专业知识单选题练习系列（八）

最新推荐文章于 2024-10-28 21:30:11 发布
最新推荐文章于 2024-10-28 21:30:11 发布
阅读量70 收藏
点赞数
分类专栏： 机器学习算法工程师通关秘籍 文章标签： 机器学习 考试 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/GOOD_CODER/article/details/140505614
版权

21、 [单选] Fisher 线性判别函数的求解过程是将 M 维特征矢量投影在（）中进行求解。

A：M-1 维空间

B：一维空间

C：三维空间

D：二维空间

正确答案：B 

解析：Fisher 线性判别函数的求解过程是将 M 维特征矢量投影在一维空间中进行求解。经过投影后，使得同一类别的数据尽可能的接近，不同类别的数据尽可能的远离。这样就可以在一维空间上将不同类别的数据分开，达到分类的目的。因此，本题的答案为 B。

22、 [单选] 以下说法中错误的是（）

A：SVM 对噪声（如来自其他分部的噪声样本）具备鲁棒性

B：在 adaboost 算法中，所有被分错样本的权重更新比例不相同

C：boosting 和 bagging 都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重

D：给定 n 个数据点，如果其中一半用于训练，一半用户测试，则训练误差和测试误差之间的差别会随着 n 的增加而减少的

正确答案：C 

解析：C：boosting 和 bagging 都是组合多个

了解本专栏 订阅专栏 解锁全文 超级会员免费看
专业知识单选题练习系列（四）
扈海波的博客
07-15 730
将有 100 万张图片的数据集分割为：有 60万张图片的训练集、有 20 万张图片的开发集和有 20 万张图片的测试集。将有 100 万张图片的数据集分割为：有 98万张图片的训练集、有 1 万张图片的开发集和有 1 万张图片的测试集。35、 [单选] 你所关心的数据的分布包含了你汽车的前置摄像头的图片，这与你在网上找到并下载的图片不同。• C：选择从互联网上的 90 万张图片和汽车前置摄像头的 8 万张图片作为训练集，剩余的 2 万张图片在开发集和测试集中平均分配。因此，选项 D 都可以是正确的。
专业知识单选题练习系列（二）
扈海波的博客
07-15 351
但在过去几个月中，一种新的鸟类已经慢慢迁移到该地区，因此你的系统的性能会逐渐下降，因为您的系统正在测试一种新类型的数据。你只有 1000 张新鸟类的图像，在未来的 3 个月里，城市希望你能更新为更好的系统。均时使用了前两个值，因此我们需要进行偏差修正，即：$v_t^{corrected}=\frac{v_t}{1-\beta^t}$因此，$v_2^{corrected}$应该是：$v_2^{corrected}=\frac{v_2}{1-\beta^2}=\frac{7.5}{1-0.5^2}=10$。
专业知识单选题练习系列（一）
扈海波的博客
07-15 266
4、 [单选] 在 CNN 网络中，图 A 经过核为 3x3，步长为 2 的卷积层，ReLU 激活函数层，BN 层，以及一个步长为 2，核为 2*2 的池化层后，再经过一个 3*3的的卷积层，步长为 1，此时的感受野是（）2、 [单选] 你有一个 32x32x16 的输入，并使用步幅为 2、过滤器大小为 2 的最大池化，请问输出是多少？解析：相加后的 c 矩阵的维度应该和 a 矩阵的维度相同，即为(2,3)，因此正确答案为 C。风格图像 S 的像素值匹配，同时保留内容图像 C 的信息。
专业知识单选题练习系列（七）
扈海波的博客
07-16 113
这是正确的，因为准确度是我们想要最大化的指标，而运行时间和内存大小是我们希望最小化的指标。选项 D 中，将准确度、运行时间和内存大小都视为令人满意的指标，这是不正确的。• D：GPU 所配置的显存的大小，对于在该 GPU 上训练的深度神经网络的复杂度、训练数据的批次规模等，都是一个无法忽视的影响因素。• D：我们使用它将向后传播计算的变量传递给相应的正向传播步骤，它包含用于计算计算激活的正向传播的有用值。• B：我们用它传递前向传播中计算的变量到相应的反向传播步骤，它包含用于计算导数的反向传播的有用值。
专业知识单选题练习系列（十一）
扈海波的博客
07-16 60
