人工智能:模型与算法——练习题

第一周 人工智能概述

1如果一个问题或者任务不可计算,那么对这个问题或任务的描述哪一句是正确的(    )

  • A.该问题或任务所需计算时间是非线性增加的

  • B.无法将该问题或任务所需数据一次性装入内存进行计算

  • C.图灵机不可停机

  • D.该问题或任务所需计算时间是线性增加的

2下面哪一句话准确描述了摩尔定律(    )

  • A.摩尔定律描述了计算机的计算速度每一年半增长一倍的规律

  • B.摩尔定律描述了互联网所链接节点随时间不断增长的规律

  • C.摩尔定律描述了计算机的体积大小随时间不断减少的规律

  • D.摩尔定律描述了计算机内存大小随时间不断增长的规律

3下面哪个方法于20世纪被提出来,用来描述对计算机智能水平进行测试(   )

  • A.费马定理

  • B.摩尔定律

  • C.图灵测试

  • D.香农定律

41955年,麦卡锡、明斯基、香农和诺切斯特四位学者首次提出“artificial intelligence(人工智能)”这个概念时,希望人工智能研究的主题是(    )

  • A.避免计算机控制人类

  • B.全力研究人类大脑

  • C.用计算机来模拟人类智能

  • D.人工智能伦理

5下面哪一句话是正确的 (    )

得分/总分

  • A.人工智能就是深度学习

  • B.人工智能就是机器学习

  • C.机器学习就是深度学习

  • D.深度学习是一种机器学习的方法

6以逻辑规则为核心的逻辑推理、以数据驱动为核心的机器学习和以问题引导为核心的强化学习是三种人工智能的方法,下面哪一句话的描述是不正确的(   )

  • A.以逻辑规则为核心的逻辑推理方法解释性强

  • B.目前以数据驱动为核心的机器学习方法可从任意大数据(无论数据是具备标签还是不具备标签)中来学习数据模式,完成给定任务

  • C.强化学习的基本特征是智能体与环境不断进行交互,在交互过程不断学习来完成特定任务

  • D.目前以数据驱动为核心的机器学习方法需要从具有标签的大数据中来学习数据模式,完成给定任务

7下面对人类智能和机器智能的描述哪一句是不正确的(    )

  • A.人类智能能够自我学习,机器智能大多是依靠数据和规则驱动

  • B.人类智能具备直觉和顿悟能力,机器智能很难具备这样的能力

  • C.人类智能具有自适应特点,机器智能则大多是“依葫芦画瓢”

  • D.人类智能和机器智能均具备常识,因此能够进行常识性推理

8下面哪句话描述了现有深度学习这一种人工智能方法的特点(   )

  • A.大数据,大任务

  • B.小数据,大任务

  • C.小数据,小任务

  • D.大数据,小任务

9、20世纪30年代,围绕可计算这一重要思想,一些模型被提出。下述哪个模型不是于这个时期在可计算思想推动下产生的(   )

  • A.lambda 演算 

  • B.冯诺依曼模型

  • C.图灵机

  • D.原始递归函数

10德国著名数学家希尔伯特在1900年举办的国际数学家大会中所提出的“算术公理的相容性 (the compatibility of the arithmetical axioms)”这一问题推动了可计算思想研究的深入。在希尔伯特所提出的这个问题中,一个算术公理系统是相容的需要满足三个特点。下面哪个描述不属于这三个特点之一(   )

  • A.完备性,即所有能够从该形式化系统推导出来的命题,都可以从这个形式化系统推导出来。

  • B.可判定性,即算法在有限步内判定命题的真伪

  • C.复杂性,即算法性能与输入数据大小相关

  • D.一致性,即一个命题不可能同时为真或为假

第七章

1下面对逻辑斯蒂回归(logistic regression)描述不正确的是(  )

  • A.逻辑斯蒂回归是一种非线性回归模型

  • B.在逻辑斯蒂回归中,输入数据特征加权累加值在接近−∞或+∞附近时,模型输出的概率值变化很大

  • C.逻辑斯蒂回归中所使用Sigmoid函数的输出形式是概率输出

  • D.在逻辑斯蒂回归中,能够实现数据特征加权累加

2

逻辑斯蒂回归模型(logistic regression)属于(     )

  • A.监督学习   

  • B.无监督学习

  • C.以上都不是

  • D.半监督学习

3潜在语义分析属于(     )

  • A.以上都不是

  • B.无监督学习

  • C.监督学习   

  • D.半监督学习

4线性区别分析属于(     )

  • A.无监督学习

  • B.以上都不是

  • C.半监督学习

  • D.监督学习   

5逻辑斯蒂回归函数也可被称为(     )

