人工智能案例实战智慧树知到课后章节答案2023年下内蒙古科技大学

人工智能案例实战智慧树知到课后章节答案2023年下内蒙古科技大学内蒙古科技大学

第一章测试

Python程序在执行一次之后会自动生成扩展名为（）的字节码文件，以提高运行效率。

A:.py

B:.pyc

C:.pyb

D:.pyf

答案:.py

以下关于列表ls的叙述中，错误的是（）。

A:ls.clear()：删除ls中的一个元素

B:ls.reverse()：反转ls中的所有元素

C:ls.append(x)：在ls的末尾增加一个元素x

D:len(ls)：求出ls中的元素个数

答案:ls.clear()：删除ls中的一个元素

以下关于元组的说法中，正确的是（）。

A:插入的新元素放在最后

B:所有元素的数据类型必须相同

C:支持in运算符

D:元组不支持切片操作

答案:支持in运算符

表达式[xforxin[1,2,3,4,5]ifx＜3]的结果是（）。

A:[1,2,3]

B:[1,2,3,4,5]

C:[3,4,5]

D:[1,2]

答案:[1,2]

以下不能创建一个字典的语句是（）。

A:dict1={}

B:dict2={3:5}

C:dict4={(1,2,3):“uestc”}

D:dict3={[1,2,3]:“uestc”}

答案:dict3={[1,2,3]:“uestc”}

numpy中有很多自带的数组创建函数，下列（）函数可以创建指定长度或形状的全1数组。

A:zeros()

B:arrange()

C:ones()

D:empty()

答案:ones()

下列（）函数用于绘制散点图。

A:scatter()

B:subplot()

C:bar()

D:plot()

答案:scatter()

可以把列表转换为numpy数组的函数是（）。

A:linspace()B:arange()C:ones()D:array()

答案:array()

执行下面代码，得到的正确结果是（）。drink={'奶茶':8,'可乐':5,'牛奶':3}foritemindrink.values():

print(item,end="")

A:('奶茶':8)('可乐':5)('牛奶':3)B:853C:奶茶可乐牛奶D:{'奶茶':8,'可乐':5,'牛奶':3}

答案:853

以下程序的输出结果是（）。a=[“李白”，“孟浩然”，”杜甫”，“王昌龄”]print(a[1:3])

A:

[“孟浩然”，”杜甫”]

B:[“孟浩然”，”杜甫”，“王昌龄”]

C:

[“李白”，“孟浩然”，”杜甫”]

D:[“孟浩然”,“王昌龄”]

答案:

[“孟浩然”，”杜甫”]

第二章测试

a=tf.constant(5)的默认类型是（）。

A:32

B:16

C:tf.double64

D:tf.float32

答案:32

TensorFlow2.0中，所有张量都可以通过（）方法得到对应的数组。

A:numpy()

B:shape()

C:其余都不是

D:dtype()

答案:numpy()

可以创建元素值相同的张量的函数是（）。

A:tf.ones()

B:tf.zeros()

C:tf.fill()

D:tf.cast()

答案:tf.fill()

以下对函数功能的描述中，错误的是（）

A:tf.transpose()，交换维度

B:tf.reshape()，更改维度

C:tf.squeeze()，删除维度

D:tf.cast()，增加维度

答案:tf.cast()，增加维度

以下程序执行后，b的内容是（）。

a=tf.range(12)

b=a[2:5:1]

print(b.numpy())

A:[2345]

B:[246]

C:其余都不对

D:[234]

答案:[234]

以下程序执行后，运行结果是（）。

a=tf.reshape(tf.range(10,22),[3,4])

b=a[0,0:2]

print(b.numpy())

A:[101112]

B:[1415]

C:其余都不对

D:[1011]

答案:[1011]

以下描述中，错误的是（）。

A:tf.exp(1.)：计算e的1.0次方

B:tf.sqrt(3):计算3的平方根

C:tf.pow(2,x)：计算2的x次方

D:tf.square(x)：对x逐个元素计算平方

答案:tf.sqrt(3):计算3的平方根

以下程序段的运行结果是（）。

importnumpyasnp

a=tf.constant(np.arange(6),shape=(2,3))

b=tf.constant(np.arange(6),shape=(3,2))

c=a@b

print(c.numpy())

A:不能运算

B:[[123][456]]

C:[[101315][284050]]

D:[[1013][2840]]

答案:[[1013][2840]]

有语句：importtensorflowastf

a=tf.constant([[1,2],[3,4]])

以下描述错误的是（）。

A:执行语句tf.reduce_mean(a)后，值为2.5

B:执行语句tf.reduce_sum(a,axis=1)后，值为[37]

C:执行语句tf.reduce_max(a,axis=0)后，值为[34]

D:执行语句tf.reduce_min(a)后，值为1

答案:执行语句tf.reduce_mean(a)后，值为2.5

第三章测试

数据x(1,2,3,4)对应数据y(1,3,5,7)，则y关于x的回归方程必过点(2.5,4)。（）

A:错B:对

答案:对

两个变量：光照时间和果树亩产量是函数关系。（）

A:对B:错

答案:错

水稻的产量y(千克)与施肥量x(千克)的线性回归方程为y=5.5x+100，如果施肥100公斤，那么可能收获650公斤水稻。（）

A:错B:对

答案:对

已知一组数据(X,Y)在散点图中观察具有线性关系，设y=wx+b，求得w=0.5，X的平均值为20，Y的平均值为30，则线性回归方程的表达式为y=0.5x+20。（）

A:对B:错

答案:对

存在这样的线性关系：收入增加和储蓄增加，属于正相关。（）

A:错B:对

答案:对

已知一组数据(X,Y)在散点图中观察具有线性关系，那么线性回归方程必过点的坐标为：(X平均值,Y平均值)（）

A:错B:对

答案:对

已知用电量Y（4.5,4,3,2.5）和月份X(1,2,3,4)具有近似的线性相关，如果线性回归方程为y=-0.7x+b，那么b=5.25。（）

A:对B:错

答案:对

已知数据Y(4.5,4,3,2.5)和X(2,3,4,5)具有较好的线性关系，那么对应的线性回归方程为：y=-0.7x+5.95（）

A:对B:错

答案:对

第四章测试

可以采用回归问题的解决思路实现分类问题。()

A:错B:对

答案:对

支持向量机（SVM）只能解决二分类问题。（）

A:错B:对

答案:错

使用欧式距离