iPAS AI應用規劃師(中級)科目3_ L23102 線性代數之機器學習基礎應用(1)

/ iPAS AI 應用規劃師, AI 測驗題庫, iPAS AI 中級, 測驗題庫 / 作者:

iPAS AI應用規劃師(中級)科目3_ L23102 線性代數之機器學習基礎應用(1) 模擬試題，採智能選題，無限次反覆練習。

1. 
在非凸優化中，海塞矩陣的負特徵值個數表示：

2. 
矩陣 A 可對角化的充要條件是：

3. 
在深度學習中，反向傳播使用的主要數學工具是：

4. 
在稀疏信號恢復中，限制等距性質(RIP)的常數δ_k滿足：

5. 
協方差矩陣的對角元素代表：

6. 
對於稀疏主成分分析，L1正則化項的作用是：

7. 
在變分推理中，變分參數的自然梯度涉及：

8. 
Ridge回歸（L2正則化）的解為：

9. 
對於張量網路分解，矩陣乘積狀態(MPS)的鍵維度(bond dimension)控制：

10. 
在聚類分析中，歐氏距離的計算公式為：

11. 
協方差矩陣的特徵值代表：

12. 
對於非線性降維中的核PCA，核矩陣的中心化操作是：

13. 
在強化學習的策略梯度方法中，優勢函數的協方差矩陣影響：

14. 
對於圖的標準化拉普拉斯矩陣L = I - D^(-1/2)AD^(-1/2)：

15. 
在機器學習中，特徵工程的線性變換包括：

16. 
對於多模態學習，典型相關分析(CCA)的目標是找到：

17. 
在線性回歸中，投影矩陣 P = X(X^T X)^(-1)X^T 的性質是：

18. 
在因果推理的結構方程模型中，鄰接矩陣的非循環性通過以下條件保證：

19. 
對於自適應梯度方法(如Adam)，動量的協方差估計使用：

20. 
在神經網路中，權重矩陣W將輸入x轉換為：


相關文章

error: Content is protected !!
返回頂端