人工智能题库(二)2020

1、人工智能题库（二）一、单选如果分别向参加测试的人和计算机提出一些书面问题，人类无法区分问题答案来自人还是计算机那么可以说这台计算机通过了测试。黑盒B丘奇C图灵D智商2.1955年，麦卡锡、明斯基、香农和诺切斯特四位学者首次提出“ArtificialIntelligence”这个概念时,希望人工智能研究的主题是。避免计算机控制人类B.人工智能伦理C.全力研究人类大脑D.用计算机来模拟人类智能3有人说“人类智能是智能回路的总开关”，即人类智能决定着任何智能的高度、广度和深度，下面描述和这个观点不一致。人类智能是机器智能的设计者机器智能目前已经超越了人类智能机器智能目前无法完全模拟人类所有智能机器智

2、能和人类智能相互协同所产生的智能能力可超越人类智能或机器智能下面关于人工智能及深度学习的关系描述中，是正确的。机器学习是深度学习的一种方法人工智能是机器学习的分支人工智能就是深度学习深度学习是一种机器学习的方法下面描述了现有深度学习这一种人工智能方法的特点大数据，大任务大数据，小任务小数据，小任务小数据，大任务TOC o 1-5 h z6被誉为“机器学习之父“的是。A.塞缪尔B.费根鲍姆C.西蒙D.图灵7.第一个成功研制的专家系统是。A.计算机配置专家系统XconB.血液病诊断专家系统MYCINC.化合物结构识别专家系统DendralD.探矿专家系统Prospector8强化学习技术属于学派。

3、行为主义B.符号主义C.连接主义D.逻辑主义9.计算机领域的最高奖项是。菲尔兹奖B.冯诺伊曼奖C.图灵奖D.香农奖10机器智能目前还无法达到人类智能，主要原因是机器智能占有的数据量还不够大机器智能的支持设备的计算能力不足机器智能的推理规则不全面机器智能缺乏直觉和顿悟能力11我国新一代人工智能发展规划中规划，到年成为世界主要人工智能创新中心。A.2020B.2025C.2030D.203512.A*算法是一种有信息搜索算法，在最短路径搜索中引入的辅助信息是路途中天气和交通状况等信息旅行者兴趣偏好信息任意一个城市到起始城市之间直线距离任意一个城市到目标城市之间直线距离13除了问题本身的定义之外，使

4、用问题特定知识的搜索策略被认为是启发式算法minimax算法深度优先搜索蒙特卡洛树搜索在启发式搜索（有信息搜索）中，启发函数的作用是从当前节点出发来选择后续节点计算从当前节点到目标节点之间的最小代价值判断搜索算法的空间复杂度判断搜索算法的时间复杂度在贪婪最佳优先搜索中，评价函数取值和启发函数取值之间的关系是A.相等B.不相等C大于D小于下面哪一种有序组合是蒙特卡洛树搜索中一次正确的迭代步骤A扩展、模拟、采样、反向传播扩展、选择、模拟、反向传播模拟、选择、扩展、反向传播D选择、扩展、模拟、反向传播17根据图中所示的minimax算法决策树，根结点的估值是16B.9C.20D.12在启发式搜索中，

5、评价函数的作用是。判断搜索算法的时间复杂度判断搜索算法的空间复杂度从当前节点出发来选择后续节点计算从当前节点到目标节点之间的最小代价值色彩的RGB三原色模型是三种原色。红、绿、蓝红、黄、蓝黄、绿、蓝D.红、绿、黄20.考虑到对称性，井字棋最终局面有种不相同的可能。A.19683B.91C.44D.13821蒙特卡洛搜索树中，在阶段要兼顾探索和利用。选择B扩展C模拟D反向传播22下面对minimax搜索算法描述中，哪句描述是不正确的。MIN节点希望对方收益最小化minimax值计算从根节点自顶向下进行根据minimax值确定行棋决策MAX节点希望自己收益最大化将两个图片每个像素RGB三个分量的差

