第一章測試sigmoid函數的值域為？（

）。

A:[0,1]

B:[0,1)

C:(0,1)

D:(0,1]

答案:C哪些屬于監(jiān)督學習重要元素？（

）。

A:標注數據

B:學習模型

C:數據映射

D:損失函數

答案:ABD分析不同變量之間存在關系的研究叫回歸分析。（

）

A:錯

B:對

答案:B強可學習和弱可學習是等價的。（

）

A:對

B:錯

答案:A下面的說法正確的是（）。

A:邏輯回歸只能處理二分類問題

B:邏輯回歸屬于線性回歸

C:Sigmoid的函數是單調遞減的

D:

答案:A第二章測試下面的說法正確的是（

）。

A:協方差不能反應兩個變量之間的相關度。

B:K均值聚類算法實質上是最小化每個類簇的方差。

C:X和Y彼此獨立，|cor(X,Y)|可能不等于零。

D:在K均值聚類算法中初始化聚類中心對聚類結果影響不大。

答案:B哪一項是皮爾遜相關系數的性質？（

）。

A:X與Y協方差的絕對值小于1

B:X與Y協方差的絕對值大于1

C:X與Y協方差的絕對值小于等于1

D:X與Y協方差的絕對值大于等于1

答案:C下面的說法正確的有（

）。

A:在K均值聚類算法中，我們不必事先就確定聚類數目。

B:EM算法分為求取期望和期望最大化兩個步驟。

C:在K均值聚類算法中，未達到迭代次數上限，迭代不會停止。

D:在K均值聚類算法中，歐式距離與方差量綱相同。

答案:BDK均值聚類屬于監(jiān)督學習。（

）

A:對

B:錯

答案:B特征人臉方法的本質是用稱為“特征人臉”的特征向量按照線性組合形式表達每一張原始人臉圖像。（

）

A:錯

B:對

答案:B第三章測試下列哪一項不是運用半監(jiān)督學習的原因（

）。

A:數據標注非常昂貴

B:存在大量為標記數據

C:為獲得更高的機器學習性能

D:有標注的數據很稀少

答案:C在半監(jiān)督學習中下列哪種說法是錯誤的（

）。

A:“假設數據存在簇結構，同一個簇多的樣本屬于同一類別?！睂儆诰垲惣僭O

B:“假設數據分布在一個流形架構上，鄰近的樣本擁有相似的輸出值?！睂儆诹餍渭僭O

C:“聚類假設的推廣，對輸出值沒有限制”屬于聚類假設的范疇。

D:“聚類假設的推廣，對輸出值沒有限制”屬于流形假設的范疇。

答案:C

半監(jiān)督學習方法有：（

）。

A:生成方法

B:半監(jiān)督SVM

C:基于圖表的半監(jiān)督學習

D:K均值聚類

答案:ABC在有標記數據極少的情形下往往比其他方法性能更好是半監(jiān)督學習生成式方法流程的優(yōu)點。（

）

A:對

B:錯

答案:A基于圖表的半監(jiān)督學習不用占有太大內存。（

）

A:對

B:錯

答案:B第四章測試下列說法正確的是（

）。

A:感知機網絡可以擬合復雜的數據。

B:Hot-hot向量可以用盡可能少的維數對數據進行描述。

C:感知機網絡只有輸入層/輸出層，無隱藏層。

D:BP算法是一種將隱藏層誤差反向傳播給輸出層進行參數更新的方法。

答案:C一元變量所構成函數f在x處的梯度為（）

A:

B:

C:

D:

