人工智能核心算法练习题库含答案.docxVIP

人工智能核心算法练习题库含答案

一、单选题（共44题，每题1分，共44分）

1.DSSM使用（）个全连接层

A、两

B、一

C、三

D、四

正确答案：A

2.对于神经网络的说法,下面正确的是（）

A、增加神经网络层数,总是能减小训练数据集的分类错误率

B、1、2都对

C、增加神经网络层数,可能会增加测试数据集的分类错误率

D、减少神经网络层数,总是能减小测试数据集的分类错误率

正确答案：C

3.关于反向传播，以下说法错误的是?

A、反向传播会经过激活函数

B、反向传播只能在前馈神经网络中运用

C、反向传播可以结合梯度下降算法更新网络权重

D、反向传播指的是误差通过网络反向传播

正确答案：B

4.下面算法中哪个不是分类算法

A、随机森林

B、Xgboost

C、高斯混合模型GMM

D、决策树

正确答案：C

5.传統的机器学习方法包括监督学习、无监督学习和半监督学习,其中监督学习是学习给定标签的数据集。请问标签为离散的类型,称为分类,标签为连续的类型,称为什么?

A、回归

B、离散

C、给定标签

D、分类

正确答案：A

6.决策树所形成的分类边界有一个明显特点，它的分类边界由若干个(___)分段组成。

A、与坐标轴重合

B、过坐标原点

C、与坐标轴平行

D、与坐标轴垂直

正确答案：C

7.隐马尔可夫模型（HMM）是结构最简单的动态贝叶斯网络，是一种著名的（）模型。

A、有向图

B、双向图

C、无向图

D、单向图

正确答案：A

8.深度学习系统训练过程通常需要输入：

A、预测值

B、特征值和标签

C、标签

D、特征值

正确答案：B

9.不属于深度学习模型的选项是？

A、朴素贝叶斯

B、深度残差网络

C、卷积神经网络CNN

D、循环神经网络RNN

正确答案：A

10.决策树的生成是一个(___)过程。

A、KNN

B、聚类

C、回归

D、递归

正确答案：D

11.类别不平衡指分类任务中不同类别的训练样例数目(___)的情况。

A、没有差别

B、差别很大

C、差别很小

D、以上都不正确

正确答案：B

12.如果问题存在最优解，则下面几种搜索算法中，（）必然可以得到该最优解。

A、深度优先搜索

B、启发式搜索

C、有界深度优先搜索

D、广度优先搜索

正确答案：D

13.混淆矩阵中TP=16,FP=12,FN=8,TN=4,召回率是（）。

A、1/4

B、2/3

C、4/7

D、1/2

正确答案：B

14.前馈型神经网络的中各个层之间是()的,反馈型神经网络中各个层之间是()的。

A、无环;有环

B、无环;无环

C、有环;无环

D、有环;有环

正确答案：A

15.全局梯度下降算法、随机梯度下降算法和批量梯度下降算法均属于梯度下降算法，以下关于其有优缺点说法错误的是:

A、随机梯度算法可以找到损失函数的最小值

B、批量梯度算法可以解决局部最小值问题

C、全局梯度算法可以找到损失函数的最小值

D、全局梯度算法收敛过程比较耗时

正确答案：A

16.Bagging集成学习中，每个基学习器之间的关系是

A、相加关系

B、相关关系

C、后面的模型必须建立在前面的模型之上

D、相互独立

正确答案：B

17.ILP系统通常采用(___)的规则生成策略

A、自大而小

B、自底而上

C、自顶而下

D、自小而大

正确答案：B

18.根据边的性质不同，概率图模型可大致分为两类：第一类是使用有向无环图表示变量间的依赖关系，称为有向图模型或贝叶斯网（Bayesiannetwork）；第二类是使用无向图表示变量间的相关关系，称为(___)。

A、赫布网

B、拉普拉斯网

C、马尔科夫网

D、塞缪尔网

正确答案：C

19.Scikit-Learn中（）可以实现计算模型准确率。

A、accuracy

B、f2_score

C、f1_score

D、accuracy_score

正确答案：D

20.神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入，对输入进行处理后给出一个输出。请问下列关于神经元的描述中，哪一项是正确的？

A、每个神经元可以有多个输入和多个输出

B、上述都正确

C、每个神经元可以有多个输入和一个输出

D、每个神经元可以有一个输入和一个输出

正确答案：B

21.以下激活函数中，不具有“正向无边界”特征的是？

A、ReLU

B、softplus

C、Mish

D、Sigmoid

正确答案：D

22.哪项技术在BERT中没有使用（）

A、自注意力

B、Normalization

C、全连接

D、卷积

正确答案：D

23.Dropout是一种在深度学习环境中应用的正规化手段。它是这样运作的：在一次循环中我们先随机选择神经层中的一些单元并将其临时隐藏，然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中，我们又将隐藏另外一些神经元