6、值的平方和作为适应度函数的计算方法。前后两次计算得出来的值分别为1512869728和1495705312，那么说明适应度函数彳_,适应度变低了；变低了B.变高了；变低了C.变低了；变高了D.变高了；变高了图中所展示的拼图问题基因遗传算法过程是过程。A.选择B.初始化C.变异D.淘汰25在A*搜索算法中，评价函数可以如下定义。评价函数之值二（从起始节点出发到当前节点最小开销代价）*（从当前节点出发到目标结点最小开销代价）评价函数之值二（从起始节点出发到当前节点最小开销代价）-（从当前节点出发到目标结点最小开销代价）评价函数之值二（从起始节点出发到当前节点最小开销代价）+（从当前节点出发到目标结

7、点最小开销代价）评价函数之值二（从起始节点出发到当前节点最小开销代价）/（从当前节点出发到目标结点最小开销代价）26对线性回归模型进行性能评估时，以下说法正确均方根误差接近1最好均方根误差越大越好决定系数越接近1越好决定系数越接近0越好某线性回归模型在训练集和测试集上的性能都较差，这说明出现了问题。A.过拟合B.欠拟合C.数据泄露D.泛化能力强有关线性回归模型的参数，以下说法错误。参数的数量跟特征数量无关参数可以使用梯度下降法求得元线性回归模型的参数大小和正负说明自变量对因变量的相对影响大小添加正则化可以使参数变小线性回归模型的训练目标是找到一组参数，使最小。A样本损失值B样本特征值C决定系数

8、D损失函数值回归分析通过对样本数据的学习，可以得到一个来表示目标变量和自变量之间的因果关系A数学模型B.逻辑推理规则C.关系表D决策搜索树31有关机器学习的数据集，以下说法有误。无监督学习需要数据集训练集和测试集的数据结构相同一般训练集中的样本数大于测试集中的样本数训练集用来评价模型性能32.下面机器学习方法不需要对数据进行标注。有监督学习无监督学习半监督学习深度学习33进行多项式回归时，以下说法错误。特征构建会生成更多得用于建模的特征值越是高次多项式，生成的衍生特征越多元多项式回归一般会得到曲线模型如果一元线性回归出现过拟合，可采用多项式回归避免过拟合如果一个模型一，我们称它过拟合。在训练集

9、上表现好，在测试集上表现也好在训练集上表现不好，在测试集上表现也不好在训练集上表现好，在测试集上表现不好在训练集上表现不好，在测试集上表现好回归分析的目的是对历史数据进行统计对历史数据进行归类对当前数据进行归类对未知数据做出预测TOC o 1-5 h z已知各次在电视、微信两个渠道投放广告获得的收益，利用线性回归方法为投资和收益关系建模，可得到的目标函数模型为。、y=WjXi+w2x2+bB丫=+bC丫_i+ei+w22+dye叫心*ABCD37有关机器学习，说法错误的是。A、可以利用数据来获取新知识B、使用样本数据来建立模型，处理同源数据的能力得以提升C、从某类数据中学习规律，解决所有数据的

10、预测问题D、模仿人的学习行为来解决问题数据标准化的目的是。A、去除重复的数据行B、将数据缩放到一个小的特定区间C、剔除缺失数据D、将数据转换为实数评价个分类模型的性能，召回率计算公式为。A、将正类预测为正类的样本数/所有真正的正类的样本数B、将正类预测为正类的样本数/所有预测为正类的样本数C、所有预测正确的样本数/总的样本数D、所有真正的正类样本数/总的样本数在用于分类算法建模的数据集合中，。A、不需要分类标签列B、是否需要分类标签，根据集合特点确定C、一定有多列是分类标签D、至少有一列是分类标签逻辑回归模型能解决。A、回归问题B、推理问题C、分类问题D、聚类问题下面对回归和分类的描述不正确的

11、是。A、两者均是学习输入变量和输出变量之间潜在关系模型B、在回归分析时，学习得到一个函数将输入变量映射到连续输出空间C、回归是一种无监督学习，分类学习是有监督学习D、在分类时，学习得到一个模型将输入变量映射到离散输出空间TOC o 1-5 h z逻辑回归模型中的激活函数Sigmoid函数值范围是。A、0,1B、-1,1C、(88)D、(0,1)某分类模型在训练集上较好，在测试集上性能较差，这说明出现了问题A、过拟合B、欠拟合C、性能不稳定D、泛化能力强逻辑回归模型中的损失函数一般采用。A、对数似然损失函数B、均方损失函数C、绝对值损失函数D、Logistic函数信息增益的计算方法是。A、信息熵

