雨课堂学堂在线学堂云《人工智能方法与技术（中国传媒）》单元测试考核答案

第1题在传统人工智能训练范式的基础上，为解决技术落地和应用中存在的训练数据标注麻烦、训练性能低、模型泛化能力差等困难，近年来出现的AI新研发范式_____极大地改变了上述困局，快速成长为人工智能生态中的基础设施。A预训练+微调B深度学习C机器学习D大数据训练第2题在“大模型时代”，由于巨大的参数量和算力需求，在AI技术的落地应用中仍然存在着一些的挑战问题，包括：A模型训练成本高B参数规模大，微调难C大模型计算框架下存在推理速度缓慢的问题D大模型部署技术中存在参数冗余、迁移学习低效问题正确答案：DCBA第3题当前，物联网、人工智能、大数据、区块链等新一代电子信息技术与制造业深度融合，正在推动着以智能制造为代表的第四次工业革命，即全面智能化的_____时代。A工业2.0B工业3.0C工业4.0D工业5.0第4题深度学习方法存在哪些局限性？A可解释性差B训练数据需求量大C数据偏差问题D泛化能力差，参数调整困难正确答案：DCBA第5题在图像识别领域，2015年_____在ImageNet数据集里的识别准确率首次超过人类肉眼识图的准确率，人工智能实现了飞跃式发展。A

GoogleNetBResNetCVGG16DSENet第6题图灵测试的关键思想是：通过自然语言对话的方式，测试人类是否能够分辨出他们是在与另一个人还是与一台机器在交互，据此来验证机器的思维能力和是否具备了智能。A正确B错误第7题运用卷积神经网络CNN对图像进行分析时，通常采用以下哪种方法对图像进行特征提取：AMDS多维尺度分析BPCA主成分分析C卷积+池化DLDA判别分析第8题学术界提出的第一个基于Transformer的端到端目标检测算法是：AFasterR-CNNBDETR（DetectionTRansformer）CYOLOXDNMS（Non-maximumsuppression）第9题

GoogleBrain学者发表于ICLR2021的论文中提出一种用于图像分类的_____模型，被称为视觉Transformer的开山之作。AFasterR-CNN

BViT(VisionTransformer)CGAND

SpatialTransformerNetworks第10题如下被称为“人工智能皇冠上的明珠”的研究技术是：A数据智能B智能推荐C深度学习D自然语言处理

第1题随机森林与简单地由决策树构成的森林相比，多样性往往更高，其关键在于模型构建过程中所应用的哪种策略？A模型构建过程中采用样本集合和特征集合的双重随机性B子树个数更多CMajorityvoting策略D每棵子树的性能都更高第2题XGBoost与GBDT有什么不同？AXGBoost对损失函数做了二阶泰勒展开，GBDT只用了一阶导数信息，并且XGBoost还支持自定义损失函数，只要损失函数一阶、二阶可导即可。BXGBoost的目标函数加了正则项，相当于预剪枝，使得学习出来的模型更加不容易过拟合。同时XGBoost支持列采样，与随机森林类似，用于防止过拟合。C并行化：注意不是tree维度上的并行，而是特征维度的并行。XGBoost预先将每个特征按特征值排好序，存储为块结构，分裂结点时可以采用多线程并行查找每个特征的最佳分割点，极大提升训练速度。D以上都是。第3题以下哪种算法不是集成学习算法？A随机森林BXGBoostCAdaBoostD决策树第4题AdaBoost模型的优点不包括：A不容易发生过拟合B可以用各种回归分类模型来构建弱学习器，非常灵活C对异常点敏感，异常点会获得较高权重D分类精度较高第5题以下关于随机森林的叙述中正确的是：A随机森林算法容易陷入过拟合B随机森林由若干决策树组成，决策树之间彼此存在关联性C随机森林学习过程分为选择样本、选择特征、构建决策树、投票四个部分D随机森林构建决策树时是无放回地选取训练数据第6题下面关于XGBoost和GBDT的联系与区别，论述正确的是：A它们都利用了集成学习中的Boosting思想B它们都使用了决策树作为基学习器C它们都是每次构建一个弱分类器（表现形式就是一棵树）去拟合前一棵树预测值与真实值之间的误差，并沿误差下降最快的负梯度方向去建立一个新的模型，一步步迭代、提升，逐步逼近准确值。