述正確的有A、池化層主要用于降低特征圖的分辨率B、通常在卷積層之后會增加池化層，有時卷積層后面也可能不跟池化層C、度卷積網(wǎng)絡(luò)中，卷積層是必須的，但是全連接層可有可無D、非線性激活層可以完成非線性變換答案：ABD13、聯(lián)想存儲的特點是（）A、可以存儲許多相關(guān)激勵，響應(yīng)模式對B、以分布、穩(wěn)健的方式存儲信息C、即使輸入激勵模式完全失真時，仍然可以產(chǎn)生正確的響應(yīng)模式D、可在原存儲中加入新的存儲模式答案：ABCD14、下列哪些技術(shù)能被用于計算兩個詞向量之間的距離？A、詞形還原（Lemmatization）B、歐氏距離（EuclideanDistance）C、余弦相似度（CosineSimilarity）D、N-grams答案：BC15、下面的Python開發(fā)包中，屬于深度學習框架的有（）A、flaskB、TensorflowC、KerasD、Mxnet答案：BCD16、模型選擇方法包括哪些？A、格點搜索B、交叉驗證C、針對預測誤差評估的度量函數(shù)答案：ABC17、神經(jīng)網(wǎng)絡(luò)可以按（）分類A、學習方式B、網(wǎng)絡(luò)結(jié)構(gòu)C、網(wǎng)絡(luò)的協(xié)議類型D、網(wǎng)絡(luò)的活動方式答案：ABD18、下列關(guān)于DSSM經(jīng)典模型的結(jié)構(gòu)的說法不正確的是（）A、線性B、雙塔C、三塔D、非線性答案：ACD19、Embedding編碼有哪些特點？A、特征稠密B、特征稀疏C、能夠表征詞與詞之間的相互關(guān)系（相似度計算）D、泛化性更好,支持語義運算sim答案：ACD20、下面關(guān)于k近鄰的說法，正確的是：A、根據(jù)特征向量X計算樣本之間的相似性，選擇離中心點最相似的k個樣本B、k近鄰既可以用于分類，也可以用于回歸C、k近鄰用于分類時，對于新的樣本，計算離其最近的k個樣本的平均值，作為新樣本的預測值D、k近鄰用于分類時，對于新的樣本，根據(jù)其k個最近鄰樣本的類別，通過多數(shù)表決的方式預測新樣本的類別答案：BD21、數(shù)字圖像中有哪些基本特征（）A、顏色特征B、紋理特征C、形狀特征D、空間關(guān)系特征答案：ABCD22、Transformer由且僅由（）和（）組成。只要計算資源夠，可以通過堆疊多層Transformer來搭建復雜網(wǎng)絡(luò)。A、Self-AttenionB、FeedForwardNeuralNetworkC、FeedBackwardNeuralNetworkD、Self-Action答案：AB23、對股價的預測，下列哪些方法是可行的（）A、kNNB、SVRC、線性回歸D、邏輯回歸答案：BC24、下列哪些包不是圖像處理時常用的（）A、timeB、sklearnC、osD、opencv答案：ABC25、Relu激活函數(shù)的缺點？A、由于負數(shù)部分恒為0，會導致一些神經(jīng)元無法激活B、輸出不是以0為中心C、解決了梯度消失、爆炸的問題D、計算方便，計算速度快，求導方便答案：ABCD26、下列關(guān)于極大似然估計(MaximumLikelihoodEstimate,MLE),說法正確的是？A、MLE可能并不存在B、MLE總是存在C、如果MLE存在，那么它的解可能不是唯一的D、如果MLE存在，那么它的解一定是唯一的答案：AC27、人工神經(jīng)網(wǎng)絡(luò)比感知器模型更復雜，這些額外的復雜性來源于（）A、輸入層和輸出層之間僅包含一個中間層B、輸入層和輸出層之間可能包含多個中間層C、激活函數(shù)允許隱藏結(jié)點和輸出結(jié)點的輸出值與輸入?yún)?shù)呈現(xiàn)線性關(guān)系D、激活函數(shù)允許隱藏結(jié)點和輸出結(jié)點的輸出值與輸入?yún)?shù)呈現(xiàn)非線性關(guān)系答案：BD28、在神經(jīng)網(wǎng)絡(luò)中常有權(quán)重共享現(xiàn)象，以下哪些神經(jīng)網(wǎng)絡(luò)會發(fā)生權(quán)重共享?A、感知器B、卷積神經(jīng)網(wǎng)絡(luò)C、全連接神經(jīng)網(wǎng)絡(luò)D、循環(huán)神經(jīng)網(wǎng)絡(luò)答案：BD29、Scikit-Learn中,()可以實現(xiàn)對類別特征進行one-hot編碼。