機器學習與深度學習知到智慧樹章節(jié)測試課后答案2024年秋聊城大學

機器學習與深度學習知到智慧樹章節(jié)測試課后答案2024年秋聊城大學第一章單元測試

下列哪些不屬于機器學習領域的常見方法？（）

A:混合學習B:監(jiān)督學習C:強化學習D:非監(jiān)督學習

答案:混合學習人工智能是在20世紀（）年代開始步入完善的。

A:60B:50C:80D:70

答案:70深度神經網絡是一種（）神經網絡。

A:全聯(lián)接B:深化C:可選擇D:卷積

答案:全聯(lián)接卷積神經網絡由卷積、（）、全連接層構成。（）。

A:池化層B:全聯(lián)接C:損失函數(shù)D:激活函數(shù)

答案:池化層半監(jiān)督學習是監(jiān)督學習和非監(jiān)督學習的結合。（）

A:錯B:對

答案:對

第二章單元測試

k近鄰算法是指k個最近的鄰居及每個樣本都可以與他最近的()來代表（）

A:數(shù)值B:參數(shù)C:K個鄰居D:近鄰

答案:K個鄰居knn算法是基于實例的學習，屬于（）模型（）。

A:監(jiān)督學習B:非參數(shù)C:統(tǒng)計D:深度學習

答案:非參數(shù)線性回歸算法主要用來預測（）型的目標值。（）。

A:離散B:數(shù)值C:參數(shù)D:連續(xù)