DXGBoost相对于GBDT来说将模型优化做到了极致正确答案：DCBA第7题下列关于XGBoost目标函数的推导说法错误的是：A目标函数中引入了正则化惩罚项BXGBoost目标函数中仅包含损失函数C引入的正则化项其实代表了对模型复杂度的限制大小D正则化惩罚项用于控制树的复杂度，实际上是树的叶子节点和L2正则化的线性组合第8题Bagging策略使用的采样方法是____放回采样。A有B无第9题下列关于集成学习的叙述，错误的是哪个？A集成学习只能使用若干个相同类型的学习器B集成学习使用多个学习器解决问题C集成学习在许多比赛中取得了优异的成绩D集成学习的集成之道在于“群策群议”的协作之道第10题下面关于随机森林和梯度提升的集成学习方法，哪些说法是正确的？A随机森林用来做回归，梯度提升用来做分类B这两种方法都可以用来做分类C这两种方法都可以用来做回归D随机森林用来做分类，梯度提升用来做回归正确答案：CB第3章作业题第1题关于纳什均衡，下列说法错误的是：A指这样一种均衡：局中每个人都选择其严格占优策略B在囚徒困境中有且只有一个纳什均衡C指一种策略组合：使得每个参与人的策略是对其他参与人策略的最优反应D给定别人策略的情况下，没有任何参与人会有积极性去单方面改变其策略选择，从而没有任何人打破这种均衡第2题判断如下论述是否正确：纳什均衡是指任一博弈方单独改变策略都只能得到更小利益的策略组合。A正确B错误第3题如下关于Shapley值的论述中不正确的是：AShapley值法是为解决多个局中人在合作过程中因利益分配而产生矛盾的问题，属于面向合作博弈领域提出的。B应用Shapley值是按照成员对联盟的边际贡献率将利益进行分配，即为成员最终分配的价值其实是求得了该成员对他所参与的联盟创造的边际贡献（marginalcontribution）的均值。CShapley值法是指所得与自己的贡献相当，适用于经济活动中的利益合理分配问题。Shapley值法的提出给合作博弈在理论上的重要突破及其以后的发展带来了重大影响。D使用Shapley值计算需要知道所有合作方式下的获利情况，在各种现实情况下都很容易完成计算。第4题如下有关Shapley值方法的叙述是否正确：是机器学习中实现特征重要性分析和模型可解释性分析的重要方法，这种方法是通过归因分析来计算机器学习模型的特征贡献。A正确B错误第5题纳什均衡又称为____，是博弈论的一个重要术语，以约翰·纳什的名字命名。A合作博弈均衡B非合作博弈均衡C寡头博弈均衡D非寡头博弈均衡第6题生成对抗网络GAN中的生成器和判别器对抗博弈的思想是什么？A零和博弈B合作博弈C正和博弈D演化博弈第4章作业题第1题下面描述的问题中哪一个不属于因果分析的内容：A如果商品价格涨价一倍，预测销售量(sales)的变化B如果一个人放弃吸烟，预测其患癌症的概率Pr(cancer)C如果广告投入增长一倍，预测销售量的增长D购买了A商品的顾客是否会购买B商品第2题如下对反事实推理（counterfactualmodel）描述不正确的是：A条件变量对于结果变量的因果性就是A成立时B的状态与A取负向值时“反事实”状态（B'）之间的差异。如果这种差异存在且在统计上是显著的，说明条件变量与结果变量不存在因果关系。B事实是指在某个特定变量(A)的影响下可观测到的某种状态或结果(B)，“反事实”是指在该特定变量(A)取负向值时可观测到的状态或结果(B')。C条件变量对于结果变量的因果性就是A成立时B的状态与A取负向值时“反事实”状态（B'）之间的差异。如果这种差异存在且在统计上是显著的，说明条件变量与结果变量存在因果关系。