12、（当前集划分前）-信息熵（当前集划分后）B、信息熵（当前集划分后）-信息熵（当前集划分前）C、信息熵（训练集初始熵）-信息熵（叶节点样本集信息熵）D、信息熵（叶节点样本集信息熵）-信息熵（训练集初始熵）下面有关决策树剪枝的说法错误的是。A、决策树剪枝的目的是为了减少训练过程的过拟合，从而提升决策树模型的准确性。B、决策树剪枝可以放在决策树的构造过程（预剪枝），也可以等决策树模型全部建立后再做（后剪枝）。C、剪枝后中间节点个数减少，叶子节点个数增多。D、决策树剪枝符合Occam剃刀原理（即机器学习模型越简单越好）。在决策树算法中，如果一个特征对于所有样本都没有区分能力，那么它对决策。A、无用途，

13、可以不考虑B、仍必须保留在决策树中C、最好放在距离根节点近的位置D、最好放在距离叶节点近的位置有关决策树与特征工程的关系，以下说法错误的是。A、决策树可以得到对分类重要的属性，因此可以作为分类特征获取的一种方法。B、如果要了解影响签署合同快慢的主要因素，可以使用决策树算法。C、决策树获得的特征可以作为其他算法（例如回归算法的自变量）输入的依据。D、决策树可以增强数据集获得更多的特征。决策树中存放分类结果的是。A、根节点B、中间节点C、叶节点D、主节点下面有关过拟合的认识错误的是。A、过拟合是因为训练样本太多了，把训练样本的规律都拟合进去了。B、降低决策树的复杂度可以减少过拟合，例如减少决策树的

14、深度。C、判断模型是否过拟合可以看随着训练的增加，训练集的分类精度提高，但测试集的精度却下降了。D、分类算法都可能会遇到过拟合现象决策树算法。A、拟合出一个含有参数的函数B、构造出一个含有参数的网络C、生成一个有分枝的决策树D、生成一个有向图ID3用信息增益来进行特征选择，信息增益。A、越小越好B、越大越好C、为0最好D、为1最好集成学习的主要思想是。A、将多个数据集合集成在一起进行训练B、将多源数据（如文本、图像、声音等）进行融合学习C、通过聚类算法使数据集分为多个簇D、将多个机器学习模型组合起来解决问题有关决策树的分类说明正确的是。A、决策树的深度越大越好B、决策树构建时一般随机进行特征选

15、择C、决策树结构越复杂越有效D、可以转化出决策规则ID3算法使用作为启发式信息来及进行特征选择A、信息熵B、信息增益C、信息增益比D、Gini指数通过聚集多个决策树模型来提高分类准确率的技术称为A、合并学习B、聚集学习C、集成学习D、联合学习聚类算法属于A、分类问题B、回归分析C、有监督学习D、无监督学习聚类的目标是。A、已知数据类别和特点，将其他数据分类到和它相似度高的类别中B、已知数据类别和特点，将类别进一步细分C、未知数据类别和特点，把相似度高和相似度低的样本分别聚集在一起D、未知数据类别和特点，根据数据内在性质及规律将其划分为若干个子集6O.K-means聚类的结果中。A、类别的个数不

16、确定B、最终的类别之间不能有样本的交叉C、最终的类别之间允许有少量样本的交叉D、不同类别的元素之间相似度大K-means算法的结束条件是A、K的值达到最大B、每个簇包含相同个数的样本C、每个簇的中心点不再变化D、某个簇的样本相似度最大K-means算法中如果使用余弦相似度计算数据样本的相似性，那么计算结果。A、越接近0相似度越高B、越接近1，相似度越高C、越接近-1，相似度越高D、无法仅根据值判断相似度以下对K-means聚类结果的解释，描述错误的是。A、最终聚类结果中，簇内凝聚度高，簇间分离度高B、换不同的K值聚类结果应该一样C、每个样本数据归属于与其距离最近的聚类质心所在的簇D、最终聚类结

17、果中每个簇中所包含的数据差异性最小根据用户使用移动运营商的数据，可以为他们设计合适的套餐，使用方法比较合适A、聚类B、回归C、汇总D、分类有关k-means下列说法正确的是。A、可以确定样本属性的重要性B、可以处理凸型分布数据的聚类C、适合任意数据集的分组D、聚类的结果与初始选择的假设聚类中心有关分析营销投入与销售收入的关系可以使用数据建模方法。A、汇总B、聚类C、回归D、分类在使用Kmeans算法进行聚类时，可以利用肘部原理观察折线图来选择k值。A、迭代次数B、兰德指数C、轮廓系数D、欧式距离在聚类时，根据衡量样本是否可以聚为同类。A、样本损失B、样本数量C、样本维度D、样本相似度以下关于人

