第一章1、

單選題

以下關(guān)于機器學(xué)習(xí)的基本概念中說法錯誤的是：A機器學(xué)習(xí)是近20多年興起的一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。B人工智能大致分為三種學(xué)習(xí)方法，即基于規(guī)則的方法、經(jīng)典的機器學(xué)習(xí)方法、基于表示的學(xué)習(xí)方法。C機器學(xué)習(xí)包括專家系統(tǒng)D數(shù)據(jù)挖掘可以認(rèn)為是機器學(xué)習(xí)和數(shù)據(jù)庫技術(shù)的交叉學(xué)科，數(shù)據(jù)挖掘主要利用機器學(xué)習(xí)來分析數(shù)據(jù)，利用數(shù)據(jù)庫技術(shù)來管理數(shù)據(jù)。C2、單選題

以下屬于大數(shù)據(jù)機器學(xué)習(xí)的特征的是：A與日俱增的數(shù)據(jù)量B不斷增加的網(wǎng)絡(luò)模型及模型復(fù)雜度C媲美甚至超越人類認(rèn)知的準(zhǔn)確度D以上都是D第二章1、單選題經(jīng)驗風(fēng)險最小化最優(yōu)模型，當(dāng)樣本容量很小時，經(jīng)驗風(fēng)險最小化學(xué)習(xí)可能會產(chǎn)生哪種現(xiàn)象？A欠擬合B過擬合B1、AB第三章1、

單選題真正例率TPR的怎么計算？A、TPR=TP/(TP+FN)B、TPR=FP/(FN+FP)C、TPR=(TP+FN)/TPD、TPR=(TN+FP)/FPA2、

單選題

在ROC分析中，分類器的性能曲線的理想狀態(tài)是：A對角線（AUC等于0.5）B越靠下越好（AUC趨近于0）C越靠上越好（AUC趨近于1）C3、判斷題

任意一條ROC曲線都有一條代價曲線與之對應(yīng)，反之亦然。對第四章1、單選題

感知機屬于生成模型還是判別模型？A生成模型B判別模型B2、

判斷題

感知機不能學(xué)習(xí)異或XOR函數(shù)對1、單選題多層感知機解決線性不可分問題的原理是：A分而治之，對原始問題空間進行劃分B將原始問題向更高維空間映射C在輸出層和隱含層之間形成非線性的分界面D將原始問題在隱含層映射成線性可分問題D2、

單選題

在感知機中（Perceptron）的任務(wù)順序是什么？1

隨機初始化感知機的權(quán)重2

去到數(shù)據(jù)集的下一批（batch）3

如果預(yù)測值和輸出不一致，則調(diào)整權(quán)重4

對一個輸入樣本，計算輸出值

A1,2,3,4B4,3,2,1C3,1,2,4D1,4,3,2D3、多選題以下關(guān)于感知機說法錯誤的是：A感知機是二分類的線性分類模型，屬于非監(jiān)督學(xué)習(xí)算法B只要參數(shù)設(shè)置得當(dāng)，感知機理論上可以解決各種分類問題C感知機的訓(xùn)練過程可以看成是在誤差空間進行梯度下降D感知機學(xué)習(xí)算法是正確分類驅(qū)動的ABD第五章1、單選題

聚類任務(wù)是有監(jiān)督學(xué)習(xí)還是無監(jiān)督學(xué)習(xí)？A無監(jiān)督學(xué)習(xí)B有監(jiān)督學(xué)習(xí)A1、

判斷題

距離度量需滿足的基本性質(zhì)有：非負(fù)性，同一性，對稱性，直遞性對1、

判斷題DBSCAN是基于劃分的聚類錯第六章1、

單選題

關(guān)于因子圖，說法錯誤的是：A因子圖由兩類不同的結(jié)點組成，且所有的鏈接都位于兩類不同的結(jié)點之間B基于因子圖可以用和積算法高效的求各個變量的邊緣分布C和積算法是一種通用的消息傳遞算法D只有無向圖能轉(zhuǎn)化為因子圖D1、單選題關(guān)于貝葉斯網(wǎng)絡(luò)，說法錯誤的是：A貝葉斯網(wǎng)絡(luò)是基于有向無環(huán)圖來刻畫屬性之間的依賴關(guān)系的一種網(wǎng)絡(luò)結(jié)構(gòu)B貝葉斯網(wǎng)表達了各個節(jié)點間的條件獨立關(guān)系，我們可以直觀的從貝葉斯網(wǎng)當(dāng)中得出屬性間的條件獨立以及依賴關(guān)系C結(jié)點間的相互獨立關(guān)系會增加建網(wǎng)過程當(dāng)中的計算量D貝葉斯網(wǎng)可以處理不完整和帶有噪聲的數(shù)據(jù)集C1、判斷題

樸素貝葉斯法屬于生成模型。對2、判斷題

樸素貝葉斯法沒有明確的搜索可能假設(shè)空間的過程。對1、

單選題

為什么需要半樸素貝葉斯分類器？A后驗概率P(c∣x)計算起來比較困難B屬性條件獨立性假設(shè)在現(xiàn)實任務(wù)中往往很難成立。C以上均正確D以上均不正確C1、判斷題