D反事实推理是用于因果推理的一种方法。第3题下面哪个说法是不正确的：A一个有向无环图唯一地决定一个联合分布B一个有向无环图无法唯一地决定一个联合分布C一个联合分布不能唯一地决定有向无环图D在有向无环图中，父辈节点“促成”了孩子节点的取值第4题下列关于贝叶斯网络说法错误的是：A贝叶斯网络属于一种结构因果模型B贝叶斯网络是基于概率推理的数学模型C贝叶斯网络是一种用概率来表示确定性知识的有向无环图D贝叶斯网络会建立一个有向无环图和一个条件概率表集合，用来表示不确定性知识第5题“横看成岭侧成峰，远近高低各不同”可以看做是辛普森悖论的一种典型表现形式。请判断该叙述正确与否。A正确B错误第6题概率图模型将变量间的交互和彼此依赖关系缩减到图模型中，这种利用图形表示条件独立性知识的方法，能够紧凑且直观地描述变量间的联合概率分布。这种论述是否正确？A正确B错误第7题对于JudeaPearl教授所提出的三级因果之梯，我们也可以对应理解为三种不同层级的认知能力：观察能力（Seeing）、行动能力（Doing）和想象能力（Imagining）。这种论述是否正确？A正确B错误第8题下面对辛普森悖论的论述不正确的是：A辛普森悖论是一种统计现象B当数据组合并在一起后，原来出现在不同分组中的统计趋势可能会消失C辛普森悖论是由于数据分组不当带来的统计结果矛盾D我们需要斟酌各分组的权重，并乘以一定的系数，来减少辛普森悖论的影响第9题Data-Driven的AI建模方法会带来的问题包括：A不稳定性B不可解释性C虚假关联的数据陷阱问题D数据的选择偏差问题正确答案：DCBA第5章作业题第1题对于词向量生成模型Word2Vec与ELMo，请判断如下有关二者之间区别的论述是否正确：Word2Vec的训练过程中只是利用了周围词的信息，但没有考虑词序，是把周围词一起加权输入；而ELMo模型由于使用了双向LSTM，训练过程中利用了整个输入文本，同时考虑了正向和反向序列输入信息，由此得到的特征信息更为丰富。A正确B错误第2题如下关于语言模型的叙述是否正确：语言模型通俗地讲就是从语法上判断一句话是否通顺，比如，计算如下的概率成立与否：Pr(今天是周末)>Pr(周末是今天)。A正确B错误第3题判断如下有关分层Softmax的论述是否正确：其基本思想就是首先将词典中的每个词按照词频大小构建出一棵Huffman树，保证词频较大的词处于相对比较浅的层，词频较低的词相应的处于Huffman树较深层的叶子节点，每一个词都处于这棵Huffman树上的某个叶子节点；这样将原本的一个n分类问题变成了logn次的二分类问题，从而减少计算量。A正确B错误第4题对于Skip-Gram、CBOW、GloVe等词嵌入方法的理解，以下哪项是错误的？A词嵌入模型的训练本质上是在优化模型预测各词语同时出现的概率B词嵌入模型的设计和训练语料库的选取都很重要C不管是什么任务，在使用他人已经训练好的词向量时，直接复制词向量的权重就行了，不需要再进行任何额外的操作DGloVe模型用到了语料库上全局的统计信息，而Skip-Gram和CBOW模型则只用到了局部的统计信息第5题关于利用Word2Vec获取词向量，下列说法错误的是：AWord2Vec使用两种模型进行训练：CBOW和Skip-GramBWord2Vec需要利用到较大规模的语料进行训练CWord2Vec可以将词表示为低维实值稠密向量DWord2Vec不需要利用语料进行训练第6题关于神经网络语言模型NNLM的思想，下列叙述中不正确的是：A使用序列中单词的特征向量表示序列的联合概率分布B同时训练词的特征向量和神经网络中的参数CNNLM模型的网络结构包括输入层、投射层、隐含层、输出层DNNLM模型参数量不大，计算速度较快第7题由于基于词的共现矩阵得到的词向量中存在着高维和稀疏性问题，一个自然而然的解决思路是对原始词向量进行降维，从而得到一个稠密的词向量。