答案:B

常用的池化操作有：：（

）。

A:最大池化

B:差值池化

C:最小池化

D:平均池化

答案:ADOne-hot向量可以刻畫詞與詞之間的相似性（

）

A:對

B:錯

答案:B前饋神經網絡中存在反饋。（

）

A:錯

B:對

答案:A第五章測試下列說法錯誤的是（

）。

A:循環(huán)神經網絡已經被廣泛應用在語音識別、語言模型以及自然語言生成等任務上。

B:循環(huán)神經網絡不能處理任意長度的序列

C:循環(huán)神經網絡比前饋神經網絡更加符合生物神經網絡的結構。

D:循環(huán)神經網絡的神經元存在自反饋。

答案:B下列說法正確的是（

）。

A:典型的前饋神經網絡存在梯度爆炸的問題

B:長期短期記憶網絡是一種前饋神經網絡。

C:雙向RNN很好地解決了梯度消失的問題

D:如果一個完全連接的RNN有足夠數量的sigmoid型隱藏神經元，它可以以任意的準確率去近似任何一個非線性動力系統個。

答案:D雙向RNN反向傳播過程也是雙向的。（

）

A:錯

B:對

答案:B信息抽取是指從結構化文本中抽取信息。（

）

A:對

B:錯

答案:B

下列哪些屬于組合式attention結構：（

）。

A:Self-Attention

B:Memory-based

Attention

C:Multi-Step

Attention

D:Attention

over

Attention

答案:BCD第六章測試與傳統結構化數據庫相比，下列哪一項不是知識圖譜的優(yōu)勢？（

）。

A:形成更靈活的異構數據關聯

B:更容易實現。

C:更有效表達數據的關聯類型。

D:支持更高效的基于路徑的檢索與分析

答案:B下列哪一項不是知識圖譜的特點（

）。

A:填補數據與語義之間的鴻溝

B:是支持知識驅動型任務的有例工具

C:無法對抗信息過載

D:提供啟發(fā)式結構

答案:C

下列哪些屬于知識圖譜的應用：：（

）。

A:推薦系統

B:搜索與問答

C:物體識別

D:輔助大數據分析

答案:ABD基于深度學習的命名實體識別是目前研究與應用的主流方法。（

）

A:錯

B:對

答案:B訓練樣本噪聲小是遠程監(jiān)督的優(yōu)點。（

）

A:對

B:錯

答案:B第七章測試下列不屬于強化學習的特點的是（

）。

A:基于評估

B:實時反饋

C:序列決策過程

D:交互性

答案:B下列關于環(huán)境的描述錯誤的是（

）。

A:按照一定的規(guī)律發(fā)生變化。

B:向智能主體反饋狀態(tài)和獎勵。

C:環(huán)境的變化受到智能主體的影響。

D:系統中智能主體以外的部分。

答案:C

關于智能主體下列描述正確的有：（

）。

A:按照某種策略，根據當前的狀態(tài)選擇合適的動作。

B:智能主體可能知道也可能不知道環(huán)境的變化規(guī)律

C:狀態(tài)指的是智能主體對環(huán)境的一種解釋。

D:動作是智能主體對環(huán)境的被動反應。

答案:ABC一個好的策略是在當前狀態(tài)下采取一個行動后，該行動能夠在未來收到最大化反饋。（

）

A:錯

B:對

答案:BDeep

Q-learning能夠用有限的參數刻畫無限的狀態(tài)。（

）

A:對

B:錯

答案:A第八章測試下列不屬于AutoML方法的是（

）。

A:神經架構搜索

B:超參數優(yōu)化

C:元學習

D:遷移學習

答案:D下列說法錯誤的是（

）。

A:進化算法具有自組織、自適應、自學習等特點。

B:進化算法可能會得到全局最優(yōu)解。

C:進化算法是一種無梯度優(yōu)化算法。

D:進化算法效率很高。

答案:D下列哪些屬于AutoML系統：（

）。

A:Auto-WEKA

B:TPOT

C:自動網絡

D:Hyperopt-Sklearn

答案:ABCD動態(tài)規(guī)劃是從前驅狀態(tài)推斷后繼狀態(tài)來計算賦值函數。（

）

A:錯

B:對

答案:B目前以深度學習為代表的人工智能計算需求，主要采用GPU、FPGA等已有的適合并行計算的通用芯片來實現加速。（

）

A:對

B:錯

答案:A第九章測試下列關于Tensorflow說法錯誤的是（

）。

A:是一款神經網絡的Python外部結構包。

B:由Facebook進行開發(fā)。

C:可以把編輯好的文件轉換成更高效的C++，并在后端運行。

D:可以繪制計算結構圖

。

答案:B函數tf.reduce_mean(v)的作用是（

）。

A:求數組v的方差

B:求數組v各項與平均數的差值

C:求數組v的標準差

D:求v數組的平均數

答案:C下列屬于Tensorflow的有點的是：（

）。

A:開源性。

B:它擅長與訓練深度神經網絡

C:是當今最好用的神經網絡庫之一。

D:降低了深度學習的開發(fā)成本和開發(fā)難度。

答案:ABCDPyTorch的API是圍繞命令行式的編程（

）

A:對

B:錯

答案:ATensorFlow在2.0.0版本后將取代計算題稱為默認設置。（

）

A:錯

B:對

答案:B第十章測試下列說法錯誤的是（

）。

A:因果的關鍵因素是平衡混淆變量X的分布。

B:因果推理的關鍵因素是保證其它變量不變，改變果變量Y。

C:因果效應是指因變量T改變一個單位時，果變量Y的變化程度。

D:因果的定義是變量T是變量Y的原因，當且僅當保持其它所有變量不變的情況下，改變T的值能導致Y的值發(fā)生變化。

答案:B下列不屬于因果推理方法的是（

）。