Gibbs采樣收斂慢。對第七章1、

填空題

通常特征選擇的準(zhǔn)則是信息增益第八章1、填空題邏輯斯諦回歸模型學(xué)習(xí)時，對于給定的數(shù)據(jù)集，一般用哪種方法估計模型參數(shù)，從而得到邏輯斯諦回歸模型？極大似然估計法1、

多選題

常用的模型學(xué)習(xí)的最優(yōu)化算法有？A改進的迭代尺度法B梯度下降法C牛頓法D擬牛頓法ABCD第九章1、填空題

在線性可分情況下，訓(xùn)練數(shù)據(jù)集的樣本點與分離超平面距離最近的樣本點的實例稱為支持向量2、

單選題線性可分支持向量機：給定線性可分訓(xùn)練數(shù)據(jù)集，通過間隔（）為目標(biāo)，求解相應(yīng)的凸二次規(guī)劃問題，從而學(xué)習(xí)得到的最優(yōu)分離超平面，此時解是（）的。A最大不唯一B最大唯一C最小唯一D最小不唯一B1、判斷題

凸優(yōu)化的任何局部最優(yōu)解就是全局最優(yōu)解。對1、判斷題

線性支持向量機通過軟間隔最大化將線性可分問題擴展到線性不可分問題？對2、判斷題

如果超平面參數(shù)w和b成比例地改變（超平面沒有變），幾何間隔會按此比例改變，而函數(shù)間隔不會。錯3、單選題

關(guān)于支持向量機SVM，說法正確的是：A邊緣(margin)是決策邊界與任意樣本之間的平均距離B支持向量(supportvector)位于最大邊緣超平面附近的點C分類間隔為1/||w||，||w||代表向量的模D決策邊界只會被支持向量影響，跟其他點無關(guān)D第十章1、

判斷題支持向量機是比核方法更為一般的機器學(xué)習(xí)方法。錯1、

填空題

研究無限維線性空間上的泛函數(shù)和算子理論，被稱為（）泛函分析1、單選題SVM的效率依賴于：A核函數(shù)的選擇B核參數(shù)C軟間隔參數(shù)D以上所有D2、

判斷題

利用核技巧時，對于給定的核，特征空間和映射函數(shù)的取法是唯一的。錯1、

單選題

序列最小最優(yōu)化算法（SMO）的基本思路是：如果所有變量的解都滿足此最優(yōu)化問題的（）條件，那么得到解；否則，選擇（）個變量，固定其他變量，針對其構(gòu)建一個二次規(guī)劃問題，稱為子問題。A、KTT，一個B、KTT，兩個C、KKT，兩個D、KKT，一個C第十一章1、

單選題

一般KNN最近鄰方法在（）的情況下效果較好？A樣本較少但典型性好B樣本較多但典型性不好C樣本呈團狀分布D樣本呈鏈狀分布A1、單選題

下列說法錯誤的是（）A在高維情形下，數(shù)據(jù)樣本將變得十分稀疏B緩解維數(shù)災(zāi)難的途徑主要有降維和特征選擇C在不少現(xiàn)實任務(wù)中，線性映射就能找到恰當(dāng)?shù)牡途S嵌入C2、多選題

機器學(xué)習(xí)中做特征選擇時，可能用到的方法有（）A卡方B信息增益C平均互信息D期望交叉熵ABCD1、多選題

關(guān)于主成分分析PCA說法正確的是？A我們必須在使用PCA前規(guī)范化數(shù)據(jù)B我們應(yīng)該選擇使得模型有最大variance的主成分C我們應(yīng)該選擇使得模型有最小variance的主成分D我們可以使用PCA在低緯度上做數(shù)據(jù)可視化ABD第十二章1、判斷題

多專家組合方法，是一種串行結(jié)構(gòu)，其中下一個分類器只在前一個分類器預(yù)測不夠準(zhǔn)（不夠自信）的實例上進行訓(xùn)練或檢測。錯2、

單選題

數(shù)據(jù)科學(xué)家可能會同時使用多個算法（模型）進行預(yù)測，并且最后把這些算法的結(jié)果集成起來進行最后的預(yù)測（集成學(xué)習(xí)），以下對集成學(xué)習(xí)說法正確的是:A單個模型之間有高相關(guān)性B單個模型之間有低相關(guān)性C在集成學(xué)習(xí)中使用“平均權(quán)重”而不是“投票”會比較好D單個模型都是用的一個算法B1、

單選題

對于隨機森林和GradientBoostingTrees,下面說法正確的是:A在隨機森林的單個樹中,樹和樹之間是有依賴的,而GradientBoostingTrees中的單個樹之間是沒有依賴的.B這兩個模型都使用隨機特征子集,來生成許多單個的樹.C我們可以并行地生成GradientBoostingTrees單個樹,因為它們之間是沒有依賴的,GradientBoostingTrees訓(xùn)練模型的表現(xiàn)總是比隨機森林好B第十三章1、