A、DictvectorzierB、pandasC、OneHotEncoderD、CountVectorizer答案：ABC30、驅(qū)動深度學習的三駕馬車是指？（）A、大模型B、大應(yīng)用C、大算力D、大數(shù)據(jù)答案：ACD31、下面關(guān)于長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM的描述中，正確的說法是哪些？A、LSTM中通過引入輸入門、遺忘門、輸出門解決了RNN中存在的梯度消失和梯度爆炸B、LSTM中門的開關(guān)程度是由信息的權(quán)重決定的，即訓練過程中記住重要信息C、與RNN相比，LSTM中引入更多參數(shù)，所以其訓練周期更久D、LSTM中使用Sigmoid實現(xiàn)門限控制，而用TanH實現(xiàn)數(shù)據(jù)處理答案：BCD32、漢語的演化史表明,量詞的真實功用可能與()沒有任何關(guān)系A(chǔ)、隱喻機制B、個體化機制C、單復數(shù)區(qū)分D、補足音素答案：BC33、梯度為0的點可以是（）A、局部最優(yōu)解B、全局最優(yōu)解C、鞍點D、轉(zhuǎn)折點答案：ABC34、無論是通過深度學習進行場景識別、目標識別還是人臉識別都離開對特征的學習，先從（）得到（），之后進行類別的（）以得到結(jié)果。A、測量空間B、特征表示C、特征匹配D、特征空間答案：ABC35、距離函數(shù)dist(,)需要滿足（）特性。A、A非負性：distXi,Xj>=0B、B同一性：distXi,Xj=0當且僅當Xi=XjC、C對稱性：distXi,Xj=distXj,XiD、D直遞性：distXi,Xj答案：ABCD36、經(jīng)典邏輯推理有哪些？A、自然演繹推理B、歸結(jié)演繹推理C、不確定與非單調(diào)推理D、與、或形演繹推理答案：ABD37、強化學習問題的三種方法分別是（）A、基于價值（value-based）B、基于策略（policy-based）C、基于模型（model-based）D、nan答案：ABC38、下列無監(jiān)督學習算法中可解決降維問題的算法有A、PCAB、LSAC、LDAD、k-means答案：ABC39、當發(fā)現(xiàn)機器學習模型過擬合時，以下操作正確的是（）A、降低特征維度B、增加樣本數(shù)量C、添加正則項D、增加特征維度答案：ABC40、VGG從（）角度改進了之前的圖像分類網(wǎng)絡(luò)？GoogLeNet從（）角度改進了之前的圖像分類網(wǎng)絡(luò)？ResNet從（）角度改進了之前的圖像分類網(wǎng)絡(luò)？A、增加網(wǎng)絡(luò)深度B、增加網(wǎng)絡(luò)寬度C、改善網(wǎng)絡(luò)退化現(xiàn)象D、輕量化網(wǎng)絡(luò)模型答案：ABC41、Transformer的提出解決了上面兩個問題，首先它使用了Attention機制，將序列中的任意兩個位置之間的距離縮小為一個（）；其次它不無需依次輸入序列信息，因此具有更好的（），符合現(xiàn)有的GPU框架。A、常量B、變量C、并行性D、串行性答案：AC42、在目標檢測中，以下能產(chǎn)生候選框的算法是（）A、SelectiveSearchB、ROIpoolingC、RegionproposallayerD、C4.5答案：AC43、若使用深度學習處理語義分類任務(wù)，在處理變長數(shù)據(jù)時，我們通常采?。ǎ?。A、截斷過長語句B、填充隨機數(shù)C、填充特殊詞語D、不處理答案：AC44、現(xiàn)代神經(jīng)網(wǎng)絡(luò)常用的模塊，包括哪些（）A、多分枝結(jié)構(gòu)B、殘差連接C、BatchNormalizationD、SigMoid激活函數(shù)答案：ABC45、下列哪些網(wǎng)用到了殘差連接（）A、FastTextB、BERTC、GoogLeNetD、ResNet答案：BD46、假設(shè)在卷積操作過程中，對于size為3*3的image,如需提取100個特征，卷積層需要（）個卷積核，假設(shè)卷積核大小為4,則共需（）個參數(shù)。A、100B、200C、400D、800答案：AC47、下列關(guān)于AlexNet的說法正確的是（）A、更深的網(wǎng)絡(luò)結(jié)構(gòu)，5層卷積+3層全連接B、使用ReLU激活函數(shù)替代SigmoidC、使用Dropout抑制過擬合D、使用數(shù)據(jù)增廣方法，圖像翻轉(zhuǎn)、裁剪、顏色變化等答案：ABCD48、下列關(guān)于主成分分析的表述正確的有（)。