人工智能核心算法考試題及答案1、使用決策樹分類時(shí)，如果輸入的某個(gè)特征的值是連續(xù)的，通常使用二分法對(duì)連續(xù)屬性離散化，即根據(jù)是否大于/小于某個(gè)閾值進(jìn)行劃分。如果采用多路劃分，每個(gè)出現(xiàn)的值都劃分為一個(gè)分支，這種方式的最大問題是A、計(jì)算量太大B、驗(yàn)證集和測(cè)試集表現(xiàn)很差C、驗(yàn)證集表現(xiàn)良好，測(cè)試集表現(xiàn)很差D、驗(yàn)證集表現(xiàn)很差，測(cè)試集表現(xiàn)很好答案：C2、關(guān)于神經(jīng)網(wǎng)絡(luò)中經(jīng)典使用的優(yōu)化器，以下說法正確的是？A、Adam的收斂速度比RMSprop慢B、相比于SGD或RMSprop等優(yōu)化器，Adam的收斂效果是最好的C、對(duì)于輕量級(jí)神經(jīng)網(wǎng)絡(luò)，使用Adam比使用RMSprop更合適D、相比于Adam或RMSprop等優(yōu)化器，SGD的收斂效果是最好的答案：D3、A*搜索算法何時(shí)是最優(yōu)的？（）A、到目標(biāo)結(jié)點(diǎn)的耗散是一個(gè)可采納啟發(fā)式B、到目標(biāo)結(jié)點(diǎn)的耗散可任意選擇C、不存在求解問題的最優(yōu)的a*搜索算法D、以上描述都不對(duì)答案：A4、卷積核與特征圖的通道數(shù)的關(guān)系是：A、卷積核數(shù)量越多特征圖通道數(shù)越少B、卷積核size越大特征圖通道數(shù)越多C、卷積核數(shù)量越多特征圖通道數(shù)越多D、二者沒有關(guān)系答案：C5、對(duì)線性回歸模型進(jìn)行性能評(píng)估時(shí)，以下說法正確的是A、均方根誤差接近1最好B、均方根誤差越大越好C、決定系數(shù)越接近1越好D、決定系數(shù)越接近0越好答案：C6、人工神經(jīng)元內(nèi)部運(yùn)算包含哪兩個(gè)部分：A、非線性變換和激活變換B、線性變換和非線性變換C、向量變換和標(biāo)量變換D、化學(xué)變換和電變換答案：B7、以下哪項(xiàng)是主要用于自然語言處理的網(wǎng)絡(luò)結(jié)構(gòu)（）A、AlexNetB、ResNetC、BertD、LeNet答案：C8、下列關(guān)于XGboost算法描述中錯(cuò)誤的是A、由于其特殊原因，無法分布式化B、xgboost在代價(jià)函數(shù)里加入了正則項(xiàng)，用于控制模型的復(fù)雜度C、可以處理帶有缺失值的樣本D、允許使用列抽樣來減少過擬合答案：A9、哪種聚類方法采用概率模型來表達(dá)聚類（）A、K-meansB、LVQC、DBSCAND、高斯混合聚類答案：D10、在深度學(xué)習(xí)網(wǎng)絡(luò)中，反向傳播算法用于尋求最優(yōu)參數(shù)，在反向傳播算法中使用的什么法則進(jìn)行逐層求導(dǎo)的?A、鏈?zhǔn)椒▌tB、累加法則C、對(duì)等法則D、歸一法則答案：A11、DSSM模型的結(jié)構(gòu)是什么？A、線性B、雙塔C、三塔D、非線性答案：B12、Inception模塊采用（）的設(shè)計(jì)形式，每個(gè)支路使用（）大小的卷積核。