  • A.最大似然估计回归模型

  • B.最大后验估计回归模型

  • C.交叉熵回归模型

  • D.对数几率回归(log-odds regression)     

6在隐性语义分析中,给定M个单词和N个文档所构成的单词-文档矩阵(term-document)矩阵,对其进行分解,将单词或文档映射到一个R维的隐性空间。下面描述不正确的是(    )

  • A.这一映射过程中需要利用文档的类别信息

  • B.通过矩阵分解可重建原始单词-文档矩阵,所得到的重建矩阵结果比原始单词-文档矩阵更好捕获了单词-单词、单词-文档、文档-文档之间的隐性关系

  • C.隐性空间维度的大小由分解过程中所得对角矩阵中对角线上不为零的系数个数所决定

  • D. 单词和文档映射到R维隐性空间后,单词和文档具有相同的维度

7线性区别分析(linear discriminant analysis, LDA)在进行数据降维时,原始高维数据被映射到低维空间中后需要达到的优化的目标是(    )

  • A.只要保证不同类别样本尽可能彼此远离

  • B.既要保证不同类别样本尽可能靠近,也要保证同一类别样本尽可能彼此远离

  • C.只要保证同一类别样本尽可能靠近  

  • D.既要保证同一类别样本尽可能靠近,也要保证不同类别样本尽可能彼此远离

8LDA(线性区别分析)与PCA(主成分分析)均是降维的方法,下面描述不正确的是(   )

  • A.LDA降维后所得到维度是与数据样本的类别个数K有关(与数据本身维度无关)

  • B.PCA对高维数据降维后的维数是与原始数据特征维度相关(与数据类别标签无关)

  • C.假设原始数据一共有K个类别,那么LDA所得数据的降维维度小于或等于K−1

  • D.PCA和LDA均是基于监督学习的降维方法

9下面对逻辑斯蒂回归(logistic regression)和多项逻辑斯蒂回归模型(multi-nominal logistic model)描述不正确的是(    )

  • A.多项逻辑斯蒂回归模型也被称为softmax函数

  • B.逻辑斯帝回归是监督学习,多项逻辑斯蒂回归模型是非监督学习

  • C.两者都是监督学习的方法

  • D.两者都可被用来完成多类分类任务

10逻辑斯蒂回归和线性区别分析均可完成分类任务,下面描述正确的是(   )

  • A.逻辑斯蒂回归和线性区别分析都是直接在数据原始空间进行分类

  • B.逻辑斯蒂回归在降维所得空间中进行分类,线性区别分析在数据原始空间进行分类

  • C.以上都不正确

  • D.逻辑斯蒂回归可直接在数据原始空间进行分类,线性区别分析需要在降维所得空间中进行分类

第八章

1

在神经网络学习中,每个神经元会完成若干功能,下面哪个功能不是神经元所能够完成的功能(   ) 

  • A.向前序相邻神经元反馈加权累加信息

  • B.对加权累加信息进行非线性变化(通过激活函数)

  • C.将加权累加信息向后续相邻神经元传递

  • D.对前序相邻神经元所传递信息进行加权累加

2下面对前馈神经网络描述不正确的是(     ) 

  • 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

3下面对感知机网络(Perceptron Networks)描述不正确的是(    )

  • A.感知机网络是一种特殊的前馈神经网络

  • B.感知机网络不能拟合复杂数据

  • C.感知机网络具有一层隐藏层

  • D.感知机网络没有隐藏层

4下面对梯度下降方法描述不正确的是(    )

  • A.梯度下降算法是一种使得损失函数最小化的方法

  • B.梯度方向是函数值下降最快方向

  • C.梯度下降算法用来优化深度学习模型的参数

  • D.梯度反方向是函数值下降最快方向

5下面对误差反向传播  (error back propagation, BP)描述不正确的是(  )

  • A.在BP算法中,每个神经元单元可包含不可偏导的映射函数

  • B.BP算法将误差从后向前传递,获得各层单元所产生误差,进而依据这个误差来让各层单元修正各单元参数

  • C.BP算法是一种将输出层误差反向传播给隐藏层进行参数更新的方法

  • D.对前馈神经网络而言,BP算法可调整相邻层神经元之间的连接权重大小

6我们可以将深度学习看成一种端到端的学习方法,这里的端到端指的是(     )

  • A.输入端-输出端 

  • B.输入端-中间端

  • C.输出端-中间端

  • D.中间端-中间端

7在前馈神经网络中,误差后向传播(BP算法)将误差从输出端向输入端进行传输的过程中,算法会调整前馈神经网络的什么参数(    )