这种方法就是：ASVD奇异值分解B共现矩阵向量化C独热编码D词的离散化表示第8题相比于使用one-hot向量来表示词语，以下哪一项不是词嵌入模型的优点：A训练好的词向量中能够包含更多语义信息B词向量的维度是可以自由设定的C词嵌入的实现与使用都更简单方便D词嵌入模型需要运用大规模语料进行训练第9题语言模型（LanguageModel）在自然语言处理中占有重要的地位，以下关于语言模型的论述中正确的是：A语言模型是一种自然语言处理技术，用于预测给定上下文中下一个单词或字符的概率，或者计算某个句子或文本序列的概率。B语言模型可以理解为是对语言的概率建模，它通过学习大量文本数据中单词或字符出现的频率和分布情况。Cn-gram是一种基于统计的语言模型，它利用n个连续单词或字符的出现概率来计算整个序列的概率。D神经网络语言模型利用多层神经网络来学习文本数据中的语言规律和模式，从而预测下一个单词或字符的概率。正确答案：DBCA第10题Word2Vec在词嵌入方法中存在什么不足？AWord2Vec较之于其它的WordEmbedding方法而言，向量维度更少BWord2Vec属于更通用性的方法CWord2Vec中词和向量之间是一对一的关系，无法解决多义词问题DWord2Vec是一种静态的方式，无法针对特定任务做动态优化正确答案：CD第6章作业题第1题近年来ChatGPT以迅雷不及掩耳之势爆火，语言大模型的研发依赖于算法算力和数据的综合支撑，目前还存在哪些挑战问题？A算力需求高，训练成本高，且由于参数量巨大带来训练困难的问题，各种领域任务下的微调成本高、参数难以共享。B在训练数据方面还存在一些难以解决的挑战问题，比如数据采集和标注费时费力成本高、数据质量较难保障、数据多样化不足——难以覆盖长尾和边缘案例、特定数据在获取与使用分享等方面存在隐私保护、数据偏见等问题。C大模型带来新的人工智能伦理和网络安全问题，包括可信度、公平性等。D大模型在常识推理、逻辑推理和可解释性方面还有待于进一步提高，比如Chain-of-Thought（思维链，在大语言模型中增强其推理能力）就是其中一种努力和尝试。正确答案：ABCD第2题请判断如下关于Transformer的论述是否正确：Transformer计算Attention的时候为何选择点乘而不是加法：在Transformer中采用点乘（dot-product）作为注意力机制的计算方式，是因为点乘计算的方式可以更好地捕捉输入序列中的相关性，与加法相比，点乘可以使模型在计算注意力时更加精确，同时也具有更好的计算效率。A正确B错误第3题请判断如下关于Transformer并行计算的论述是否正确：Transformer的并行化主要体现在self-attention模块，在Encoder端Transformer可以并行处理整个序列，并得到整个输入序列经过Encoder端的输出。A正确B错误第4题请判断如下关于Transformer的论述是否正确：Transformer为何使用多头注意力机制？原因在于多头可以使参数矩阵形成多个子空间，矩阵整体的size不变，只是改变了每个head对应的维度大小，这样做使矩阵对多方面信息进行学习，但是计算量与单个head差不多。A正确B错误第5题请判断如下关于BERT和GPT的对比分析是否正确：在预训练任务方面，GPT使用了一个语言建模任务来预训练参数，即如果给定前面的文本序列，预测下一个单词是什么；而BERT则使用了两个任务：掩码语言模型任务和下一句预测任务，掩码语言模型任务需要模型预测被遮挡了的词是什么，下一句预测任务要求模型判断两个句子是否连续。A正确B错误第6题BERT里引入Mask策略的作用是为了更好地提升BERT词向量的双向编码能力。A正确B错误第7题BERT模型在训练阶段采用了如下哪些方法分别取捕捉词语和句子级别的表征？