同济大学
- 减少错误的剪枝在修剪有害时停止修剪。（ ）
- 我们一般用最小生成树算法来鉴定细胞类型。（ ）
- 最近邻算法可以用于回归任务。（ ）
- 在异常值检测中，对于不符合高斯分布的特征，我们需要将其转化为高斯分布。（ ）
- single-cell RNA-seq数据具有高离散性的特点。（ ）
- 朴素贝叶斯对缺失值比较敏感，使用时必须对特征进行缺失补齐。（ ）
- 决策树可以处理数据集中有噪声的情况。（ ）
基于内容的推荐系统的目标是，找到一个参数
，使得收益函数的收益总和达到最大。（ ）- 利用患者的年龄、身高、体重和体温来预测药物的治疗效果，并使用回归模型进行学习，则该回归模型属于多元回归模型。（ ）
- 偏差-方差分解可以用来判断模型是否过拟合。( )
- Boosting集成倾向于减少偏差。（ ）
- 线性SVM模型不需要交叉验证进行参数的最优选择。（ ）
- 最近邻算法也需要训练过程。（ ）
- 随机森林模型对于特征较多且包含不相关特征的场景仍然适用。（ ）
- 最近邻算法根据k个最近邻的样本标签来决定待分类样本的标签时存在很多不同的策略（ ）。
- 核函数是一个相似度函数。（ ）
- 在进行肿瘤预测时，0表示良性，1表示恶性，阈值为0.5。为提升召回率，可以将阈值下调至0.1。（ ）
- 决策树易于过拟合。（ ）
- 分类错误的样本数占样本总数的比例称为“错误率”。( )
- 将正则化引入到模型中，总是能在训练集上获得更好的性能。（ ）
- 没办法使用精确度来衡量聚类分析的好坏。（ ）
- 熵是一种用来描述物体混乱程度和不确定性的度量，可以用来量化属性的纯度。（ ）
- 我们应该选择熵减最小的属性作为目前节点的划分属性。（ ）
- 当模型太大时我们可以采用数据并行的方法。（ ）
- 在真实的问题中，需要检查数据是否线性可分，然后如果不可分的话，再加入松弛变量。（ ）
- 分类评估指标中的AUC，以下说法正确的是（ ）
- 以下哪些是SVM的应用（ ）。
- 以下针对RNN的说法，哪些是正确的（ ）。
- 下列哪些是朴素贝叶斯的优点（ ）。
- 机器学习模型都是从经验中Experience学习任务Task。假设我们已有肿瘤病人的转录组信息。则以下哪些是合理的学习任务？（ ）
- 以下属于深度学习模型的是（ ）。
- 以下哪些应用案例属于药物重定位的（ ）。
- 决策树用来处理以下哪些场景（ ）。
- 以下哪些原因优先选择SVM而不选择传统神经网络（ ）。
- 以下哪些方法可以降低过拟合（ ）
- 以下对于single-cell RNA-seq数据分析描述正确的有（ ）。
- 已知在所有男子中有5%是色盲，在所有女子中有0.25%是色盲，随机抽一个人人发现患色盲症，问其是男子的概率是多少（ ）。
- 以下说法正确的是（ ）
- 某人向靶心重复独立的射击了4次，每次命中目标的概率为0.7，则此人能命中两次的概率（ ）
- 对于2分类问题，如果你要训练SVM模型使用一对多方法，则需要训练多少次模型（ ）。
- 逻辑回归拟合的函数是（ ）
- 下列有关机器学习的说法，正确的是（ ）
- Inception中的1*1卷积的作用是（ ）。
- 相较于小批量梯度下降法，批量梯度下降法在实际中难以应用是因为（ ）。
- 若随机变量X，Y都服从标准正态分布，则X+Y服从（ ）
- 假设把癌症病人判为正常人的误判损失是100，把正常人判为癌症病人的误判损失是10，把感冒病人判为癌症的误判损失是8，即L（正常|癌症） = 100， L（癌症|正常） = 10，L(癌症|感冒) = 8， 现在，我们经过计算知道有一个来体检的员工的后验概率分别为：p(正常|各项指标) = 0.2， p(感冒|各项指标) = 0.4, p（ 癌症|各项指标)=0.4。将这个员工判为癌症的条件风险为 （ ）。