选项 A 中只重新训练最后一层，因为最后一层是根据具体问题的输出维度进行的定制，它需要根据具体问题进行训练。在迁移学习中，我们通常只需要对预先训练好的神经网络的最后几层进行微调(finetune)来适应特定的问题。22、 [单选] 假设你的输入是 300×300 彩色（RGB）图像，并且你使用卷积层和 100 个过滤器，每个过滤器都是 5×5 的大小，请问这个隐藏层有多少个参数（包括偏置参数）？24、 [单选] 在训练神经网络时，损失函数(loss)在最初的几个 epochs 时没有下降，可能的原因是？
专业知识单选题练习系列（五）
扈海波的博客
07-16 55
选项 A 中的“全局值”表述不准确，应该是“全局变量”，因为每个神经元的输出值都会受到$\gamma$和$\beta$的影响。选项 C是正确的，因为$\gamma$和$\beta$用来调整每个神经元的输出值，从而使得每个隐藏层的输出值的均值和方差保持稳定。选项 D 中的公式是不正确的，因为$\mu$和。5、 [单选] 你训练了一个系统，其误差度如下（误差度=100%-准确度）训练集误差 4.0%测试集误差 4.5%这表明，提高性能的一个很好的途径是训练一个更大的网络，以降低 4%的训练误差。
专业知识单选题练习系列（九）
扈海波的博客
07-16 82
3、 [单选] 已知：-大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。代入数据得：$$\frac{(63-7)}{2}+1=29$$ 因为使用了 32 个过滤器，所以最终的输出大小为29x29x32，故选项 A 为正确答案。1、 [单选] 你有一个 63x63x16 的输入，并使用大小为 7x7 的 32 个过滤器进行卷积，使用步幅为 2 和无填充，请问输出是多少？因为按行求和后得到的是一个$4\times1$的列向量，加上 keepdims=True 后，因此，正确答案为 B。
专业知识单选题练习系列（十）
扈海波的博客
07-16 63
• A：如果你在 256 个例子的 mini-batch 上实现了批标准化，那么如果你要在一个测试例子上进行评估，你应该将这个例子重复 256 次，这样你就可以使用和训练时大小相同的 mini-batch 进行预测。正确答案是 D，因为在评估时，应该使用在训练期间通过指数加权平均值得出的$\mu$和$\sigma^2$来执行所需的标准化。• D：执行所需的标准化，使用在训练期间，通过指数加权平均值得出的$\mu$和$\sigma^2$解析：选项 A 是错误的，因为在评估时不需要使用 mini-batch。
专业知识单选题练习系列（六）
扈海波的博客
07-16 60
根据给出的选项，选 C 是最好的选择，因为 C 选项中的开发集和测试集大小相当，且训练集的大小足够大，可以训练出较好的模型。解析：权重共享是指在神经网络中，多个神经元之间的权重参数是共享的，而不是独立的。• A：Train〔训练集〕 Dev〔开发集〕 Test〔测试集〕6,000,000 1,000,000 3,000,000。• B：Train〔训练集〕 Dev〔开发集〕 Test〔测试集〕6,000,000 3,000,000 6,000,000。因此，选项 A 和 B 都是错误的。
机器学习与神经网络的发展前景及其与传统物理学的关系
jamiso_1的博客
10-24 596
随着科技的不断发展，机器学习与神经网络已经成为现代科学研究和技术应用的重要工具。2024年诺贝尔物理学奖的颁发，标志着这一领域的研究在学术界的重要性日益凸显。本文将探讨机器学习和神经网络在生产制造、金融、医疗等领域的应用，展望其未来发展，并分析其与传统物理学之间的关系。通过对这些方面的深入探讨，旨在为理解这一技术的影响和潜力提供新的视角。
人工智能、机器学习领域常见的学习方式
Yoin.
10-25 650
在监督学习中，训练集包含了一系列特征（输入变量）和对应的标签（输出变量）。训练过程中，算法会尝试从已标记的数据中学习模式，并能够对新的未见过的数据做出预测。常见的任务类型包括分类（预测类别标签）和回归（预测连续值标签）。在无监督学习中，算法只接收输入数据（特征），而不接收任何对应的输出标签。算法的任务是自行探索数据内部的结构，例如数据中的聚类、密度分布或异常值等。无监督学习主要用于发现数据的内在规律，而不是为了完成特定的任务（如分类或回归）。
LARGE SCALE GAN TRAINING FORHIGH FIDELITY NATURAL IMAGE SYNTHESIS
u013049912的博客
10-28 276