AMaskedLMBMaskedMLCNextSentencePredictionDPre-SentencePrediction正确答案：AC第8题判断如下关于Self-Attention机制的论述是否正确：在进行softmax之前需要对Attention进行scaled，即Self-Attention公式中为什么要除以dk（这里的dk是k向量的维度）的平方根，原因是当向量的维度很大时，点积后的结果会很大，会导致softmax的梯度很小。为了减轻这个影响，对向量点积进行缩放，通过除以缩放因子，从而防止输入softmax的值过大，导致偏导数趋近于0、产生梯度消失问题。A正确B错误第7章作业题第1题如下哪项不是GAT模型的特点？A训练GAT模型无需了解整个图结构，只需知道每个节点的邻居节点即可（计算注意力）。B计算速度快，可以在不同的节点上进行并行计算CGAT中目标节点对邻节点特征聚合时，是基于度的加权求和。DGAT中目标节点对邻节点特征聚合时，是基于attention的加权求和。第2题GCN在实际应用中存在的局限性包括如下哪些方面？A处理大规模图数据时的计算效率问题B处理稀疏图数据时的聚合精度问题C对图结构变化不敏感D深层的GCN网络会导致过度平滑（Over-smooth）问题：如果层级过多，则最终得到的节点特征向量会过度平滑，即得到的每个节点的特征趋于相似。正确答案：DCBA第3题GCN模型可以用来做什么？A节点分类、图分类，比如识别大规模网络中的关键节点B链接预测，比如预测图中两个节点之间的边是否存在，在SocialRecommendation，KnowledgeGraphCompletion等领域都有应用。C社交网络分析，比如识别社交网络中的社区结构D推荐系统，比如GCN可以用于对用户和物品之间的关系进行建模，提高推荐的精度。正确答案：DCBA第4题判断如下关于邻接矩阵和度矩阵在GCN中的作用叙述是否正确：在GCN中，邻接矩阵用于描述图结构，表示节点之间的连接关系；而度矩阵用于归一化邻接矩阵，从而使得节点的特征在聚合的过程中不受度数的影响。A正确B错误第5题适合于CNN和RNN建模的欧氏空间结构数据当中不包括如下哪类？A声音、时间序列等B社交网络、基础设施网络（比如能源、交通、互联网、通信等）C视频、高光谱图像等D图像第6题图神经网络通常被用于图结构上的各种器学习任务，不包括如下的哪一类：A图节点分类任务B图边结构预测任务C图的分类任务D图像识别第7题图卷积神经网络GCN与卷积神经网络CNN有什么区别，如下叙述中正确的是：A处理的数据结构不同，GCN用于不规则的、非欧氏空间的图结构数据，比如社交网络用户连接关系、信息传播结构等；而CNN面向处理图像和其它类型规则的、欧氏空间结构数据。BGCN通过在图结构上对节点进行遍历，利用其邻接关系来更新节点的特征；而CNN通过对图像进行卷积运算，识别并提取图像中的局部特征来提高模型的效果。C模型学习的方式不同，GCN通常使用邻接矩阵来表示图的结构，并通过基于网络传播的算法迭代地融合邻居节点特征、更新目标节点的特征；CNN通过使用卷积核在图像上滑动，从而提取局部特征并组合得到全局特征。DGCN和CNN都属于深度学习模型，各自适用于不同的数据类型和应用场景。正确答案：ABCD第8章作业题第1题矩阵分解算法是Netflix电影推荐算法大赛中提出的，如下关于其基本思想叙述中不正确的是：A把评分矩阵通过SVD奇异值分解，来对用户和物品在隐含语义向量空间中给出分布式特征表达。B将用户和物品的评分矩阵分解为低维稠密的向量，分解过程的优化目标是使用户和物品对应向量的内积逼近实际评分。C矩阵分解算法在电影推荐问题下被证明其性能优于传统的以协同过滤为代表邻域方法。D在矩阵分解方法基础上，只能用隐向量的内积来计算两个用户之间的相似性，别无它法。第2题有的推荐方法不依赖于内容分析，考虑的是用户和用户之间可能口味一致、物品和物品之间可能风格近似。这种方法忽略所推荐的商品本身的具体属性，适合于处理一些非结构化的复杂新媒体数据对象，如音乐、电影等。