- 假设有一个二分类问题，数据量比每一个样本的特征要少，则以下哪一个核函数更加适用SVM（ ）。
- 一个硬币，投掷10次，7次正面，3次反面，则最大似然估计此硬币扔一次，正面的概率是多少（ ）。
- 聚类分析算法在什么时候停止？（ ）
- 召回率(Recall)如何计算（ ）
A:错 B:对
答案:对
A:对 B:错
答案:错
A:错 B:对
答案:对
A:对 B:错
答案:对
A:对 B:错
答案:对
A:对 B:错
答案:错
A:对 B:错
答案:A:对
A:对 B:错
答案:错
A:错 B:对
答案:对
A:错 B:对
A:错 B:对
A:对 B:错
A:错 B:对
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:错 B:对
A:对 B:错
A:错 B:对
A:对 B:错
A:错 B:对
A:对 B:错
A:对 B:错
A:0.5＜ AUC＜1，表示分类器优于随机猜测
B:AUC=1，表示分类器是完美的
C:AUC＜0.5，表示分类器不可用
D:AUC=0.5，表示分类器是可用的
A:文本与超文本分类
B:癌症预后预测
C:图像分类
A:LSTM是RNN的一种，可以记住更远的输入数据
B:RNN高度并行化
C:RNN速度相较于CNN更快
D:RNN可以处理时效数据
A:有稳定的分类效率
B:速度快，时空开销小
C:对小规模数据表现良好
D:对数据缺失不敏感
A:预测肿瘤分期（肿瘤的恶性程度）
B:预测肿瘤病人的身高
C:预测肿瘤病人的存活率
A:Linear Regression
B:RNN
C:CNN
D:SVM
A:PD-1抗体药物治疗癌症
B:齐多夫定治疗艾滋病
C:西地那非治疗勃起功能障碍
D:奥斯维他治疗流感
A:小分子生成
B:医疗诊断
C:信用风险分析
D:图像分类
A:SVM可以有效地将数据映射到无限维空间而神经网络不能
B:SVM比神经网络更容易解释
C:SVM能自动选择输入空间的非线性转换而神经网络不行
D:SVM不会卡在局部最优，而神经网络会发生
A:增加特征数量
B:正则化
C:减少模型复杂度
D:增加训练数据量
A:该数据类型的一个重要分析任务是细胞类型鉴定
B:样本误差
C:该数据类型相比bulk RNA-seq可以观测到细胞类型异质性信息
D:交叉验证
E:最小生成树算法可用于该数据类型推断拟时间轨迹.真实误差
F:95%置信区间
G:该数据类型具有稳定性的特点
A:5%
B:0.25%
C:50%
D:95%
A:回归问题中label是离散的
B:分类问题中label是连续的
C:回归问题的评价指标中有召回率
D:分类问题的评价指标中有召回率
A:0.21
B:0.09
C:0.2646
D:0.49
A:2
B:4
C:1
D:3
A:tanh
B:sigmoid
C:softmax
D:relu
A:机器学习可以分析超大型数据
B:机器学习无法处理图像数据
C:机器学习是一种通过智能学习而不断优化的一种学习模式
D:机器学习包含人工智能
A:有效提高模型性能
B:降维，降低模型参数量
C:使模型更“宽”
D:对齐尺寸
A:算法稳定性不够
B:占用内存过大
C:实现过于困难
D:需要数据量更大
A:B(2,0)
B:N(0,2)
C:N(2,0)
D:B(0,2)
A:5.2
B:24
C:3.2
D:27.2
A:二次核函数
B:径向基核函数
C:高次多项式核函数
D:线性核函数
A:0.7
B:无法计算
C:0.3
D:0.5
A:重复十次迭代以后
B:使得组间距离达到最大的时候
C:中心点不再变多的时候
D:组内距离最小的时候
A:TP⁄(TP+FP)
B:2*TP⁄(2*TP+FP+FN)
C:TP⁄(FP+FN)
D:TP⁄(TP+FN)
温馨提示支付 ￥5.00 元后可查看付费内容,请先翻页预览!