18、工神经网络的描述正确的是。A、神经网络对训练数据中的噪声不敏感，因此不用考虑数据质量B、神经网络训练后很容易得到分类的规则C、训练人工神经网络是一个很耗时的过程D、只能用于分类任务有关前馈神经网络的认识正确的是A、神经网络训练过程是拟合训练数据模式的过程B、神经网络训练后很容易得到分类的规则C、一个结构明确的神经网络的训练结果是唯一的D、神经网络模型的分类能力一定比决策树好梯度下降算法的正确计算步骤是。计算预测值和真实值之间的误差迭代更新，直到找到最佳权重把输入传入网络，得到输出值初始化随机权重和偏差对每一个产生误差的神经元，改变其权重值以减小误差A、1)2)3)4)5)B、5)4)3)2)1

19、)C、3)2)1)5)4)D、4)3)1)5)2)以下问题不适合应用神经网络。A、预测电信客户流失的可能性B、辅助确定是否给银行的客户贷款C、对基金公司的客户进行分组，了解每组客户的特点D、股票走势的预测用来评估神经网络的计算模型对样本的预测值和真实值之间的误差大小A、优化函数B、梯度下降C、反向传播D、损失函数74.下面对感知机网络(PerceptronNetworks)描述不正确的是A、感知机网络没有隐藏层B、感知机网络具有一层隐藏层C、感知机网络不能拟合复杂数据D、感知机网络是一种特殊的前馈神经网络在前馈神经网络中，误差反向传播(BP算法)将误差从输出端向输入端进行传输的过程中，算法会调

20、整神经网络的。A、神经元和神经元之间连接的有无B、相邻层神经元和神经元之间的连接权重C、同一层神经元之间的连接权重D、输入数据大小在神经网络学习中，每个神经元会完成若干功能，下面不是神经元所能够完成的功能。A、将加权累加信息向后续相邻神经元传递B、通过激活函数对加权累加信息进行非线性变换C、向前序相邻神经元反馈加权累加信息D、对前序相邻神经元所传递信息进行加权累加77.对前馈神经网络的描述是不正确的A、层与层之间通过“全连接”进行连接，即两个相邻层之间神经元完全成对连接B、各个神经元接受前一级神经元的输入，并输出到下一级C、同一层内神经元之间存在全连接D、同一层内的神经元相互不连接78.多个神

21、经元堆叠在一起构成了神经网络，用神经网络模拟同或门(XNOR)。所有神经元的激活函数for疋v0for疋二0假设XI是0,X2是1则神经网络的输出A、-1B、0C、1D、279.下面图像是sigmoid激活函数。C、图3D、图4神经网络的一次误差反向传播算法可以A、修改一层神经元的参数B、修改相邻2层的神经元的参数C、修改网络中所有神经元的参数D、修改网络中所有神经元的激活函数神经网络建模步骤一般是模型评估网络配置模型训练数据准备模型预测A、1)2)3)4)5)B、3)2)1)5)4)C、5)4)3)2)1)D、4)2)3)1)5)实现二分类任务的神经网络中，输出层激活函数一般选择。A、sof

22、tmaxB、reluC、tanhD、sigmoid实现多分类任务的神经网络，损失函数一般选择。A、sigmoidB、mseC、binary_crossentropyD、categorical_crossentropy实现多分类任务的神经网络，隐藏层的神经元个数一般应该分类数。A、等于B、小于C、大于D、不用考虑分类数TOC o 1-5 h z实现标量回归预测任务的神经网络，损失函数一般选择。A、reluB、mseC、binary_crossentropyD、sigmoid实现标量回归预测任务的神经网络，评价指标一般选择。A、精确率B、平均绝对误差C、召回率D、交叉熵以下情况下，神经网络模型被称