A、多通路，不同B、單通路，不同C、多通路，相同D、單通路，相同答案：A13、fasterRCNN用于生成候選框proposal的模塊名稱（）A、RPNB、CNNC、ResNetD、RoIpooling答案：A14、前饋神經(jīng)網(wǎng)絡(luò)通過誤差后向傳播（BP算法）進(jìn)行參數(shù)學(xué)習(xí)，這是一種（）機(jī)器學(xué)習(xí)手段A、監(jiān)督學(xué)習(xí)B、無監(jiān)督學(xué)習(xí)C、半監(jiān)督學(xué)習(xí)D、無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的結(jié)合答案：A15、在一個(gè)神經(jīng)網(wǎng)絡(luò)中，知道每一個(gè)神經(jīng)元的權(quán)重和偏差是最重要的一步。如果知道了神經(jīng)元準(zhǔn)確的權(quán)重和偏差，便可以近似任何函數(shù)，但怎么獲知每個(gè)神經(jīng)的權(quán)重和偏移呢？A、搜索每個(gè)可能的權(quán)重和偏差組合，直到得到最佳值B、賦予一個(gè)初始值，然后檢查跟最佳值的差值，不斷迭代調(diào)整權(quán)重C、隨機(jī)賦值，聽天由命D、以上都不正確的答案：B16、以下哪種卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)（）A、LeNetB、AlexNetC、GoogLeNetD、ResNets答案：D17、關(guān)于Elman網(wǎng)絡(luò)描述錯(cuò)誤的是(___)A、作為遞歸神經(jīng)網(wǎng)絡(luò)，允許出現(xiàn)環(huán)形結(jié)構(gòu)；B、一些神經(jīng)元的輸出反饋回來會(huì)作為輸入信號(hào)；C、用于處理靜態(tài)模型，即無法處理與時(shí)間有關(guān)的動(dòng)態(tài)變化；D、可利用BP算法來進(jìn)行參數(shù)優(yōu)化；答案：C18、以下哪個(gè)聚類算法不屬于基于網(wǎng)格的聚類算法（）。A、STINGB、WavelusterC、MAFID、IRH答案：D19、（）是一種基于樹結(jié)構(gòu)進(jìn)行決策的算法。A、軌跡跟蹤B、決策樹C、數(shù)據(jù)挖掘D、K近鄰算法答案：B20、GooLeNet中使用較多小tricks，其中全局平局池化GAP就是一個(gè)，使用GAP的優(yōu)點(diǎn)是（）A、提供更好的分類B、減少參數(shù)量，實(shí)現(xiàn)任意大小的輸入C、加速模型收斂D、增加網(wǎng)絡(luò)深度答案：B21、半監(jiān)督學(xué)習(xí)四大范型不含有(___)A、基于分歧方法B、半監(jiān)督SVMC、生成式方法D、半監(jiān)督聚類答案：D22、下列哪個(gè)函數(shù)不可以做非線性激活函數(shù)？（）A、y=tanhxB、y=sinxC、y=maxx,0D、y=2x答案：D23、根據(jù)numpy數(shù)組中ndim屬性的含義確定程序的輸出（）。array=np.array（[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]）;print（array.ndim）A、（3,4）B、2C、（4,3）D、4答案：B24、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)對(duì)網(wǎng)絡(luò)的性能有一定的影響，以下關(guān)于其影響說法正確的是:A、隱藏層數(shù)適當(dāng)減少，神經(jīng)網(wǎng)絡(luò)的分辨能力不變B、隱藏層數(shù)適當(dāng)增加，神經(jīng)網(wǎng)絡(luò)的分辨能力越強(qiáng)C、隱藏層數(shù)適當(dāng)減少，神經(jīng)網(wǎng)絡(luò)的分辨能力越強(qiáng)D、隱藏層數(shù)適當(