2023 年新发布的准确热销 1z0-1122-23 考试题库 [Q15-Q31]

11 月 5, 202311 月 5, 2023 考试2023 年新发布的准确热销 1z0-1122-23 考试题库 [Q15-Q31] 0 条评论

標籤: 1z0-1122-23 真实考试中心, 1z0-1122-23 考试折扣, 1z0-1122-23 最新在线考试, 1z0-1122-23 新的免费学习问题, 1z0-1122-23 免费模拟考试, 1z0-1122-23 在线练习测试, 1z0-1122-23 相关答案, 1z0-1122-23 有效测试收集材料

4.4/5 - (14 选票)

2023 年新发布的准确热销 1z0-1122-23 考试试卷

获取 100% Oracle 1z0-1122-23 正版试卷及正确答案

新问题 15
机器学习的主要目标是什么？

让计算机从经验中学习和改进

显式计算机编程

创建解决复杂问题的算法

改进计算机硬件

机器学习是人工智能的一个分支，它能让计算机从数据和经验中学习，而无需明确编程。机器学习算法可以适应新的数据和情况，并随着时间的推移不断提高性能2。参考文献人工智能（AI）| Oracle

新问题 16
生成式人工智能与其他人工智能方法有何不同？

生成式人工智能可以理解底层数据并创建新的示例。

生成式人工智能侧重于决策和优化。

生成式人工智能为训练生成带标记的输出。

生成式人工智能专门用于基于文本的应用。

生成式人工智能是人工智能的一个分支，其重点是根据现有数据的模式和结构创建新的内容或数据。与其他旨在识别、分类或预测数据的人工智能方法不同，生成式人工智能旨在生成真实、多样和新颖的数据。生成式人工智能可以生成各种类型的内容，如图像、文本、音频、视频、软件代码、产品设计等。生成式人工智能使用不同的技术和模型来学习数据并生成新的示例，如生成对抗网络（GAN）、变异自动编码器（VAE）、扩散模型和基础模型。生成式人工智能在艺术、娱乐、教育、医疗保健、工程、营销等不同领域和行业都有许多应用。参考资料：：Oracle 云基础架构 AI - 生成式人工智能, 生成式人工智能 - 维基百科

新问题 17
Oracle 云计算基础架构提供哪种英伟达™（NVIDIA®）GPU？

P200

A100

K80

甲骨文云计算基础架构提供英伟达™（NVIDIA®）A100 Tensor Core GPU，作为其计算实例的GPU选项之一。英伟达A100 GPU是一款功能强大、用途广泛的GPU，可以加速各种人工智能和高性能计算工作负载。A100 GPU的性能是上一代V100 GPU的20倍，并支持多实例GPU、自动混合精度和稀疏性加速等功能12。OCI Compute 裸机 BM.GPU4.8 实例通过高速 NVIDIA NVLink 直接 GPU 到 GPU 互连3 提供了 8 个 40GB NVIDIA A100 GPU。该实例是训练大型语言模型、计算机视觉模型和其他复杂人工智能任务的理想选择。参考：加速计算与甲骨文云计算基础架构（OCI）--英伟达™（NVIDIA®），甲骨文云计算基础架构提供全新英伟达™（NVIDIA®）GPU加速计算......, GPU, 虚拟机和裸机 | Oracle

新问题 18
哪个人工智能领域与识别文本情感和语言间文本翻译等任务相关？

自然语言处理

语音处理

异常检测

计算机视觉

自然语言处理（NLP）是一个人工智能领域，与识别文本情感和在不同语言之间翻译文本等任务相关。NLP 是一个跨学科领域，它结合了计算机科学、语言学和人工智能，使计算机能够处理和理解文本或语音等自然语言数据。NLP 涉及各种技术和应用，例如
文本分析：从文本数据中提取有意义的信息，如关键词、实体、主题、情感、情绪等。
文本生成：从结构化或非结构化数据中生成自然语言文本，如摘要、标题、标题、故事等。
机器翻译：自动、准确地将文字或语音从一种语言翻译成另一种语言。
问题解答：从知识库或文档集中检索自然语言问题的相关答案。
语音识别：将语音信号转换为文本或命令。
语音合成：将文本转换为语音信号，并发出自然的声音。
自然语言理解：解读自然语言输入的含义和意图，并生成适当的响应。
自然语言生成：创建连贯、流畅并与上下文相关的自然语言输出。参考资料：：什么是自然语言处理？| IBM, 自然语言处理 - 维基百科

新问题 19
什么是大型语言模型（LLM）领域的 "上下文学习"？

教学模式！通过零镜头学习

就各种任务培训模型

永久修改预训练 LLM 的行为

通过输入提示提供几个目标任务示例

上下文学习是一种利用大型语言模型从输入提示中提供的少量输入-输出示例中学习的能力的技术。通过这些示例，模型可以推断出任务和所需输出的格式，并生成合适的响应。上下文学习不需要对模型进行额外的训练或微调，可用于文本摘要、问题解答、文本生成等各种任务45。上下文学习也被称为 "少量学习 "或 "基于提示的学习"。参考文献[2307.12375] In-Context Learning in Large Language Models Learns Label ...](https://arxiv.org/abs/2307.12375), [2307.07164] Learning to Retrieve In-Context Examples for Large Language Models](https://arxiv.org/abs/2307.07164)

新问题 20
您是深度学习研究团队的首席开发人员，您的任务是提高深度神经网络的训练速度。为了加快训练过程，您决定利用专用硬件。
深度学习中常用哪种硬件组件来加速模型训练？