23、为深度学习模型。A、加入更多层，使神经网络深度加深B、输入层可以接收维度更高的数据C、当问题是图形识别或分类问题时D、激活函数更复杂卷积神经网络输入的彩色图像数据的张量格式为。A、（样本数，高度，宽度，通道数）B、（样本数，高度，宽度）C、（高度，宽度）D、（高度*宽度）深度学习算法对于图像进行特征提取采用的方法是。A、人为设计好特征，由网络实现提取B、网络自动提取C、不需要提取特征D、根据特征集合提取假设我们需要训练一个卷积神经网络，来完成500种图像分类，类别采用独热编码。该卷积神经网络最后一层是分类层，则最后一层输出向量的维数大小可能是。A、1B、100TOC o 1-5 h zC、25

24、0D、500CNN网络中池化层的作用有。A、实现局部特征提取B、减少过拟合C、减少隐层节点数D、获得分类结果下列在神经网络中引入了非线性。A、随机梯度下降B、Relu函数C、卷积计算D、损失函数CNN中，是局部连接，所以提取的是局部信息。A、卷积层B、池化层C、全连接层D、Dropout层数据增强可以有效提升模型质量，最好在进行数据增强A、整个数据集B、训练集C、验证集D、测试集预训练模型是指。A、先训练一个模型作为基准B、在正式训练之前，做一次试验训练C、已经在大数据集上训练好的一个模型D、预先根据任务特点，对模型结构进行调整使用预训练模型进行特征提取，要训练的部分是。A、全连接分类器B、咼

25、层卷积层C、底层卷积层D、整个网络预训练模型的卷积基一般。A、只包含卷积层B、包含卷积层、池化层和全连接层C、包含卷积层和池化层D、包含冻结的卷积层微调预训练模型，一般是指调整。A、全连接层B、咼层卷积层C、底层卷积层D、任意一个或几个卷积层要解决的问题只有少量的数据，但幸运的是有一个之前训练过的针对类似问题的神经网络模型。最佳方案是。A、对于新的数据集重新训练模型B、冻结除第一层之外的所有层，微调第一层C、评估模型每一层的功能，然后选择其中的某些层D、冻结除最后一层之外的所有层，重新训练最后一层如果要采用神经网络来对文本进行建模，必须先将文本向量化，这一过程是指。A、将文本分词B、获得文本类

26、别标签C、将文本压缩D、将文本转换为数值张量自动语音识别(AutomaticSpeechRecognition,ASR)的目标是从语音信号识别出。A、说话者的身份B、话语中的含义C、话语对应的文本D、话语的情感极性要了解消费者对某个产品的总体观点，可以采用对用户评论进行分析得到。A、情感分析B、文本对话C、内容标签D、自动摘要声音是一种时序数据，是对连续声音信号的进行采样获得。A、频率B、振幅C、周期D、长度在使用深度学习进行文本处理时，一个文本句子要被理解，首先需要做的是。A、分词B、词性标注C、命名实体识别D、生成词嵌入在学习词嵌入时，嵌入维度一般。A、大于数据集总单词个数B、小于输入序列

27、的长度C、小于数据集总单词个数D、大于输入序列的长度语音识别中把做为基本单元，它也是构成单词的基本单位。A、状态TOC o 1-5 h zB、帧C、字D、音素语音识别中使用的语言模型一般是。A、人工建立的B、与应用领域无关C、基于文本数据训练得到D、与语种无关语音识别中对数据预处理时分帧。A、将语音切割为无交叠的等长帧B、将语音切割为有交叠的等长帧C、将语音切割为无交叠的不等长帧D、将语音切割为有交叠的不等长帧在经过学习获得的词嵌入空间中，语法和语义上相近的词汇。A、距离更远B、距离更近C、距离为0D、距离相等用深度神经网络进行文本生成的最后一层任务是。A、字符或单词的回归预测B、字符或单词的

28、分类C、字符聚类为单词D、单词语义的分析二、多选系统属于人工智能应用的实例。A、计步器B、机械式密码锁C、聊天机器人D、电商网站的商品推荐下面关于人工智能概念的表述，合理。A、根据对环境的感知做出合理的行动，并获得最大收益的计算机程序B、任何计算机程序都具有人工智能C、针对特定的任务，人工智能程序一般具有自主学习的能力D、人工智能程序要和人类具有相同的思考方式下面学科是人工智能的基础。A、经济学B、计算机科学C、地理学D、数学符合强人工智能的描述有。A、仅在某个特定的领域超越人类的水平B、是通用的人工智能C、可以胜任人类的所有工作D、在科学创造力、智慧等方面都远胜于人类发展出图像识别成功率超越