dāng)增加，神經(jīng)網(wǎng)絡(luò)的分辨能力越弱答案：B25、在強(qiáng)化學(xué)習(xí)中，哪個(gè)機(jī)制的引入使得強(qiáng)化學(xué)習(xí)具備了在利用與探索中尋求平衡的能力A、貪心策略B、蒙特卡洛采樣C、動(dòng)態(tài)規(guī)劃D、Bellman方程答案：A26、在處理序列數(shù)據(jù)時(shí)，較容易出現(xiàn)梯度消失現(xiàn)象的深度學(xué)習(xí)模型是A、CNNB、LSTMC、GRUD、RNN答案：D27、影響基本K-均值算法的主要因素不包括下列哪一個(gè)選項(xiàng)？A、樣本輸入順序B、模式相似性測(cè)度C、聚類準(zhǔn)則D、初始類中心的選取答案：C28、決策樹模型剛建立時(shí),有很多分支都是根據(jù)訓(xùn)練樣本集合中的異常數(shù)據(jù)（由于噪聲等原因）構(gòu)造出來的。樹枝修剪正是針對(duì)這類數(shù)據(jù)（）問題而提出來的。A、近似B、相同C、不同D、差距答案：A29、以下哪種情況說明模型出現(xiàn)了過擬合（）A、模型對(duì)訓(xùn)練集擬合程度高，對(duì)測(cè)試集擬合程度高B、模型對(duì)訓(xùn)練集擬合程度高，對(duì)測(cè)試集擬合程度低C、模型對(duì)訓(xùn)練集擬合程度低，對(duì)測(cè)試集擬合程度高D、模型對(duì)訓(xùn)練集擬合程度低，對(duì)測(cè)試集擬合程度低答案：B30、下列對(duì)LVW算法的說法錯(cuò)誤的是(___)A、算法中特征子集搜索采用了隨機(jī)策略B、每次特征子集評(píng)價(jià)都需要訓(xùn)練學(xué)習(xí)器，開銷很大C、算法設(shè)置了停止條件控制參數(shù)D、算法可能求不出解答案：D31、LSTM用于文本分類的任務(wù)中，不會(huì)出現(xiàn)的網(wǎng)絡(luò)層是（）A、全連接B、詞嵌入層C、卷積層D、以上選項(xiàng)均不正確答案：C32、將輸出標(biāo)記的對(duì)數(shù)作為線性模型逼近的目標(biāo)是(___)。A、對(duì)數(shù)幾率回歸B、對(duì)數(shù)線性回歸C、極大似然法D、正則化答案：B33、下列哪項(xiàng)不屬于集成學(xué)習(xí)A、隨機(jī)森林B、AdaboostC、kNND、XGBoost答案：C34、DBSCAN算法將“簇”定義為：由（）導(dǎo)出的最大的密度相連樣本集合。A、密度直達(dá)關(guān)系B、密度可達(dá)關(guān)系C、密度相連關(guān)系答案：B35、代碼arr5=np.arange（0,6）.reshape（[2,3]）;print（arr5[1,:]）的輸出結(jié)果是（）？A、01]B、345]C、23]D、012]答案：B36、循環(huán)神經(jīng)網(wǎng)在工業(yè)上最常用的兩種實(shí)現(xiàn)是：①.LSTM②.GRU③.CNN④.DNNA、①③B、①②C、①③D、①④答案：B37、在下列哪些應(yīng)用中，我們可以使用深度學(xué)習(xí)來解決問題？A、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)B、化學(xué)反應(yīng)的預(yù)測(cè)C、外來粒子的檢測(cè)D、所有這些答案：D38、關(guān)于線性回歸的描述,以下正確的有（）A、基本假設(shè)包括隨機(jī)干擾項(xiàng)是均值為0,方差為1的標(biāo)準(zhǔn)正態(tài)分布B、基本假設(shè)包括隨機(jī)干擾項(xiàng)是均值為0的同方差正態(tài)分布C、多重共線性會(huì)使得參數(shù)估計(jì)值方差減小D、基本假設(shè)包括不服從正態(tài)分布的隨機(jī)干擾項(xiàng)答案：B39、下列哪個(gè)是CNN網(wǎng)絡(luò)的超參數(shù)。