  • A.输入数据大小 

  • B.相邻层神经元和神经元之间的连接权重

  • C.神经元和神经元之间连接有无

  • D.同一层神经元之间的连接权重

8前馈神经网络通过误差后向传播(BP算法)进行参数学习,这是一种(    )机器学习手段

  • A.监督学习

  • B.半监督学习

  • C.无监督学习

  • D.无监督学习和监督学习的结合

9下面对前馈神经网络这种深度学习方法描述不正确的是(  )

  • A.实现了非线性映射

  • B.是一种端到端学习的方法

  • C.隐藏层数目大小对学习性能影响不大

  • D.是一种监督学习的方法

10下面对浅层学习和深度学习描述不正确的是(    )

  • A.K-means聚类是一种浅层学习方法

  • B.浅层学习仅能实现线性映射、深度学习可以实现非线性映射

  • C.线性回归分析是一种浅层学习方法

  • D.包含了若干隐藏层的前馈神经网络是一种深度学习方法

第九章

1卷积操作是卷积神经网络所具备的一个重要功能,对一幅图像进行高斯卷积操作的作用是(    ) 

  • A.对图像进行平滑(模糊化)

  • B.对图像进行分类

  • C.对图像进行裁剪

  • D.对图像进行增强

2对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中,通过误差后向传播来优化调整网络参数,请问下面哪个参数不是通过误差后向传播来优化的(     )

  • A.卷积滤波矩阵中的参数

  • B.激活函数中的参数

  • C.模型的隐藏层数目

  • D.全连接层的链接权重

3下面哪个作用是池化(pooling)层所完成的(    )

  • A.下采样

  • B.图像增强

  • C.上采样

  • D.图像裁剪

4假设我们需要训练一个卷积神经网络,来完成500种概念的图像分类。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.500

  • B.1

  • C.100

  • D.300

5下面对Word2Vec描述不正确的是(    )

  • A.可以利用某个单词来分别预测该单词的上下文单词,从而训练得到词向量模型

  • B.词向量是一种one-hot的单词表达形式

  • C.可以根据某个单词的上下文单词来预测该单词,从而训练得到词向量模型

  • D.词向量是一种分布式的单词表达形式

6前馈神经网络和卷积神经网络的模型学习均是通过误差后向传播来优化模型参数,因此是一种监督学习方法。

  • A.错

  • B.对

7一般而言,在深度学习模型中,层数越多,其完成的非线性映射就越复杂,因此模型就具有更强的学习能力。

  • A.错

  • B.对

8与one-hot的单词表达不同,在词向量模型中,单词和单词之间的共现关系被忽略了。

  • A.错

  • B.对

9卷积神经网络一般包括卷积层、池化层、全连接层,一般激活函数在卷积层后进行使用。

  • A.错

  • B.对

10在使用卷积神经网络对图像分类中,一般将最后一层全连接层(即与输出层相连的全连接层)的输出作为每幅图像的特征表达。

  • A.对

  • B.错

第十章

1下面对强化学习、监督学习和深度卷积神经网络学习的描述正确的是(   )

  • A.评估学习方式、端到端学习方式、端到端学习方式 

  • B.有标注信息学习方式、端到端学习方式、端到端学习方式 

  • C.无标注学习、有标注信息学习方式、端到端学习方式

  • D.评估学习方式、有标注信息学习方式、端到端学习方式 

2在强化学习中,通过哪两个步骤的迭代,来学习得到最佳策略(    )

  • A.动态规划与Q-Learning

  • B.价值函数计算与动作-价值函数计算 

  • C.策略优化与策略评估

  • D.Q-learning 与 贪心策略优化

3在强化学习中,哪个机制的引入使得强化学习具备了在利用与探索中寻求平衡的能力(    ) 

  • A.贪心策略

  • B.Bellman方程

  • C.动态规划

  • D.蒙特卡洛采样

4深度强化学习是深度学习与强化学习的结合。在深度强化学习中,神经网络被用来进行哪个函数的学习?

  • A.Bellman方程

  • B.贪心策略函数

  • C.q函数

  • D.蒙特卡洛采样函数

5与马尔可夫奖励过程相比,马尔可夫决策过程引入了哪一个新的元素(    )?