A、主成分分析的目的是尋找少數(shù)幾個主成分代表原來的多個指標；B、各主成分是原來指標的線性函數(shù)C、所確定的幾個主成分之間是互不相關(guān)的；D、使用主成分分析方法的前提是原來的多個指標之間是相關(guān)的答案：ABCD49、RCNN三大不足是（）A、SelectiveSearch質(zhì)量不好B、每個候選框都需要cnn計算特征計算量大C、svm沒有聯(lián)合訓練，訓練時間增長D、模型效果優(yōu)于faster-rcnn答案：ABC50、K-Means聚類法的局限性體現(xiàn)在（）A、K-Means聚類法對噪聲和離群點敏感B、K-Means聚類法對變量的要求比較高C、由K-Means聚類法得到的聚類結(jié)果，輪廓系數(shù)都不是很大。D、應(yīng)用K-Means聚類法需要預先設(shè)定聚類個數(shù)答案：ABD51、需要循環(huán)迭代的算法有A、k-meansB、線性回歸C、svmD、邏輯回歸答案：ABD52、屬于Boosting的擴展變體有哪些。A、AdaBoostB、隨機森林C、XGBoostD、GBDT答案：ACD53、卷積神經(jīng)網(wǎng)絡(luò)中的池化層可以減小下層輸入的尺寸。常見的池化有:A、最小地化層B、乘積池化層C、最大池化層D、平均池化層答案：CD54、深度學習框架或工具是：A、TensorflowB、PytorchC、Caffe2D、Paddle答案：ABCD55、哪些技術(shù)是RCNN采用而FasterRCNN沒有用？（）A、SVM分類B、使用SelectiveSearch輸出候選框C、使用MLP進行分類與回歸預測D、使用ROIpooling答案：AB56、卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上的三大特性：（）、（）、（），能有效減少網(wǎng)絡(luò)參數(shù)，加快訓練速度。A、上采樣B、局部連接C、權(quán)重共享D、下采樣答案：BCD57、利用one-hot表示一個向量，使用一個詞表長的向量表示一個單詞，被表示單詞對應(yīng)的位置為（），其他單詞對應(yīng)的位置均為（）A、1B、0C、-1D、2答案：AB58、在選擇神經(jīng)網(wǎng)絡(luò)的深度時，下面哪些參數(shù)需要考慮？A、神經(jīng)網(wǎng)絡(luò)的類型如MLP,CNNB、輸入數(shù)據(jù)C、計算能力硬件和軟件能力決定D、學習速率與映射的輸出函數(shù)答案：ABCD59、word2vec包含兩個經(jīng)典模型：()和()A、MBOWB、CBOWC、Stop-gramD、Skip-gram答案：BD60、深度學習中以下哪些步驟是由模型自動完成的?A、模型訓練B、特征選擇C、分析定位任務(wù)D、特征提取答案：BD61、常見的MRC任務(wù)可以分為四種類型：（）。A、完形填空B、多項選擇C、片段抽取D、自由回答答案：ABCD62、在卷積神經(jīng)網(wǎng)絡(luò)中，不同層具有不同的功能，可以起到降維作用的是以下哪一層?A、輸入層B、全連接層C、卷積層D、池化層答案：BCD63、NMF(Non-negativeMatrixFactorization)是一種降維算法，它的特點包括A、原始矩陣的元素是非負數(shù)B、分解后矩陣的元素是非負數(shù)C、分解后矩陣的元素可以是負數(shù)D、沒有“潛在語義空間的每一個維度都是正交的”這一約束條件答案：ABD64、人工神經(jīng)元網(wǎng)絡(luò)包括()A、輸入層B、中間隱藏層C、映射層D、輸出層答案：ABD65、在深度學習模型訓練的過程中，常見的優(yōu)化器有哪些?A、AdamB、AdagradC、SGDD、Momentum答案：ABCD66、關(guān)于SVM，以下描述正確的是（）A、支持向量機復雜度主要與支持向量的數(shù)目有關(guān)B、支持向量機訓練完成后，大部分的訓練樣本都不需保留，最終模型僅與支持向量有關(guān)C、SVM中劃分超平面所產(chǎn)生的分類結(jié)果是最魯棒的，對未見示例的泛化能力最強.D、“異或”問題可能會導致空間中樣本線性不可分答案：ABCD67、正則化是傳統(tǒng)機器學習中重要且有效的減少泛化誤差的技術(shù)，以下技術