iPAS AI應用規劃師 (中級)科目3_ L23101 機率統計之機器學習基礎應用 (3) 機率基礎-重要定理 / iPAS AI 應用規劃師, AI 測驗題庫, iPAS AI 中級, 測驗題庫 / 作者: S學院 iPAS AI應用規劃師 (中級)科目3_ L23101 機率統計之機器學習基礎應用 (3) 機率基礎-重要定理 模擬試題,採智能選題,無限次反覆練習。 1. 兩個獨立組件的可靠性分別為0.9和0.95,若組成並聯系統,可靠性為多少? 0.995 0.855 0.9 0.95 None 2. 條件期望 E[Y|X] 作為 Y 在 σ(X) 下的最佳預測子,其誤差 E[(Y - E[Y|X])²] 等於: Var(Y) Var(E[Y|X]) Var(Y) - Var(E[Y|X]) E[Y²] - (E[Y])² None 3. 在最大似然估計的漸近理論中,若真參數為 θ₀,則 √n(θ̂ₙ - θ₀) 的漸近分布為: N(0, I⁻¹(θ₀)) N(0, I(θ₀)/n) N(0, I(θ₀)) N(θ₀, I⁻¹(θ₀)) None 4. 兩個獨立事件A和B的交集機率計算公式為: P(A∩B) = P(A|B) × P(B) P(A∩B) = P(A) × P(B) P(A∩B) = P(A) + P(B) P(A∩B) = P(A) + P(B) - P(A∪B) None 5. 在機器學習的樸素貝氏分類器中,"樸素"指的是什麼假設? 資料服從正態分布 分類結果唯一 樣本數量足夠大 特徵之間相互獨立 None 6. 高斯圖模型中,精度矩陣 Ω = Σ⁻¹ 的零元素 Ωᵢⱼ = 0 表示: Xᵢ 與 Xⱼ 無關 Xᵢ 與 Xⱼ 在其他變數條件下獨立 Xᵢ 與 Xⱼ 完全相關 Xᵢ 與 Xⱼ 的協變異數為零 None 7. 對於一致最強力無偏檢定,其在備擇假設下的功效函數必須滿足: 為常數函數 單調遞增 在零假設邊界處導數為零 單調遞減 None 8. 在A/B測試中,版本A轉換率的後驗分布為Beta(51, 951),版本B為Beta(66, 936),這表示什麼? 數據不足以判斷 版本A優於版本B 版本B可能優於版本A 兩版本效果相同 None 9. 某垃圾郵件過濾系統中,已知 P(垃圾郵件) = 0.4,P("免費"|垃圾郵件) = 0.8,P("免費"|正常郵件) = 0.1,則包含"免費"字眼的郵件是垃圾郵件的機率約為多少? 0.84 0.74 0.8 0.82 None 10. Donsker 定理建立了經驗過程 √n(Fₙ - F) 收斂到: Brownian motion Poisson 過程 Ornstein-Uhlenbeck 過程 Brownian bridge None 11. 在機器學習中,特徵選擇時為什麼要考慮特徵間的獨立性? 減少冗餘資訊和多重共線性 增加模型複雜度 提高計算速度 改善視覺化效果 None 12. 貝氏定理在機器學習中最常用於哪個領域? 決策樹 線性回歸 分類問題 支持向量機 None 13. 供應鏈管理中,若要評估整體風險,最適合使用哪個定理? 全機率定理 條件機率定理 貝氏定理 獨立事件定理 None 14. 兩個獨立組件的可靠性分別為0.9和0.95,組成串聯系統的可靠性為多少? 0.855 0.995 0.925 0.805 None 15. 在貝氏定理中,P(B|A) 代表什麼意義? 先驗機率 似然性 後驗機率 邊際機率 None 16. 貝氏網路中節點間的關係主要基於什麼概念? 時間序列 條件獨立性 空間距離 線性相關性 None 17. 對於隨機變數序列 {Xₙ},幾乎確定收斂到 X 意味著: lim_{n→∞} E[|Xₙ - X|] = 0 lim_{n→∞} E[|Xₙ - X|²] = 0 P(lim_{n→∞} Xₙ = X) = 1 lim_{n→∞} P(|Xₙ - X| > ε) = 0 對所有 ε > 0 None 18. 相互獨立和兩兩獨立的關係是什麼? 相互獨立 ⟹ 兩兩獨立 兩者無關 兩兩獨立 ⟹ 相互獨立 兩者等價 None 19. 在排隊理論中,M/M/1 系統的平均等待時間(包含服務時間)為: 1/(μ(1-ρ)) ρ/(μ(1-ρ)) ρ/(μ-λ) 1/(μ-λ) None 20. 在分層抽樣中,若總體分為 L 層,第 h 層大小為 Nₕ,樣本大小為 nₕ,則總平均值的無偏估計量的變異數為: ∑ₕ (Nₕ/N) × Sₕ²/nₕ (1/n) × ∑ₕ Sₕ² ∑ₕ (Nₕ/N)² × (1-nₕ/Nₕ) × Sₕ²/nₙ ∑ₕ (nₕ/n)² × Sₕ² 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