29、人类的人工智能的主要因素有。A、人类专家规则的完善B、计算力的提升C、社会关注度提升D、大量数据驱动ImageNet是一图片集合，它是A、图像算法性能检验的“标准”数据集B、绘制图像的参考标准C、任何图形进行分类的依据D、每个图片都有类别标签数据驱动的人工智能方法的弱点是A、解释性差B、需要大量数据集合C、需要建立知识库D、直接从数据中学习对人工智能的发展趋势划分，一般可分为A、强人工智能B、泛人工智能C、弱人工智能D、超人工智能技术AlphaGo成为第一个战胜围棋世界冠军的人工智能机器人，它用到A、专家系统B、深度学习C、知识图谱D、强化学习10.搜索下面的知识图谱中，可以得到结论A、风云儿

30、是东京的美食品牌B、风云儿是最著名的拉面品牌C、在一蘭吃寿司人均消费低于100元D、寿司和拉面是本州岛的美食采用深度学习根据图像训练一个植物分类模型前，一般需要A、搜集大量植物图像样本B、搜集少量典型植物图像样本C、对植物样本进行标注D、每类植物搜集一张图像当前推动人工智能发展的主要支持技术包括。A、云计算技术B、大数据技术C、深度学习算法D、图灵测试技术下列部分属于基因遗传算法的有。A、选择B、交叉和变异C、初始化编码D、反向传播基因遗传算法的两个常用的结束条件为。A、达到一定的迭代次数B、达到一定的交叉次数C、达到一定的变异次数D、适应度函数结果达到一定的要求以下对基因遗传算法描述正确的是

31、。A、基因遗传算法反映了自然选择的过程B、只能解决拼图问题C、基因遗传算法一定能得到最优解D、是一种启发式的搜索算法下列关于搜索算法的描述，错误的是。A、盲目搜索如DFS或BFS由于没有知识支持，很可能在解空间中找不到最优解B、A*算法如果启发函数满足可容性和单调性，一定能在解空间中找到最优解C、蒙特卡洛算法有可能找到最优解，但搜索效率比minimax搜索要高D、贪婪最佳优先搜索一定能在解空间中找到最优解广义线性回归要求以下有一个是一次的就可以。A、自变量B、目标变量C、损失函数D、参数以下属于机器学习的任务是。A、汇总B、回归C、聚类D、排序在机器学习建模分析时，通常将数据集划分为。A、训练

32、集B、预测集C、测试集D、回归集用线性回归建模时，以下是正确的操作。A、剔除异常值B、被预测值应该在建模的自变量范围内C、可视化观察目标变量与自变量关系D、使用相关分析把相关变量合成为一个或只保留一个实现逻辑回归模型建立后，对于一个新的未知数据进行分类，可以通过A、计算模型输出的概率值B、计算损失函数值C、决策边界计算D、Sigmoid函数计算处理数据集中的缺失值一般采取以下方法。A、删除相关记录B、替换为Nan即可C、替换为0D、用估计的数据填充以下属于机器学习的任务是。A、汇总B、回归C、分类D、排序决策树通过构造一棵树来实现分类任务。它是。A、一种有监督学习方法B、一种无监督学习方法C、

33、树的叶子节点对应分类结果D、树的中间节点对应数据特征以下属于集成学习算法的有。A、BaggingB、AdaBoostingC、随机森林D、xGboostTOC o 1-5 h z构建树结构为多叉树的决策树算法有。A、ID3B、C4.5C、LogisticD、CART以下算法属于决策树算法。A、ID3B、C4.5C、LogisticD、CART下面描述属于K-means聚类算法特点的有。A、算法迭代执行B、需要初始化聚类质心C、数据需要带有分类标签D、需要事先确定聚类数目有关机器学习算法选择的说法不正确的有。A、每种算法都有其使用范围，因此选择算法需要考虑具体处理的问题B、判断机器学习算法好坏在