(shù)屬于正則化技術(shù)的是:A、L1正則化B、L2正則化C、DropoutD、動量優(yōu)化器答案：ABC68、關(guān)于對數(shù)幾率回歸，以下說法正確的是（）A、對數(shù)幾率回歸是一種分類學習方法B、對數(shù)幾率回歸無需事先假設(shè)數(shù)據(jù)分布C、對數(shù)幾率回歸是可得到近似概率預測D、對數(shù)幾率回歸任意階可導的凸函數(shù)答案：ABCD69、常見的數(shù)據(jù)增強方式有（）A、對顏色的數(shù)據(jù)增強B、添加噪聲（高斯噪聲）C、水平垂直翻轉(zhuǎn)D、隨機旋轉(zhuǎn)、裁剪答案：ABCD70、關(guān)于k折交叉驗證，下列說法正確的是？A、k值并不是越大越好，k值過大，會降低運算速度B、選擇更大的k值，會讓偏差更小，因為k值越大，訓練集越接近整個訓練樣本C、選擇合適的k值，能減小驗方差D、k折交叉驗證能夠有效提高模型的學習能力答案：ABCD71、卷積神經(jīng)網(wǎng)絡(luò)中的池化層可以減小下層輸入的尺寸。常見的池化有A、最小地化層B、乘積池化層C、最大池化層D、平均池化層答案：CD72、與淺層神經(jīng)網(wǎng)絡(luò)相比，深度學習的不同在于（）和（）。A、強調(diào)了模型結(jié)構(gòu)的深度B、明確了特征學習的重要性C、所需訓練集數(shù)據(jù)較少D、數(shù)據(jù)集沒有局部相關(guān)性答案：AB73、下列既可以用于分類，又可以用于回歸的機器學習算法有：A、k近鄰B、邏輯回歸C、決策樹D、線性回歸答案：AC74、一下哪幾種是常見的激活函數(shù)A、sigmoidB、reluC、tanhD、skip答案：ABC75、異常值的處理方法常用有（）A、刪除含有異常值的記錄B、將異常值視為缺失值，交給缺失值處理方法來處理C、用平均值來修正D、保留異常值答案：ABCD76、下列可以用于分類問題的機器學習算法有：A、決策樹B、隨機森林C、k近鄰D、邏輯回歸答案：ABCD77、以下哪些機器學習算法可以不對特征做歸一化處理（）A、隨機森林B、邏輯回歸C、SVMD、GBDT答案：AD78、下列哪些屬于頻繁模式挖掘算法（）A、FP-growthB、DBSCANC、AprioriD、GDBT答案：AC79、常用的損失函數(shù)有哪些（）。A、均方差B、Sigmoid交叉熵C、Sofmax交叉熵D、Sparse交叉熵答案：ABCD80、seq2seq主要由（）和（）組成，A、EncoderB、transformerC、DecoderD、dropper答案：AC81、關(guān)于邏輯回歸，說法正確的是（）A、垃圾郵件分類問題可以使用邏輯回歸模型B、一條商品評論分為正面，負面和中性，不可以使用邏輯回歸模型C、邏輯回歸不能直接用于多分類問題D、以上都不對答案：AC82、圖像識別的應(yīng)用場景有（)。A、醫(yī)學診斷B、人臉認證C、輔助駕駛D、廣告營銷答案：ABCD83、目標檢測的應(yīng)用場景有（）A、智慧交通B、智慧醫(yī)療C、生產(chǎn)質(zhì)檢D、廠區(qū)安防答案：ABCD84、人工神經(jīng)網(wǎng)絡(luò)特點和優(yōu)越性主要表現(xiàn)在（）。A、自學習功能B、自動識別功能C、高速尋找優(yōu)化解的能力D、聯(lián)想存儲功能答案：ACD85、數(shù)據(jù)真實性具備哪兩種特質(zhì)？A、準確性B、不確定性C、可信賴度D、雜亂性答案：AC86、線性回歸的基本假設(shè)包括哪個？A、隨機誤差項是一個期望值為0的隨機變量B、對于解釋變量的所有觀測值，隨機誤差項有相同的方差C、隨機誤差項彼此相關(guān)D、解釋變量是確定性變量不是隨機變量，與隨機誤差項之間相互獨立答案：ABD87、下面哪些是基于核的機器學習算法（）A、最大期望算法B、徑向基核函數(shù)C、線性判別分析法D、支持向量機答案：BCD88、圖像數(shù)字化需要經(jīng)過的步驟包括（）A、采樣B、裁剪C、量化D、旋轉(zhuǎn)答案：AC89、卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中隱含層包括（）、（）和（）三種A、卷積層B、池化層C、全連接層D、輸入層答案：ABC90、全連接神經(jīng)網(wǎng)絡(luò)存在的問題有（）A、網(wǎng)絡(luò)結(jié)構(gòu)不夠靈活B、信息傳遞缺失C、網(wǎng)絡(luò)較淺，特