1、下面關于vector representations for words描述正確的是？

A.?基于words總數N將每一個word映射到一個N維vector，即1-of-N Encoding

B.?同樣性質的word用相同的word class vector表示即word cluster

C.?每一個word映射到高維空間的dimension reduction?過程，即word embedding

D.?可以通過auto encoder隱藏層來表示

答案：A, B, C

難易程度：中

題型：多選題

?

2、下面關于word Embedding的實現方法描述正確的是：

A.?基于word-word在同一文檔共現次數與-word vector-word vector內積間的接近程度來尋找word vector即count based method

B.給定句子中詞匯的上文基于Neuro-Network預測詞匯下文的方法(第一層隱藏層作為輸入詞匯的word vector)，即prediction based methon

C.?給定上下文去預測詞匯，即continuous bag of word(CBOW) model

D.?給定一個詞匯，去預測該詞匯的上下文，即skip-gram

答案：A, B, C, D

難易程度：中

題型：多選題

?

3、下面關于Neighbor Embedding描述正確的是：

A.?保持數據點間的關系，對數據點的空間進行降維，即Locally linear embedding

B.?Locally linear embedding鄰居節點的個數不能過大或過小

C.?求解數據點間smooth程度矩陣的特征向量，即Laplacian Eigenmaps

D.?相近的點降維后仍接近，不相近的點降維后不接近，即T-distributed stochastic Neighbor Embedding(t-SNE)

答案：A, B, C, D

難易程度：中

題型：多選題

?

4、Pre-training指預先設定______初始的______。

答案：Neuro Network；參數；

難易程度：中

題型：填空題

?

5、下面有關auto encoder描述正確的是

A.?目標是使output data和input data?越接近越好

B.?隱藏層的維數是對input data維數的降維

C.?de-noising auto-encoder指output data?與加噪前的data越接近

D.?de-noising auto-encoder指output data?與加噪后的data越接近

答案：A,?C

難易程度：中

題型：多選題

?

6、下面關于anto-encoder for CNN描述正確的是

A.?輸入數據經過convolutional layer、max pooling layer反復特征提取再經過un-pooling layer、deconvolutional layer反變換直至恢復原始數據

B. un-pooling指依據最大特征值及相應位置恢復卷積層的輸出

C. deconvolutional transform等價于convolutional transform

D. deconvolutional transform不同于convolutional transform，是convolutional transform的反變換

答案：A, B,?C

難易程度：中

題型：多選題

?

7、變量服從均值為，方差為的高斯分布，即，則下面屬于混合高斯模型(Gaussian Mixture Model)的是：

A.?y1~N(5,1)+N(9,1)+N(14,2)

B.?y2~1/3*N(5,1)+N(9,1)+N(14,2)

C.?y3~0.9*N(5,1)+0.05*N(9,1)+0.05*N(14,2)

D.?y4~0.2*N(5,1)+0.3*N(9,1)+N(14,2)

答案：?C

難易程度：中

題型：單選題

?

8、下面關于KL散度(divergence)描述正確的是？

A.?指用一個分布如均勻分布或二項分布等擬合另一個觀察到的分布時，信息損失的度量

B.?KL散度越大，表達效果越差

C.?KL散度越大，表達效果越好

D.?

答案：A, B, D

難易程度：中

題型：多選題

?

總結

以上是生活随笔為你收集整理的机器学习与word的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。