答案:數(shù)值邏輯回歸是當前比較常用的機器方法，用于研究某個事件發(fā)生的（）。

A:函數(shù)B:頻次C:概率D:權重

答案:概率利用線性回歸可以對任意輸入給出對應輸出的估計。（）

A:對B:錯

答案:對

第三章單元測試

貝葉斯學習貝葉斯的方法的本質是以理解為從結果推到（）。

A:數(shù)據(jù)B:原因C:數(shù)值D:評價

答案:原因以下屬于參數(shù)估計后驗推理模型的是（）。

A:統(tǒng)計模型B:貝葉斯模型C:深度學習模型D:參數(shù)模型

答案:統(tǒng)計模型貝葉斯的缺點是輸入（）或數(shù)據(jù)間相關性較大時會出現(xiàn)問題（）。

A:數(shù)據(jù)量大B:數(shù)據(jù)量小C:參數(shù)數(shù)多D:參數(shù)數(shù)少

答案:數(shù)據(jù)量大樸素貝葉斯簡單假設是所有特征屬性之間相互（）。

A:獨立B:關聯(lián)C:有因果關系D:有線性關系

答案:獨立貝葉斯網絡描述了特征屬性間的因果的關系，提供了一種基于因果信息的表示方法。（）

A:錯B:對

答案:對

第四章單元測試

決策樹是一個（）階段的過程。（）

A:4B:2C:3D:1

答案:2決策樹學習的關鍵是如何選擇（）。

A:最優(yōu)屬性B:葉子結點數(shù)C:參數(shù)D:根結點位置

答案:最優(yōu)屬性決策樹的生成過程中沒有考慮停止條件，所得到的生成數(shù)可能會非常大，對訓練級來說可能存在（）。

A:過擬合B:空間過載C:內存過載D:提前終止

答案:過擬合決策數(shù)使用（）系數(shù)來劃分屬性（）。

A:非參B:線性C:基尼D:獨立

答案:基尼決策樹是一個數(shù)值預測模型。（）

A:對B:錯

答案:錯

第五章單元測試

支持向量機的理論中最基礎最核心的當屬（）。

A:間隔最大B:向量最大C:梯度下降D:因果測試

答案:間隔最大支持向量機以統(tǒng)計學習理論為基礎，主要針對（）情況。

A:分散數(shù)據(jù)B:小樣本C:大數(shù)據(jù)D:大樣本

答案:小樣本在特征提取方面，（）準則旨在訓練階段拉近同類樣本，同時拉遠一類樣本（）。

A:分類B:提前終止C:最大邊界D:全樣本訓練

答案:最大邊界以下不屬于支持向量機訓練速度慢的原因（）。

A:樣本量大B:維度轉化耗占內存C:轉換方法D:過擬合

答案:過擬合支持向量機的原理是將低維數(shù)據(jù)升維（）。

A:對B:錯

答案:對

第六章單元測試

如果存在一個算法，可能以很高的準確率學習得到某個概念，則稱這個概念（）。

A:強可學習B:集成學習C:高準確學習D:合成算法

答案:強可學習集成學習是（）弱可學習器，形成一個強可學習器。（）。

A:串聯(lián)B:整合C:并聯(lián)D:集成

答案:整合（）個體學習器是所構建的所有個體學習器都是同一類型的學習器（）。

A:所有B:依賴C:同時D:同質

答案:同質集成學習的思想是（）。

A:多維數(shù)據(jù)分析B:取最高成功概率C:人多力量大D:三個臭皮匠賽過諸葛亮

答案:三個臭皮匠賽過諸葛亮結合策略主要是平均法、投票法以及學習法（）。

A:對B:錯

答案:對

第七章單元測試

聚類分析是將數(shù)據(jù)對象分組內的（）越大，聚類的效果就越好。（）

A:差異B:數(shù)值C:相似性D:平方和

答案:相似性最常用的聚類算法是（）算法。（）。

A:AdabostingB:K-MeansC:DBSCAND:K-medio

答案:K-Means()試圖在不同層次對數(shù)據(jù)集進行劃分。（）。

A:時空聚類B:密度聚類C:層次聚類D:均值聚類

答案:層次聚類時間復雜度最高的聚類方法是（）。

A:K-MeansB:DBSCANC:層次聚類D:模型聚類

答案:DBSCAN層次聚類可以是自上而下的（）。

A:錯B:對

答案:對

第八章單元測試

神經網絡中基本組成的單元是（）。

A:單細胞B:樹凸模型C:激活模型D:神經元

答案:神經元使用激活函數(shù)的主要目的是給神經元引入（）。

A:彈性機制B:線性回歸C:自適應D:非線性

答案:非線性()只沿一個方向進行。（）。

A:反饋神經網絡B:激活函數(shù)C:感知機D:前饋神經網絡

答案:前饋神經網絡反向傳播更新的是（）。

A:激活函數(shù)數(shù)量B:權重C:激活函數(shù)種類D:神經元數(shù)量

答案:權重前饋神經網絡是一種最簡單的神經網絡，每層包含若干神經元，這些神經元互相連接并傳遞信息。（）。

A:錯B:對

答案:錯

第九章單元測試

卷積是一個數(shù)學概念，是通過兩個函數(shù)生成（）的一種運算。（）

A:第三個函數(shù)B:多個函數(shù)C:網絡模型D:非參數(shù)模型

答案:第三個函數(shù)卷積的作用可以看作是一種局部操作，通過卷積核可以獲得原始數(shù)據(jù)的（）。

A:局部特征B:函數(shù)特征C:全局特征D:線性特征

答案:局部特征（）是利用局部相關的特征采樣較少的數(shù)據(jù)來保持原有重要信息的一種操作。

A:歸一化B:池化C:反向傳播D:激活函數(shù)

答案:池化（）函數(shù)的作用是衡量樣本真實值和預測值之間的誤差。

A:損失B:池化C:神經元D:激活

答案:損失卷積神經網絡常用于數(shù)值型數(shù)據(jù)的分類。（）

A:錯B:對

答案:錯

第十章單元測試

訓練樣本的輸入和輸出不是比較確定的，我們使用什么網絡來訓練？（）

A:循環(huán)B:卷積C:感知機D:深度

答案:循環(huán)長短時記憶網絡最有特點的門是（）。

A:輸出門B:遺忘門C:記憶門D:輸入門

答案:遺忘門序列數(shù)據(jù)常用循環(huán)神經網絡來訓練（）。

A:錯B:對

答案:對長短時記憶網絡，可以避免梯度消失的問題。（）。

A:對B:錯

答案:對門循環(huán)神經網絡常用于圖片的分類。（）。

A:對B:錯

答案:錯

第十一章單元測試

生成對抗網絡的核心思想是來源于博弈論的（）。

A:T檢驗B:分布函數(shù)C:假設檢驗D:納什均衡

答案:納什均衡以