mooc机器学习导论答案(慕课2023完整答案)

点击查看答案

第九周：深度学习（II）

第九周测试

1、机器卷积操作是学习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导论答案答案作用是（ ）
A、对图像进行增强
B、慕课对图像进行裁剪
C、完整对图像进行平滑（模糊化）
D、机器对图像进行分类

2、学习对完成特定任务的导论答案答案卷积神经网络训练采用的是监督学习方法。在这个过程中，慕课通过误差后向传播来优化调整网络参数，完整请问下面哪个参数不是机器通过误差后向传播来优化的（ ）
A、卷积滤波矩阵中的学习参数
B、全连接层的导论答案答案链接权重
C、激活函数中的慕课参数
D、模型的完整隐藏层数目

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、图像裁剪
D、上采样

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、1
B、500
C、300
D、100

5、下面对Word2Vec描述不正确的是（ ）
A、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
B、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
C、词向量是一种one-hot的单词表达形式
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。

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。

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。

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。

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。

第十一周：人工智能博弈

第11周测试

1、标志着现代博弈理论的初步形成的事件是（ ）
A、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
B、纳什均衡思想的提出
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、最优解
B、纳什均衡
C、合作博弈
D、动态博弈

4、下面对纳什均衡描述正确的是（ ）
A、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。
B、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。
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，有且只有1个参与者改变策略后，其收益会增加。

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。
C、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。
D、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。

6、最佳反应策略和纳什均衡之间的关系是（ ）
A、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。
B、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。
C、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。
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。

7、ε-纳什均衡与纳什均衡的关系是（ ）
A、ε-纳什均衡是纳什均衡
B、纳什均衡是ε-纳什均衡
C、纳什均衡不是ε-纳什均衡
D、纳什均衡和ε-纳什均衡均是最优解

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、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。
B、所有玩家策略均改变，所产生的收益之差。
C、至少改变1个以上玩家的策略， 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、GAN是一种生成学习模型。
B、GAN是一种区别学习模型。
C、GAN包含生成网络和判别网络两个网络。
D、生成网络和判别网络分别依次迭代优化。

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、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
C、区别真实数据与合成的虚假数据/学习真实数据的分布
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

学习通机器学习导论

机器学习是当今最热门的技术之一，在人工智能领域中发挥着极为重要的作用。在学习通机器学习导论课程中，学生可以了解机器学习的基础知识和应用场景。本文将对该课程进行详细介绍。

一、课程基本信息

学习通机器学习导论课程共分为五个部分，包括：

• 第一部分：机器学习简介
• 第二部分：监督学习
• 第三部分：无监督学习
• 第四部分：深度学习
• 第五部分：机器学习在实际应用中的应用

每个部分下面都会涵盖多个章节，通过大量的实例和编程练习来帮助学生掌握机器学习的基本概念和技术。

二、学习方式和内容

学习通机器学习导论采用视频课程和编程实践相结合的方式进行教学。在每个部分下面，都会有精心制作的视频课程，涵盖该部分下面的所有章节。在课程中，讲师会使用通俗易懂的语言介绍机器学习的基本概念、算法和应用场景。

此外，每个章节下面都会有相应的编程练习和实验，学生可以在实践中深入了解和掌握机器学习的相关技术。在编程实践中，学生可以使用Python编程语言和一些著名的机器学习库（如scikit-learn和TensorFlow）来实现各种机器学习算法。

三、学习收获

通过学习通机器学习导论，学生可以掌握如下技能：

1. 了解机器学习的基本概念和算法。
2. 掌握监督学习和无监督学习的原理和应用场景。
3. 了解深度学习的基本概念和应用。
4. 掌握Python编程语言和相关机器学习库的使用方法。
5. 学会在实际应用中使用机器学习技术。

学习通机器学习导论涵盖了机器学习的基本知识和应用，适合想要深入了解机器学习的学生和从事相关工作的专业人士。

四、总结

学习通机器学习导论是一门非常好的机器学习课程，通过该课程，学生可以掌握机器学习的基本概念、算法和应用场景，并且在实践中学会使用Python语言和相关机器学习库进行编程实现。希望更多的学生可以选修该课程，了解和掌握机器学习的基本技能。

机器学习是近年来非常热门的一个研究方向，它是人工智能的核心之一，涉及多个学科领域，如数学、计算机科学等。随着互联网的普及和数据爆炸式增长，机器学习已经成为实现大数据应用的重要手段之一。在中国，越来越多的大学开始开设机器学习相关课程，为培养高素质的人才贡献力量。

中国大学机器学习导论的目的

中国大学机器学习导论旨在介绍机器学习的基本概念和基础算法，并探讨如何应用机器学习来解决实际问题。通过本课程的学习，学生将会了解到：

• 机器学习的概念和应用背景
• 监督学习、无监督学习和强化学习等机器学习方法及其算法
• 机器学习在自然语言处理、计算机视觉、数据挖掘等领域的应用
• 如何使用Python等编程语言实现机器学习算法

此外，本课程还将引导学生学习最新的机器学习研究成果，深入探讨机器学习的发展趋势和应用前景。

中国大学机器学习导论的教学方式

中国大学机器学习导论采用理论教学与实践相结合的教学方式。具体来说，课程教学包括：

• 教师讲解机器学习的基本概念、算法原理和应用案例
• 上机实验，通过编写机器学习算法代码和对实验结果分析来帮助学生深入理解机器学习的原理和应用
• 小组讨论，分析机器学习在各种领域的应用和未来发展趋势
• 课程论文，要求学生撰写一篇机器学习相关的研究论文，既可以提高学生的科研能力，也可以促进他们对机器学习的深入理解

总之，通过上述教学方式，学生将全面了解机器学习的理论和实践，掌握应用机器学习来解决实际问题的技能和能力。

中国大学机器学习导论的重要性

中国大学机器学习导论的重要性不仅在于它为学生提供了一门前沿的学科知识，还在于它的应用性。在当今社会，互联网、物联网、人工智能等高科技领域发展迅猛，机器学习已经广泛应用于各个领域。因此，学习机器学习已经成为很多行业的必要条件。对于计算机、通信、金融、医疗等行业的从业者来说，学习机器学习已经成为提高专业技能和竞争力的必由之路。

此外，中国大学机器学习导论也为那些想要深入研究人工智能领域的科研工作者提供了一条捷径。在人工智能领域，机器学习是最具前景和实用价值的方向之一。有了机器学习的知识和实践经验，科研工作者可以更好地研究和应用人工智能技术，为推动人工智能的发展做出贡献。

结语

中国大学机器学习导论不仅是一门重要的课程，也是一门具有广泛应用和前景的学科。通过学习本课程，我们可以了解到机器学习的基本概念、基础算法以及应用案例，掌握使用机器学习解决实际问题的技能和能力。在未来的学习和工作中，我们应该不断深入学习机器学习的知识，为推动人工智能技术的发展做出自己的贡献。