固态硬盘（SSD）

图形处理器（GPU）

随机存取存储器（RAM）

中央处理器（CPU）

图形处理器（GPU）是一种专用硬件组件，可以对大量数据进行并行计算。GPU 可同时执行许多矩阵运算和张量运算，因此广泛应用于深度学习，以加速深度神经网络的训练。与单独使用 CPU 相比，GPU 可以大大缩短深度学习模型的训练时间并提高其性能678。参考文献机器学习/人工智能硬件推荐》，《新硬件为人工智能提供更快的计算速度......》，《机器学习的最佳硬件 - ReHack》，《深度学习推理硬件：如何为机器学习选择最佳硬件？

新问题 21
词块在大型语言模型（LLM）中扮演什么角色？

它们代表模型参数的数值。

它们用于定义模型神经网络的结构。

它们是模型在处理过程中将一段文本划分成的独立单元。

它们决定了模型内存的大小。

标记是大型语言模型中文本表示的基本单位。它们可以是单词、子单词、字符或符号。标记用于将输入文本编码成数字向量，以便模型的神经网络进行处理。代词还决定了模型的词汇量大小和最大序列长度3。参考文献甲骨文云基础架构 2023 AI 基础副教授 | 甲骨文大学

新问题 22
哪项人工智能任务涉及根据文本生成音频？

文本转语音

录音

语音识别

文本摘要

文本到语音（TTS）是一项人工智能任务，涉及从文本生成音频。TTS 是一种利用自然语音将文本转换为口语音频的技术。TTS 可以朗读任何文本数据，如 PDF、网站、书籍、电子邮件等，并为访问书面内容提供听觉格式。对于出于各种原因（如无障碍、方便、多任务处理、学习、娱乐等）需要收听文本数据的任何人来说，TTS 都能提供帮助。TTS 使用不同的技术和模型从文本数据生成语音，例如
连贯合成：根据文本的语音单位，将预先录制的人类语音片段进行组合。
参数合成：使用统计模型，根据从文本中得出的声学参数生成语音信号。
神经合成：利用深度神经网络学习文本和语音特征之间的映射，生成高质量的语音信号。
表现性合成：为语音输出添加情感或风格，使其更自然、更吸引人。参考资料：：文本到语音人工智能：栩栩如生的语音合成 | 谷歌云, 文本到语音合成 - 维基百科

新问题 23
Oracle 云基础架构异常检测服务如何促进欺诈检测？

通过识别数据中的异常模式

通过分析文本情感

通过从文本生成口语

通过转录口语

Oracle 云基础架构异常检测是一项人工智能服务，可为单变量和多变量时间序列数据提供实时和批量异常检测。通过一个简单的用户界面，企业可以创建和训练模型来检测异常并识别异常行为、趋势变化、异常值等。异常检测可通过分析来自交易、日志、传感器或客户行为等不同来源的数据，并在发现可疑或欺诈活动时向用户发出警报，从而有助于欺诈检测2。参考资料：异常检测 | Oracle

新问题 24
微调大型语言模型的目的是什么？

减少模型参数数量

增加模型结构的复杂性

针对特定任务实现模型功能的专业化

为防止模型过度拟合

微调是以预先训练好的大型语言模型为起点，在新任务和数据集上更新模型参数的过程。微调可使模型适应新任务的特定语境和领域，并提高其性能和准确性。微调可用于定制特定任务的模型能力，如文本分类、命名实体识别和机器翻译82。微调也被称为迁移学习或基于任务的学习。参考文献微调大型语言模型完全指南》，《微调大型语言模型》--DeepLearning.AI

新问题 25
哪个人工智能领域与识别图像中的力和物体分类等任务有关？

计算机视觉

异常检测

语音处理

自然语言处理

计算机视觉是一个人工智能领域，与图像中的人脸识别和物体分类等任务相关。计算机视觉是人工智能的一个领域，它使计算机和系统能够从数字图像、视频和其他视觉输入中获取有意义的信息，并根据这些信息采取行动或提出建议。计算机视觉的工作原理是将机器学习和深度学习模型应用于像素、颜色、形状、纹理等视觉数据，并提取可用于各种目的的特征和模式。计算机视觉的一些常见技术和应用包括
人脸识别：根据面部特征识别或验证一个人的身份。
物体检测：在图像或视频中定位并标记感兴趣的物体。
物体识别：将物体归入预定义的类别，如动物、车辆、水果等。
场景理解：分析视觉场景的上下文和语义，如地点、时间、天气、活动等。
图像分割：将图像分割成具有相似特征（如颜色、纹理、形状等）的多个区域。
图像增强：通过应用滤镜、变换或修正来改善图像的质量或外观。
图像生成：从零开始或根据某些输入数据（如草图、标题或属性）创建逼真或风格化的图像。参考资料：：什么是计算机视觉？| IBM, 计算机视觉 - 维基百科

新问题 26
您正在为一家医疗机构开展一个项目，该机构希望开发一套系统来预测病人入院时的病情严重程度。目标是根据病史和生命体征将病人分为三类--低风险、中度风险和高风险。
在这种情况下，需要哪种类型的监督学习算法？

聚类

回归

二元分类

多级分类

多类分类是一种监督学习算法，在这种情况下需要使用，因为输出变量有两个以上的类别。多类分类是将实例分为三个或更多类中的一类的问题。例如，根据病史和生命体征将病人分为低风险、中度风险或高度风险就是一个多类分类问题，因为每个病人只能属于这三个类别中的一个。多类分类可以通过各种算法来解决，如决策树、随机森林、支持向量机（SVM）、k-近邻（k-NN）、天真贝叶斯、逻辑回归、神经网络等。其中一些算法可以自然地处理多类问题，而另一些算法则需要通过使用单对单或单对复数等策略进行调整。参考资料：：多类分类--维基百科，多类分类--机器学习中的解释

加载中 …