具有这样特征的推荐方法是：A矩阵分解方法B神经网络方法C协同过滤方法D知识图谱推荐第3题判断如下关于序列化推荐（SequentialRecommendation）的叙述是否正确：是为了引入时间维度，更准确地描述用户的上下文、意图和目标，以及物品的消费趋势随时间的变化。基于用户历史上的交互序列，以及交互序列中物品的前后依赖关系，来对用户的下一个交互行为进行预测。A正确B错误第4题实现可解释性推荐的一种重要方法就是引入知识图谱，可以为推荐系统带来哪些性能上的好处？A知识图谱作为一个语义丰富、逻辑推理能力强的数据集，融入到推荐生成过程中能够有效增强推荐算法的解释能力。B解决用户行为的数据稀疏和冷启动问题。C通过融合多源异构的信息，引入更丰富的语义关系，解决语义失配等问题，提高推荐的精准度。D增大推荐的样本数据量、扩大信息渠道。正确答案：CBA第5题由于在推荐系统中训练数据通常是通过统计用户行为得到，这样的训练数据不可避免的受到很多因素的影响，如：推荐系统的推荐机制、热点内容、舆论等，使得训练样本偏离真实场景中的数据分布。这种现象在推荐系统中会带来什么问题？A推荐算法模型没法训练B推荐系统的冷启动问题C数据偏差问题，用有偏差的数据训练得到的模型就会是有偏差的D推荐结果的同质化问题第6题推荐系统中的流行度偏差可能带来的问题包括：A一个物品的流行度会直接影响到系统对其进行推荐的频率。B降低个性化程度，使得结果不再具有偶然性，由于不同用户的喜好不同，总是推荐热门内容会损害用户体验，尤其是小众偏好的用户。C降低推荐结果的公平性：流行的不一定是高质量的，那些与用户偏好更匹配的内容反而得不到曝光，这是不公平的。D加剧马太效应：流行度偏差会进一步增加流行内容的曝光机会，使流行内容更受欢迎——收集到的用于未来训练的数据变得更加不平衡。正确答案：ABCD第7题有关推荐系统中的位置偏差（PositionBias），下列论述中不正确的是：A位置偏差在推荐系统中很常见，尤其是在广告系统或搜索引擎。B用户倾向与列表头部的内容交互，而不太管这些内容是否真的是自己喜欢的，这就导致了明显的位置偏差。C对于从用户对推荐列表的反馈中收集的数据能否忠实地反映用户偏好，这一点不会受到位置偏差的影响。D用户较容易注意到列表头部的一些结果，不太可能浏览在垂直列表中排名非常靠后的内容。第8题关于推荐系统中的选择偏差，判断如下论述是否正确：选择偏差是用户行为数据中(观察数据)必然存在，因为打分的内容并不是随机出现在用户行为中，而是用户选择导致的。A正确B错误第9题关于推荐系统性能的综合评价指标F-score的叙述正确的：APrecision和Recall指标有时候会出现矛盾的情况。BF-score是精准率Precision（P）和召回率Recall（R）加权调和评价：F-score=(α2+1)P*R/(α2(P+R))。C当α=1时，F-Score就是最常见的F1-Score，F1=2*P*R/(P+R)。DF1-score综合了P和R的结果，当F1-score较高时，则能说明推荐系统总体性能较好。正确答案：DCBA第10题推荐系统中的冷启动问题对于系统性能和用户体验可能带来的影响包括：A冷启动问题会对推荐系统的性能和有效性产生重大影响。B当推荐系统不能为新用户或新项目提供准确的推荐时，可能会导致用户参与度降低，用户满意度下降，最终降低业务收入。C冷启动问题最大的挑战之一是它可能导致“鸡和蛋”的困境。如果推荐系统不能提供准确的推荐，新用户可能不会使用它，但是如果没有用户交互数据，系统就不能提供准确的推荐。类似地，新的商品在推荐系统中无法获得吸引用户所需的曝光量，而如果没有所需用户交互数据，系统也不会倾向于推荐它们。D推荐系统面临的最大挑战之一是冷启动问题。正确答案：DCBA第11题协同过滤方法主要包括：A基于用户的协同过滤B基于物品的协同过滤C基于模型的协同过滤D基于分类的协同过滤正确答案：ABC第9章作业题第1题P