iPAS AI應用規劃師-初級 (3) 發佈留言 / 作者: S學院 / 2025-05-04 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. 在自然語言處理中,"主題一致性"(Topic Coherence)主要用於評估: 主題模型的解釋性 文本摘要的完整性 機器翻譯質量 情感分析準確性 None 2. 以下哪種技術不是解決語言模型"知識時效性"問題的有效方法? 持續預訓練 外部知識庫集成 檢索增強生成 增加模型參數 None 3. 在自然語言處理中,ROUGE評分系統主要用於評估: 機器翻譯質量 自動摘要的質量 語音識別率 情感分析準確性 None 4. 生成對抗網絡(GANs)的核心組件包括: 生成器和判別器 分類器和回歸器 預處理器和後處理器 編碼器和解碼器 None 5. 實體連結技術的主要應用場景包括: 翻譯實體名稱到其他語言 僅用於識別文本中的品牌名稱 在新聞報導、技術文檔和學術論文等領域提升文本信息的豐富性 創建新的實體數據庫 None 6. CRF在自然語言處理中代表: 連續回應框架 條件隨機場 分類規則頻率 計算反饋函數 None 7. 語言模型微調(Fine-tuning)相比於從頭訓練的主要優勢是: 不需要標註數據 需要更少的計算資源 模型規模可以更小 可以更快地適應特定領域任務 None 8. 支持向量機(SVM)在文本分類中的主要優勢是: 在高維特徵空間中效果好 易於解釋 能夠處理非線性問題 訓練速度快 None 9. PII(個人識別信息)偵測在處理以下哪類數據時最為關鍵? 醫療記錄 科學文獻 產品評論 新聞報導 None 10. 在機器學習中,過擬合(Overfitting)意味著: 模型太簡單,無法捕捉數據中的模式 模型太大,無法在標準計算機上運行 數據太少,無法訓練模型 模型在訓練數據上表現良好,但在新數據上表現差 None 11. 預訓練語言模型中的"參數有效微調"(Parameter-Efficient Fine-tuning)主要目的是: 增加模型在特定任務上的表現能力 確保模型能夠處理多語言任務 減少微調時需要更新的參數數量 加速模型收斂過程 None 12. 語言模型中的"標記化偏差"(Tokenization Bias)主要影響: 預訓練數據的選擇 模型的記憶容量 模型的訓練效率 不同語言或文化群體的表示公平性 None 13. 語言模型評估中的"羅賓遜估計"(Robinson Estimation)主要用於: 估計模型在低資源領域的期望性能 估計模型參數的最優值 預測模型的訓練時間 計算不同模型間的性能差距 None 14. 批量歸一化(Batch Normalization)在神經網絡中的主要功能是: 增加網絡深度 穩定並加速訓練過程 減少訓練數據需求 減少網絡寬度 None 15. 在文本分析中,主題模型(Topic Modeling)的主要功能是: 發現文檔集合中的抽象主題 翻譯文本 糾正語法錯誤 生成文本摘要 None 16. 在設計問答系統時,以下哪項技術最適合處理需要推理的複雜問題? 基於檢索的方法 模式匹配 神經符號整合方法 關鍵詞提取 None 17. 零樣本學習(Zero-shot learning)的特點是: 模型能處理訓練期間未見過的類別 不需要任何計算資源 必須使用特定的硬體加速器 只適用於圖像處理 None 18. 大型語言模型中的"思維冰山"(Iceberg of Thought)理論指的是: 顯式呈現的推理只是模型內部計算的一小部分 模型能力隨規模呈指數增長 訓練數據中的偏見如冰山一角般難以察覺 模型的大部分知識難以被直接訪問 None 19. 以下哪項不是語言模型中"注意力蒸餾"(Attention Distillation)的主要目的? 壓縮模型大小 減少模型推理時的計算量 保持模型性能 增強模型泛化能力 None 20. 在自然語言處理中,句法分析(Syntactic parsing)關注: 詞語的拼寫 句子的語法結構 文本的主題 文本的情感 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