生成式AI能力認證評測-AI基本概念 / 生成式AI能力認證評測, AI 測驗題庫, 測驗題庫, 資策會 / 作者: S學院 生成式AI能力認證評測-基礎概念模擬測驗,採智能選題,無限次反覆練習。 1. "因果推理"(Causal Inference)在AI中的重要性體現在: 理解因果關係 簡化模型結構 減少資源消耗 提高計算效率 None 2. 下列何者是機器學習的主要特點? 能從經驗中學習並改進 只能處理結構化資料 必須完全依賴人工編程 無法處理複雜問題 None 3. "無監督學習"的主要特點是: 自動發現數據模式 依賴人工指導 需要大量標記數據 運算成本高 None 4. "神經常微分方程"(Neural ODEs)在時間序列分析中的優勢是: 降低計算複雜度 連續時間建模 提高預測準確率 減少參數數量 None 5. 下列何者是深度學習發展的關鍵因素: 程式設計技術 儲存技術 大規模運算能力 網路頻寬 None 6. "神經常微分方程"在時間序列預測中的創新是: 建立連續時間動態模型 優化網路結構 提高預測準確率 降低計算複雜度 None 7. "稀疏學習"(Sparse Learning)在深度學習中的主要作用是: 增加學習速度 提高模型效率 改善模型穩定性 擴大記憶容量 None 8. "知識蒸餾"(Knowledge Distillation)技術的核心是: 資料壓縮 模型知識遷移 結構簡化 參數優化 None 9. "知識圖譜"主要用於: 語音識別 知識表示與推理 自然語言生成 圖像處理 None 10. "可解釋強化學習"(Explainable Reinforcement Learning)的重點是: 決策過程透明化 降低計算成本 提高學習效率 優化獎勵函數 None 11. "零樣本學習"的優勢在於: 減少存儲空間 簡化模型結構 提高計算效率 識別未見過的類別 None 12. "自注意力機制"最早應用於: Transformer模型 CNN模型 GAN模型 RNN模型 None 13. "神經結構化學習"(Neural Structured Learning)主要解決: 模型複雜度問題 結構化知識整合問題 資料存儲問題 計算效率問題 None 14. "可微分編程"(Differentiable Programming)的革新之處在於: 簡化程式結構 提高運行效率 降低記憶體使用 端到端優化能力 None 15. "神經圖形處理"(Neural Graphics Processing)的突破在於: 結合傳統圖形學與深度學習 降低計算成本 提高渲染速度 優化記憶體使用 None 16. "模型壓縮"(Model Compression)中的"量化感知訓練"指: 在訓練中考慮量化誤差 優化參數存儲 降低模型大小 提高運算速度 None 17. "語義分割"(Semantic Segmentation)中的"全卷積網路"主要解決: 密集預測問題 記憶體使用問題 運算效率問題 模型複雜度問題 None 18. "程式合成"(Program Synthesis)在AI中的應用主要是: 降低開發成本 自動生成程式碼 優化代碼效率 簡化程式結構 None 19. "元強化學習"中的"策略適應"指的是: 提高獎勵收益 快速調整策略參數 優化模型結構 降低訓練成本 None 20. "神經架構進化"(Neural Architecture Evolution)的特點是: 自動優化網路拓撲 簡化模型結構 降低訓練成本 提高運算效率 None 如有問題可留言,謝謝您的寶貴意見! 暱稱 電郵(提交獲得正確答案,可換題測驗完整題庫,新增題庫電郵通知) Time's up