  • A.概率转移矩阵

  • B.终止状态

  • C.动作

  • D.反馈

6在本课程内容范围内,“在状态s,按照某个策略行动后在未来所获得反馈值的期望”,这句话描述了状态s的(   )

  • A.策略优化

  • B.价值函数

  • C.动作-价值函数

  • D.采样函数

7在本课程内容范围内,“在状态s,按照某个策略采取动作a后在未来所获得反馈值的期望”,这句话描述了状态s的(   )

  • A.动作-价值函数

  • B.采样函数

  • C.价值函数

  • D.策略优化

8下面哪句话正确描述了马尔科夫链中定义的马尔可夫性(    )

  • A.t+1时刻状态和t时刻状态相互独立

  • B.t+1时刻状态取决于t时刻状态

  • C.t+2时刻状态取决于t时刻状态

  • D.t-1时刻状态取决于t+1时刻状态

9下面对强化学习、有监督学习和无监督学习描述正确的是(    )

  • A.都需要标注数据

  • B.都是人工智能的学习算法

  • C.都不需要标注信息

  • D.都是深度学习的学习算法

10下面哪一种方法不是通过迭代计算贝尔曼方程来进行策略评估(    )

  • A.深度学习

  • B.动态规划

  • C.时序差分(Temporal Difference)

  • D.蒙特卡洛采样

第十一章

1标志着现代博弈理论的初步形成的事件是(    )

  • A.纳什均衡思想的提出

  • B.1944年冯·诺伊曼与奥斯卡·摩根斯特恩合著《博弈论与经济行为》的出版

  • C.囚徒困境思想的提出

  • D.冯·诺伊曼计算机的实现

2下面对博弈研究分类不正确的是(   )

  • A.合作博弈与非合作博弈

  • B.静态博弈与动态博弈

  • C.完全信息博弈与不完全信息博弈

  • D.囚徒困境与纳什均衡

3囚徒困境是一种(   )

  • A.纳什均衡

  • B.动态博弈

  • C.最优解

  • D合作博弈

4下面对纳什均衡描述正确的是(   )

  • A.在一个策略组合上,当所有其他人都改变策略时,也无法破坏先前的博弈平衡,则该策略组合就是一个纳什均衡。

  • B.参与者所作出的这样一种策略组合,在该策略组合上,有且只有1个参与者改变策略后,其收益会增加。

  • C.参与者所作出的这样一种策略组合,在该策略组合上,有且只有1个参与者改变策略后,其不会得到好处。

  • D.参与者所作出的这样一种策略组合,在该策略组合上,任何参与者单独改变策略都不会得到好处。

5下面对混合策略纳什均衡描述正确的是(    )

  • A.博弈过程中,博弈方通过概率形式随机从可选策略中选择一个策略而达到的纳什均衡被称为混合策略纳什均衡。

  • B.博弈过程中,博弈方以概率形式随机从可选收益中选择一个收益,而达到的纳什均衡被称为混合策略纳什均衡。

  • C.博弈过程中,博弈方以非概率形式随机从可选收益中选择一个收益,而达到的纳什均衡被称为混合策略纳什均衡。

  • D.博弈过程中,博弈方通过非概率形式随机从可选策略中选择一个策略而达到的纳什均衡被称为混合策略纳什均衡。

6最佳反应策略和纳什均衡之间的关系是(   )

  • A.每个玩家的策略相对于其他玩家的策略而言不少于一个是最佳反应策略,那么策略组就是一个纳什均衡策略。

  • B.如果每个玩家的策略相对于其他玩家的策略而言都是最佳反应策略,那么策略组就是一个纳什均衡策略。

  • C.如果每个玩家的策略相对于其他玩家的策略中至少有一个是最佳反应策略,那么策略组就是一个纳什均衡策略。

  • D.至少一个玩家的策略相对于其他玩家的策略而言都是最佳反应策略,那么策略组就是一个纳什均衡策略。

7ε-纳什均衡与纳什均衡的关系是( )

  • A.纳什均衡和ε-纳什均衡均是最优解

  • B.纳什均衡不是ε-纳什均衡

  • C.ε-纳什均衡是纳什均衡

  • D.纳什均衡是ε-纳什均衡

8在遗憾最小化算法中,玩家i按照如下方法来计算其在每一轮产生的悔恨值(   )

  • A.所有玩家策略均改变,所产生的收益之差。

  • B.至少改变1个以上玩家的策略, 所产生的收益之差。

  • C.其他玩家策略不变,只改变玩家i的策略后,所产生的收益之差。

  • D.每个玩家策略不变,只改变收益函数,所产生的收益之差。

9下面对生成对抗网络(Generative Adversarial Network)描述不正确的是(    )

  • A.生成网络和判别网络分别依次迭代优化。

  • B.GAN包含生成网络和判别网络两个网络。

  • C.GAN是一种生成学习模型。

  • D.GAN是一种区别学习模型。

10在生成对抗网络(Generative Adversarial Network)中,生成网络和判别网络的功能分别是(    )

  • A.学习真实数据的分布/区别真实数据与合成的虚假数据

  • B.区别真实数据与合成的虚假数据/学习真实数据的分布 

  • C.学习真实数据的标签分布/区别真实数据与合成的虚假数据 

  • D. 区别真实数据与合成的虚假数据/学习真实数据的标签分布

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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