iPAS AI應用規劃師-初級 (3) / iPAS AI 應用規劃師, AI 測驗題庫, iPAS AI 初級, 測驗題庫 / 作者: S學院 iPAS AI應用規劃師-初級 (3) 模擬測驗,採智能選題,無限次反覆練習。 1. 在大型語言模型中,"模型崩潰"(Model Collapse)現象指的是: 生成過程中記憶耗盡 訓練過程中損失突然增大 微調後模型輸出多樣性大幅降低 處理長文本時的性能下降 None 2. 在文本分類中,"長尾類別問題"(Long-tail Category Problem)的最佳解決方案是: 使用更深的神經網絡 簡單地增加訓練數據 採用階層分類或元學習方法 減少類別數量 None 3. 在文本分析中,情感分析與意見挖掘的關係是: 只有情感分析是AI技術 完全不同的兩個領域 意見挖掘只用於市場研究 意見挖掘是情感分析的一個特徵 None 4. 在機器學習中,交叉熵損失函數主要用於: 降維 回歸問題 分類問題 聚類問題 None 5. 語言模型輸出中的"社會刻板印象"(Social Stereotypes)問題主要源於: 訓練數據中存在的社會偏見 推理算法的限制 模型架構設計缺陷 超參數選擇不當 None 6. 文本摘要技術的主要目的是: 自動生成文本的簡要摘要,幫助人們快速理解文本的主要內容 識別文本中的關鍵詞 檢查文本中的語法錯誤 翻譯文本到其他語言 None 7. 生成式AI中的"控制生成"(Controlled Generation)技術主要用於: 限制生成內容的長度 提高生成速度 引導生成具有特定風格或屬性的內容 防止模型生成有害內容 None 8. 在自然語言處理中,文本數據增強(Text Data Augmentation)技術的主要目的是: 減少訓練時間 減少模型參數 增加訓練數據的多樣性,提高模型泛化能力 簡化模型架構 None 9. CRF在自然語言處理中代表: 條件隨機場 連續回應框架 計算反饋函數 分類規則頻率 None 10. 語言模型的"指令調整"(Instruction Tuning)與標準微調的主要區別在於: 使用指令-響應格式的數據進行訓練 只更新部分模型參數 應用於更專業的領域 使用較大的學習率 None 11. 生成式AI中的"能力湧現"(Emergent Abilities)現象指的是: 模型在特定領域的突出表現 模型在不同任務間的知識遷移 模型規模增大後出現的新能力 通過微調獲得的特定技能 None 12. 自然語言處理中的"反事實認知"(Counterfactual Reasoning)能力指的是: 推理在假設條件下可能發生的結果 識別虛假信息 比較不同來源的信息 糾正文本中的事實錯誤 None 13. 在語言模型中,"概率校準"(Probability Calibration)主要解決: 生成文本的連貫性問題 模型置信度與實際準確率不一致的問題 計算效率低下 多語言處理的不平衡 None 14. 語言模型的上下文窗口大小影響: 數據預處理時間 訓練速度 模型捕捉長期依賴的能力 模型大小 None 15. 在自訂文字分類中,單一標籤分類適用於: 只分析音頻的情況 每個文件可以同時屬於多個類別的情況 每個文件只有一個明確類別的情況 只分類圖像的情況 None 16. 在自然語言處理中,TF-IDF主要用於: 衡量詞語對文檔的重要性 語音合成 圖像描述 翻譯文本 None 17. 在抽象式文本摘要中,常見的挑戰不包括: 保持摘要與原文的一致性 對文本長度的限制 生成具有連貫性的摘要 實體和事實的準確性 None 18. 遷移學習的主要優勢是: 可以完全取代傳統學習方法 不需要任何訓練數據 總是比從頭訓練更快 可以利用在一個任務上學到的知識來改進另一個相關任務 None 19. 下列哪種技術不適用於增強語言模型在特定領域的性能? 知識增強(Knowledge Enhancement) 領域自適應預訓練 模型量化(Quantization) 連續學習(Continual Learning) None 20. LSTM的顯著特徵之一是: 無法記住早前的訊息 能夠長期記住早前的訊息 只能處理短文本 處理速度比Transformer快 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