医疗系统计算机基础考试试题,2019山东医疗卫生考试公共基础知识:计算机常识试题练习与解析...

本文聚焦山东医疗卫生考试中公共基础知识的计算机常识部分,提供2019年的试题练习和解析,涵盖格式刷操作、存储容量单位、Excel显示问题、输出设备辨识、软件系统构成及文件选择技巧等内容,助你备考更高效。
摘要由CSDN通过智能技术生成

公共基础知识是山东卫生事业单位考试中的重要部分,本文整理2019山东医疗卫生考试公共基础知识:计算机常识试题练习与解析,不少地区都在笔试当中安排了公基的考核。由于公共基础知识涉及的知识面非常广,所以山东医疗卫生考试网特地为考生总结了很多相关知识点,方便大家记忆,希望能帮助大家提高复习效率。

在公考中,常识是必考查的一部分,其中科技常识题目出错率较高,因此建议各位考生要注重日常积累,同时也要多加练习以拓宽知识面。下面针对计算机常识部分,我们来抓紧学习吧。

1.在WORD编辑状态下,格式刷可以复制( )。

A.段落的格式和内容 B.段落和文字的格式

C.文字的格式和内容 D.段落和文字的格式和内容

2. 下列那个选项是计算机存储容量的基本单位( )。

A.位   B.字节   C.字  D.双字

3. 在Excel工作表的单元格中计算一组数据后出现########,这是由于( )所致。

A.单元格显示宽度不够 B.计算数据出错

C.计算机公式出错 D.数据格式出错

4.在计算机设备中,属于输出设备的是( )。

A.显示器 B.键盘 C.鼠标 D.手字板

5. 计算机软件系统应包括( )。

A.管理软件和连接程序 B.数据库软件和编译软件

C.程序和数据 D.系统软件和应用软件

6.在资源管理器中要同时选定不相邻的多个文件,使用( )键。

A.Shift B.Ctrl C.Alt D.F8

1.【答案】B。解析:格式刷顾名思义就是调整格式的“刷子”,通过用格式刷复制同一段文字,可快速将相同的格式延用到其他段落或文本上。故本题答案为B。

2.【答案】B。解析:计算机基本的存储单位为字节B,存储单位按照从小到大的顺序依次为B,KB,MB,GB,T;其中每一级的换算为1024倍。这里需要注意的是最小的存储单位是bit,并不是字节B,8b=1B。故本题答案为B。

3.【答案】A。解析:当单元格宽度显示不够时,表格信息会显示为####,这时调整宽度或者自动换行可以显示出具体内容。故本题答案为A。

4.【答案】A。解析:输出设备是指将计算机信息或者数据以数字、符号、图像、音频等形式体现出来,如显示器、音响、打印机等;出入设备是向计算机输入数据和信息;常见的有鼠标、键盘、手写板、摄像头、扫描仪、语音输入设备等;故在本题中显示器属于输出设备,BCD三项都属于输入设备。故本题答案为A。

5.【答案】D。解析:计算机软件系统分为系统软件和应用软件两大类。应用软件包括应用软件包和应用程序。系统软件包括操作系统、以及各种工具软件;编译软件、连接程序和管理软件属于系统软件的范围;数据库软件包括数据库管理系统和数据库应用系统,属于系统软件;C项中程序和数据可以归类于系统软件,也可以归类于应用软件。故本题答案为D。

6.【答案】B。解析:选出不相邻的多个文件需要按快捷键ctrl而后单击,选择连续的多个文件按快捷键shift之后单击即可。故本题答案为B。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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