判斷題EM算法的優(yōu)化結(jié)果與初始值的選取無關(guān)。錯2、

單選題似然函數(shù)在EM算法下是（）的。A單調(diào)遞增B單調(diào)遞減C保持不變D不能確定A3、判斷題

EM算法是總會收斂，且能收斂到全局最優(yōu)解。錯第十四章1、

多選題

一個可PAC學(xué)習(xí)的學(xué)習(xí)器要滿足哪兩個條件？A學(xué)習(xí)器必須以任意高的概率輸出一個錯誤率任意低的假設(shè)B穩(wěn)定性好C學(xué)習(xí)過程的時間最多以多項式方式增長D數(shù)據(jù)特征比較多且樣本數(shù)量足夠AC1、

單選題

在VC維里，對于一個二分類問題，若示例集D中有3個示例，則賦予標(biāo)記的可能結(jié)果有多少種？A2B4C6D8D2、單選題

當(dāng)一個模型的VC維越高，它處理數(shù)據(jù)時的訓(xùn)練誤差和測試誤差之間的差距將A越大B越小C沒有變化D不能確定A第十五章1、判斷題

隱馬爾科夫模型假設(shè)隱藏的馬爾科夫鏈在任意時刻t的狀態(tài)只依賴于其前一時刻的狀態(tài)，與其他時刻的狀態(tài)及觀測無關(guān)，也與時刻t無關(guān)。對2、

多選題

隱馬爾科夫模型是馬爾科夫鏈的一種，它包含了（）序列和（）序列。A隱含B狀態(tài)C隨機D觀測BD1、判斷題隱馬爾科夫模型的學(xué)習(xí)算法中，如果訓(xùn)練數(shù)據(jù)除了包含觀測序列外還包含狀態(tài)序列，則該學(xué)習(xí)算法為非監(jiān)督學(xué)習(xí)方法。錯1、

判斷題

近似算法可以保證預(yù)測的狀態(tài)序列整體是最有可能的狀態(tài)序列錯第十六章1、判斷題

隱馬爾科夫模型是判別式模型，條件隨機場模型是生成式模型。錯1、

判斷題隱馬爾科夫模型是一個無向概率圖模型，條件隨機場是一個有向圖模型。錯1、

多選題關(guān)于馬爾科夫隨機場，說法正確的是：A馬爾科夫隨機場也被稱為馬爾科夫網(wǎng)絡(luò)或者無向圖模型B與貝葉斯網(wǎng)絡(luò)一樣，馬爾可夫網(wǎng)可以視為定義了一系列由圖結(jié)構(gòu)確定的獨立性假設(shè)C對于滿足馬爾科夫隨機場的聯(lián)合概率分布可以通過因子分解的形式求解D每個結(jié)點表示一個或者一組變量，結(jié)點之間的邊表示兩個變量之間的依賴關(guān)系A(chǔ)BCD第十七章1、

判斷題

概率圖模型的學(xué)習(xí)和推斷方法只包括近似推斷法。錯2、

判斷題

概率圖模型的精確推斷方法適用于任何場景。錯1、單選題近似推斷包括采樣和變分兩種方法，前者是通過_____進行近似，后者是通過_______進行近似。A采樣來對目標(biāo)分布的期望;把多個變量的積的求和問題轉(zhuǎn)換為對部分變量交替進行求積和求和的問題B將目標(biāo)變量的分布分解為更為簡單或者結(jié)構(gòu)更好的分布的乘積;采樣來對目標(biāo)分布的期望C采樣來對目標(biāo)分布的期望;將目標(biāo)變量的分布分解為更為簡單或者結(jié)構(gòu)更好的分布的乘積D樣來對目標(biāo)分布的期望;把多個變量的積的求和問題轉(zhuǎn)換為對部分變量交替進行求積和求和的問題;C2、判斷題

變分推斷是通過使用已知簡單分布來逼近需推斷的復(fù)雜分布，并通過限制近似分布的類型，從而得到一種全局最優(yōu)、但具有確定解的近似后驗分布。錯第十八章1、

單選題梯度下降算法的正確步驟是.a、計算預(yù)測值和真實值之間的誤差b、重復(fù)迭代,直至得到網(wǎng)絡(luò)權(quán)重的最佳值c、把輸入傳入網(wǎng)絡(luò),得到輸出值d、用隨機值初始化權(quán)重和偏差e、對每一個產(chǎn)生誤差的神經(jīng)元,調(diào)整相應(yīng)的(權(quán)重)值以減小誤差A(yù)、abcdeB、edcbaC、cbaedD、dcaebD1、單選題下列哪一項在神經(jīng)網(wǎng)絡(luò)中引入了非線性？A隨機梯度下降B修正線性單元（ReLU）C卷積函數(shù)D以上都不正確B2、

單選題下面哪項操作能實現(xiàn)跟神經(jīng)網(wǎng)絡(luò)中Dropout的類似效果？A、BoostingB、BaggingC、StackingD、MappingB第二十章1、判斷題

使用大批量的數(shù)據(jù)能得到更加精確的梯度估計，因此批量大小越大越好。錯2、多選題