A、權(quán)重B、偏置C、激活函數(shù)D、學(xué)習(xí)率答案：D40、用Tensorflow處理圖像識(shí)別任務(wù)時(shí)，若輸入數(shù)據(jù)的形狀為[64,224,224,3]，下面說法正確的是A、每一張圖片都是二值圖片B、每一張圖片都是三通道圖片C、模型一次處理224張圖片（batchsize為224）D、以上選項(xiàng)均不正確答案：B41、決策樹的生成是一個(gè)(___)過程。A、聚類B、回歸C、遞歸D、KNN答案：C42、關(guān)于貝葉斯網(wǎng)描述錯(cuò)誤的是(___)A、也稱為信念網(wǎng)；B、借助有向無環(huán)圖刻畫屬性之間的關(guān)系；C、借助無向無環(huán)圖刻畫屬性之間的關(guān)系；D、用條件概率表來描述屬性的聯(lián)合概率分布；答案：C43、在其他條件不變的前提下，以下做法容易引起機(jī)器學(xué)習(xí)中的“過擬合”問題的是（）。A、增加訓(xùn)練集量B、減少神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)C、刪除稀疏的特征D、SVM算法中使用高斯核/RBF核代替線性核答案：D44、假定你在神經(jīng)網(wǎng)絡(luò)中的隱藏層中使用激活函數(shù)X。在特定神經(jīng)元給定任意輸入，你會(huì)得到輸出-0.01。X可能是以下哪一個(gè)激活函數(shù)？（）A、ReLUB、tanhC、SigmoidD、以上都有可能答案：B45、根據(jù)個(gè)體學(xué)習(xí)器的生成方式，目前集成學(xué)習(xí)大致分為兩類，其中一種是個(gè)體學(xué)習(xí)器間存在強(qiáng)依賴關(guān)系、必須串行生成的序列化方法，該方法的代表是（）A、BoostingB、BaggingC、隨機(jī)森林D、reboot答案：A46、聚類是一種典型的無監(jiān)督學(xué)習(xí)任務(wù)，然而在現(xiàn)實(shí)聚類任務(wù)中我們往往能獲得一些額外的監(jiān)督信息，于是可通過(___)來利用監(jiān)督信息以獲得更好的聚類效果。A、監(jiān)督聚類B、半監(jiān)督聚類C、聚類D、直推聚類答案：B47、下列選項(xiàng)中，哪個(gè)不是關(guān)鍵詞提取常用的算法（）A、TF-IDFB、TextRankC、SSAD、LDA答案：C48、數(shù)據(jù)在完成特征工程的操作后，在構(gòu)建模型的過程中，以下哪個(gè)選項(xiàng)不屬于決策樹構(gòu)建過程當(dāng)中的步驟?A、剪枝B、特征選取C、數(shù)據(jù)清理D、決策樹生成答案：C49、傳統(tǒng)GBDT以（）作為基分類器A、線性分類器B、CARTC、gblinearD、svm答案：B50、關(guān)于語言建模任務(wù)，以下描述不正確的是：A、語言建模任務(wù)指的是給定前一個(gè)單詞去預(yù)測(cè)文本中的下一個(gè)單詞。B、可能是比較簡(jiǎn)單的語言處理任務(wù)，具體的實(shí)際應(yīng)用場(chǎng)景包括：智能鍵盤、電子郵件回復(fù)建議、拼寫自動(dòng)更正等。C、比較經(jīng)典的方法基于n-grams。D、不可使用平滑處理不可見的n-grams。