34、数据需求阶段就可以确定C、在分类前可以先做聚类分析D、对聚类问题可以任选一种聚类算法对移动客户进行分组，以便根据各组的特点，策划不同的营销方案，需要客户数据可能包括A、身咼B、收入C、年龄D、客户长途市话以及漫游等通话数据以下算法需要训练数据样本必须有标签。A、决策树B、逻辑回归C、Kmeans聚类D、线性回归对聚类结果进行评估可以采用轮廓系数，它综合考虑了。A、簇内凝聚度B、簇内分离度C、簇间分离度D、簇间凝聚度神经网络由许多神经元组成，下列关于神经元的陈述中是正确的A、一个神经元可以有多个输入和一个输出B、一个神经元可以有一个输入和多个输出C、一个神经元可以有多个输入和多个输出D、一个神经

35、元只能有一个输入和一个输出用于监督分类的算法有。A、线性回归B、K-meansC、决策树D、神经网络神经网络的训练结果模型文件，一般包括A、权重矩阵B、偏置参数C、超参数D、计算图下列可以使神经网络模型拟合复杂函数的能力增加A、隐藏层层数增加B、Dropout的比例增加C、加大学习率D、增加神经元的数量解决。将正负样本数量的比例训练样本中，正负样本数量的比例较大，这称为样本类别不平衡问题，可采A、过采样，即增加正样本数量，使正负样本接近再学习B、欠采样，即去除反例样本数量，使正负样本接近再学习C、设置阈值。基于原始数据集学习，当使用已训练好的分类器进行测试时,作为阈值嵌入到决策过程中D、改变评

36、价标准，用AUC/ROC来进行评价如果神经网络的学习率太大，。A、网络一定收敛B、网络可能无法收敛C、网络收敛速度慢D、网络收敛速度快在进行神经网络训练之前，一般需要把训练集再分割为。A、训练集B、测试集C、验证集D、备用集神经网络的数据预处理，一般包括步骤。A、将数据向量化B、将数据值标准化C、处理缺失值D、将数据值转化为浮点数或整数深度全连接神经网络在图像处理中有弱点。A、参数量太大B、无法利用相邻像素关联C、模型结构单一D、过拟合严重通过数据增强可以减少过拟合的发生，常用的方法有以下。A、从数据源采集更多的数据B、复制原有数据并添加随机噪声C、复制多份一样的数据放在一起D、根据现有样本估

37、计样本的分布，然后按照此分布再产生一些样本CNN网络中可能包含层。A、输入层B、卷积层C、池化层D、全连接层CNN网络中，卷积核大小一般常采用A、3*3B、5*5C、100*100D、1024*1024深度学习对的数据集没有明显优势。A、数据集小B、数据集大C、没有局部相关性D、有局部相关性在训练深度神经网络的过程中，如果泛化能力太差，则可以。A、调整网络结构B、调整样本C、调整学习率D、调整优化器Keras的图片生成器的主要作用是。A、随机动态生成图像B、自动批量加载磁盘图像C、实现数据的转换D、生成图像并保存到磁盘对图片数据进行数据增强可以采用方法。A、旋转图像B、随机裁剪C、增加噪声D、

38、数据集中两个图像叠加在微调预训练模型时，情况下，冻结层数越少。A、数据集越大B、数据集越小C、数据集与原始数据集相似性越大D、数据集与原始数据集相似性越小以下神经网络适合处理序列数据。A、LSTMB、双向LSTMC、一维CNND、二维CNN通过拍照翻译可以将外文菜单、路牌等信息转换为自己熟悉的语言文字，这主要通过技术实现。A、语音识别B、图像识别C、机器翻译D统计分析循环神经网络A、神经元带自反馈B、只能处理固定长度的文本C、适合处理序列数据D、能处理任意长度的文本语音识别需要两个模型合起来完成对语音的识别A、声学模型B、信号模型C、语言模型D、语义模型以下属于文本处理任务。A、机器翻译B、自动摘要C、自动绘画D、自动写诗文本向量化的两种表示方法是。A、独热编码B、Z-ScoreC、归一化D、词嵌入深度学习进行文本生成时，。A、生成结果和训练集风格相似B、模型学习得到的具有统计结构的潜在空间C、语句不能太长，太长会离谱D、语言模型可能根据语法规则建立GAN是一种生成式对抗网络，它采用网络能迫使生成图像与真实图像在统计上几乎无法区分，从而生成相当逼真的图像。A、生成器B、优化器C、判别器D、合成器访问百度开放服务，需要首先申请获得应用的相关凭证，包括。A、AppIDB、APIKeyC、SecretKeyD、UserName三、判断题自然界中生物变异的概率是不确定的，但是基因遗传