尽管最近在生成图像建模方面取得了进展，但成功地从复杂的数据集(如ImageNet)生成高分辨率、多样化的样本仍然是一个难以实现的目标。为此，我们在迄今为止尝试的最大规模上训练生成对抗网络，并研究这种规模特有的不稳定性。我们发现，将正交正则化应用于生成器使其适用于简单的“截断技巧”，通过减少生成器输入的方差，可以对样本保真度和多样性之间的权衡进行精细控制。我们的修改导致模型设置了新的状态，在类条件图像合成的艺术。
机器学习课程学习周报十八
weixin_51454889的博客
10-25 615
本周周报深入探讨了Diffusion模型的数学原理，重点分析了生成模型如何通过正向和逆向过程实现从简单分布到复杂分布的映射。详细介绍了DDPM（去噪扩散概率模型）的工作机制，包括正向加噪过程和反向去噪过程。通过对ELBO证据下界的推导，解释了模型的优化目标和实现方法。本次周报系统性地分析了Diffusion模型的理论基础，特别是DDPM模型的操作原理和优化目标。通过对正向和逆向过程的详细推导，深入理解了如何从高斯噪声中逐步生成清晰图像的过程。下周准备阅读论文，希望更系统地了解Diffusion模型。
SMO算法 公式推导
u013172930的博客
10-28 297
SMO算法主要用来求解式(9-69)的凸二次规划问题，在该问题中，变量是拉格朗日乘子αi，一个αi对应一个样本点(xi,yi)，所以变量总数就是样本量N。SMO算法是一种针对非线性支持向量机凸优化问题快速求解的优化算法，其基本想法是：不断地将原二次规划问题分解为只有两个变量的子二次规划问题，并对该子问题进行解析和求解，直到所有变量都满足 KKT 条件为止。
【机器学习基础】激活函数
weixin_41838721的博客
10-22 376
Sigmoid函数 观察导数图像 在我们深度学习里面，导数是为了求参数W和B，W和B是在我们模型model确定之后，找出一组最优的W和B，使我们那个模型输入的x，得出我们Y最近我们真实结果的一个Y 导数函数图像，往两边走的话，它的导数为零。如果这样的情况出现的话，出现梯度消失。我们希望它的导数是一个平稳值，不要大也不要小 值落在，无穷大的时候或者无穷小的时候，它的导数就接近于零，此时W和B就不能更新了，无法找到最优的W和B。你就是你不断找不找，每天也走一走个几米几米远，事实上W和B在几千米远之外
【机器学习】有监督学习·由浅入深讲解分类算法·Fisher算法讲解
Yaoyao2024的博客
10-28 741
在前面的博客中，我们也讲解过分类算法，它的另外一个名字又叫做逻辑回归。🔗【吴恩达·机器学习】第三章：分类任务：逻辑回归模型（交叉熵损失函数、决策边界、过拟合、正则化）在那篇博客中，我们了解到简单的线性回归模型+阈值分割无法完成所有的分类任务，但是在回归模型的基础上引入逻辑函数，将其线性转换为非线性的逻辑回归模型，则可以很好的解决这个问题。事实上，逻辑回归只是解决分类问题其中一种方法，在此篇文章，我们将系统的了解分类问题，且就其中一种线性分类算法——Fisher 进行详细的讲解。➢问题的定义：设有满足独立同
机器学习原理与算法图谱问答
qalangtao的博客-qalangtao.com
10-28 289
的项目，非常适合作为毕业设计，后期还可继续扩展相关功能，比如增加语音识别、英语问答等新功能。的问答系统，运用了超多个前沿技术，既能帮你快速入门机器学习，还能极大提升你的编程实战能力。重要的是——操作简单，又极具创意！：直接输入问题，系统通过自然语言处理技术自动分析提问内容，并迅速找到相关的答案。：你可以输入特定关键词，系统会帮你挖掘知识之间的深层关系，复杂的知识链条也会以简洁的图形化方式展示出来。对于正在找毕业设计课题的你，这可能是最佳的技术项目！：支持个性化注册与登录，确保你的数据安全和隐私。
【小白学机器学习20】单变量分析 / 0因子分析 (只分析1个变量本身的数据)
奔跑的犀牛先生
10-24 642
本质：就是只分析1个变量数据本身就是只分析一个变量的数据，就是单变量分析。如果非要，统一说成是那种回归模型/因果分析模型/相关分析的话，这个就算是0因子分析。一维数据图：图上无论是画成1条轴，或者2条轴，实际只有1个变量的数据二维数据图：有2条轴，且实际确实有2个变量！
【机器学习】二分类神经网络
最新发布
2303_80346267的博客
10-28 445
本教程旨在帮助初学者理解神经网络的基本原理和实现，特别针对二分类任务，深入解析其正向传播和反向传播的数学推导，并逐步用 `numpy` 实现完整的神经网络模型，最终使用 `PyTorch` 简化实现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值