答案：D51、批規(guī)范化(BatchNormalization)的好處都有啥？A、讓每一層的輸入的范圍都大致固定B、它將權(quán)重的歸一化平均值和標(biāo)準(zhǔn)差C、它是一種非常有效的反向傳播BP方法D、這些均不是答案：A52、剪枝分為前剪枝和后剪枝，前剪枝本質(zhì)就是早停止，后剪枝通常是通過衡量剪枝后（）變化來決定是否剪枝。A、信息增益B、損失函數(shù)C、準(zhǔn)確率D、召回率答案：B53、關(guān)于常用評(píng)分函數(shù)描述錯(cuò)誤的為(___)A、基于信息論準(zhǔn)則；B、學(xué)習(xí)問題看做為數(shù)據(jù)壓縮任務(wù)；C、學(xué)習(xí)目標(biāo)為以最短編碼長(zhǎng)度描述訓(xùn)練數(shù)據(jù)模型；D、編碼位數(shù)僅為自身所需的編碼位數(shù)；答案：D54、機(jī)器執(zhí)行學(xué)習(xí)的框架體現(xiàn)了其學(xué)習(xí)的本質(zhì)是（）A、參數(shù)預(yù)估B、機(jī)器翻譯C、圖像識(shí)別D、參數(shù)估計(jì)答案：D55、如果問題存在最優(yōu)解，則下面幾種搜索算法中，哪一個(gè)必然可以得到該最優(yōu)解A、廣度優(yōu)先搜索B、深度優(yōu)先搜索C、有界深度優(yōu)先搜索D、啟發(fā)式搜索答案：A56、在神經(jīng)網(wǎng)絡(luò)中，每個(gè)參數(shù)可以有不同的學(xué)習(xí)率A、正確B、錯(cuò)誤答案：A57、監(jiān)督學(xué)習(xí)的主要類型是分類和回歸A、正確B、錯(cuò)誤答案：A58、如果一個(gè)對(duì)象不強(qiáng)屬于任何簇，那么該對(duì)象是基于聚類的離群點(diǎn)A、正確B、錯(cuò)誤答案：A59、Kmean模型能自動(dòng)生成K個(gè)聚類中心A、正確B、錯(cuò)誤答案：B60、LDA算法假設(shè)文檔中主題的先驗(yàn)分布和主題中詞的先驗(yàn)分布都服從狄利克雷分布。A、正確B、錯(cuò)誤答案：A61、循環(huán)神經(jīng)網(wǎng)絡(luò)BPTT算法，A同一個(gè)權(quán)重參數(shù)，在每個(gè)時(shí)刻上，都調(diào)整一次A、正確B、錯(cuò)誤答案：A62、對(duì)中間層的輸出做標(biāo)準(zhǔn)化，可以保證在網(wǎng)絡(luò)學(xué)習(xí)的過程中，網(wǎng)絡(luò)層的輸出具有穩(wěn)定的分布A、正確B、錯(cuò)誤答案：A63、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。()A、正確B、錯(cuò)誤答案：A64、神經(jīng)網(wǎng)絡(luò)的神經(jīng)元計(jì)算是一個(gè)線性計(jì)算函數(shù)A、正確B、錯(cuò)誤答案：B65、語料采用的數(shù)據(jù)存儲(chǔ)方式應(yīng)包括：TXT、CSV、xls、xlsx、xml等常見格式A、正確B、錯(cuò)誤答案：A66、如果一個(gè)匹配中,任何一個(gè)節(jié)點(diǎn)都不同時(shí)是兩條或多條邊的端點(diǎn),也稱作極大匹配A、正確B、錯(cuò)誤答案：B67、通用問題求解器需要尋找全局最優(yōu)解()A、正確B、錯(cuò)誤答案：B68、R-CNN的系列算法分成兩個(gè)階段，先在圖像上產(chǎn)生候選區(qū)域，再對(duì)候選區(qū)域進(jìn)行分類并預(yù)測(cè)目標(biāo)物體位置，它們通常被叫做兩階段檢測(cè)算法。A、正確B、錯(cuò)誤答案：A69、反向傳播是一種用于多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法。它將錯(cuò)誤信息從網(wǎng)絡(luò)末端傳輸?shù)骄W(wǎng)絡(luò)內(nèi)部的所有權(quán)重。它允許有效地計(jì)算梯度A、正確B、錯(cuò)誤答案：A70、BERT網(wǎng)絡(luò)不是常見的深度神經(jīng)網(wǎng)絡(luò)A、正確B、錯(cuò)誤答案：B71、如果SVM模型欠擬合，可以通過減小核系數(shù)(gamma參數(shù))來改進(jìn)模型A、正確B、錯(cuò)誤答案：B72、標(biāo)準(zhǔn)的SVM只能支持二分類問題。A、正確B、錯(cuò)誤答案：A73、Dropconnect對(duì)一個(gè)神經(jīng)元隨機(jī)屏蔽輸入和輸出權(quán)重A、正確B、錯(cuò)誤答案：B74、嶺回歸的誤差函數(shù)的懲罰項(xiàng)是學(xué)習(xí)參數(shù)的絕對(duì)值之和A、正確B、錯(cuò)誤答案：B75、Sigmoid函數(shù)是一種非線性轉(zhuǎn)換，可以實(shí)現(xiàn)實(shí)數(shù)域到（0,1）之間的轉(zhuǎn)換。A、正確B、錯(cuò)誤答案：A76、基于規(guī)則的AI系統(tǒng)由一連串的if-then-else規(guī)則來進(jìn)行推斷或行動(dòng)決策。()A、正確B、錯(cuò)誤答案：A77、t-SNE是非線性的，而PCA是線性的。A、正確B、錯(cuò)誤答案：A78、樸素貝葉斯算法常用于圖像識(shí)別（）A、正確B、錯(cuò)誤答案：B79、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(cè)、目標(biāo)跟蹤和語義分割A(yù)、正確B、錯(cuò)誤答案：A80、專家系統(tǒng)的結(jié)構(gòu)選擇不需要根據(jù)系統(tǒng)的應(yīng)用環(huán)境和所執(zhí)行任務(wù)的特點(diǎn)就可以確定。（）A、正確B、錯(cuò)誤答案：B81、LSTM是一個(gè)非常經(jīng)典的面向序列的模型，可以對(duì)自然語言句子或是其他時(shí)序信號(hào)進(jìn)行建模，是一種循環(huán)神經(jīng)網(wǎng)絡(luò)。A、正確B、錯(cuò)誤答案：A82、步態(tài)識(shí)別是一種新興的生物特征識(shí)別技術(shù)，旨在通過人們走路的姿態(tài)進(jìn)行身份識(shí)別，與其他的生物識(shí)別技術(shù)相比，步態(tài)識(shí)別具有非接觸遠(yuǎn)距離和不容易偽裝的優(yōu)點(diǎn)。A、正確B、錯(cuò)誤答案：A83、與普通反向傳播不同的是，BPTT會(huì)在每個(gè)時(shí)間步長(zhǎng)內(nèi)疊加所有對(duì)應(yīng)權(quán)重的梯度A、正確B、錯(cuò)誤答案：A84、圖像分類是根據(jù)圖像的語義信息對(duì)不同類別圖像進(jìn)行區(qū)分，是計(jì)算機(jī)視覺的核心，是物體檢測(cè)、圖像分割、物體跟蹤、行為分析、人臉識(shí)別等其他高層次視覺任務(wù)的基礎(chǔ)。A、正確B、錯(cuò)誤答案：A85、問題狀態(tài)描述中的算符是問題從一種狀態(tài)變化為另一種狀態(tài)的手段。（）A、正確B、錯(cuò)誤答案：A86、（）一個(gè)松弛問題的最優(yōu)解的耗散是原問題的一個(gè)可采納的啟發(fā)式。A、正確B、錯(cuò)誤答案：A87、樸素貝葉斯分類器