使用 Oracle 云 1z0-1122-23 考试问题 [Q17-Q35] 推动您的成功

大型语言模型（LLM）是一类深度学习模型，除其他任务外，还能识别和生成自然语言。LLM 在庞大的文本数据集上进行训练，学习语法、语义和上下文。LLM 使用 Transformer 架构，该架构依靠自我关注来处理和理解输入和输出序列。LLM 可以根据提供的输入执行各种自然语言处理和理解任务，如文本摘要、问题解答、文本生成等34。另一方面，传统的机器学习模型通常使用特定的统计算法进行训练，以提供预定义的结果。它们通常需要标注数据和特征工程，灵活性和适应性不如 LLM5。参考文献LLMOps 简介：使用 Azure ML 运行和管理大型语言模型》，《大型语言模型（LLMs）简介》：它是如何诞生的？

分类和回归是机器学习中监督学习的两种子类型。它们的主要区别在于处理的输出变量类型不同。分类是根据某些标准或规则将数据点分配到离散的类别中。例如，根据电子邮件的内容将其分为垃圾邮件或非垃圾邮件就是一个分类问题，因为输出变量是二进制的（垃圾邮件或非垃圾邮件）。回归根据输入特征预测数据点的连续值。例如，根据房价的大小、位置、设施等预测房价就是一个回归问题，因为输出变量是连续的（房价）。分类和回归使用不同类型的算法和指标来评估其性能。参考资料：：Oracle Cloud Infrastructure AI - Machine Learning Concepts, Classification vs Regression in Machine Learning | by ...

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

Oracle Cloud Infrastructure Vision 是一项无服务器、多租户服务，可通过控制台或 REST API 访问。您可以上传图像以检测其中的对象并对其进行分类。如果有大量图像，可以使用异步 API 端点批量处理。Vision 的功能按主题划分为针对以文档为中心的图像的文档人工智能（Document AI）和针对基于对象和场景的图像的图像分析（Image Analysis）。图像分析支持预训练模型和自定义模型，用于对象检测和图像分类3。参考资料视觉 - 甲骨文

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

生成对抗网络（GAN）是一种人工智能模型，可以生成与训练数据相似的逼真图像。生成对抗网络的架构由两个独立的神经网络组成，它们在类似游戏的场景中相互对抗。第一个网络被称为生成器网络，它试图创建看起来像真的假数据。第二个网络称为鉴别器网络，试图区分真实数据和虚假数据。生成器网络从鉴别器网络的反馈中学习，并试图通过提高假数据的质量来欺骗它。鉴别器网络也从生成器网络的反馈中学习，并试图提高其准确性。这一过程一直持续到生成器网络生成与真实数据无异的数据为止4。GAN 可用于创建逼真的人脸、动物、风景等图像5。参考文献生成模型 - OpenAI，人工智能详解：什么是生成对抗模型？

Oracle 云基础架构语言服务是一种基于云的人工智能服务，可大规模执行复杂的文本分析。它提供多种功能，可使用自然语言处理技术处理非结构化文本并提取情感或实体等结构化信息。Oracle 云基础架构语言服务支持的部分功能包括
语言检测：根据提供的文本检测语言，并给出置信度分数。
文本分类：确定文本所属的文档类别和子类别。
命名实体识别：识别常见实体、人物、地点、位置、电子邮件等。
关键短语提取：从文本块中提取一组重要的短语。
情感分析：从提供的文本中识别各方面的内容，并将每个方面分为积极、消极或中性极性。
文本翻译：将文本翻译成您选择的语言。
个人可识别信息：对非结构化文本中的私人信息进行识别、分类和去标识化 参考文献：.Oracle, AI 文本分析：语言概述 - 甲骨文，大规模人工智能文本分析 | Oracle

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

提示工程是一门设计自然语言指令或查询的艺术，可以从大型语言模型中获得所需的响应。提示工程并不修改模型参数或架构，而是依赖于模型现有的知识和能力。通过向模型提供适当的上下文、格式和约束条件，提示工程可用于执行文本生成、情感分析和代码完成等各种任务67。提示工程也被称为零点学习或基于查询的学习。参考文献[2211.01910] Large Language Models Are Human-Level Prompt Engineers](https://arxiv.org/abs/2211.01910), A developer's guide to prompt engineering and LLMs - The GitHub Blog.

强化学习是机器学习的一种类型，它基于从结果中学习来做出决策。强化学习算法从自己在环境中的行动和经验中学习，而不是从标记数据或明确的反馈中学习。强化学习的目标是找到一个最优策略，使一段时间内的累积奖励最大化。策略是一种规则，决定在环境的每种状态下采取什么行动。奖励则是一种反馈信号，它表明了一个行动在实现预期目标方面的好坏程度。强化学习涉及一个试错过程，即探索不同的行动并观察其后果，然后相应地更新策略。强化学习的一些挑战和组成部分包括
探索与开发：在尝试未来可能带来更高收益的新行动（探索）和选择能带来直接收益的已知行动（开发）之间取得平衡。
马尔可夫决策过程（MDP）：马尔可夫决策过程（Markov decision process，MDP）：一种用于模拟不确定情况下连续决策问题的数学框架，其结果只取决于当前的状态和行动，而不取决于之前的状态和行动。
价值函数：价值函数：根据当前政策估算每个状态或状态-行动配对的预期长期回报的函数。
Q 学习：Q-learning：一种流行的强化学习算法，它能学习一个名为 Q 函数的值函数，该函数表示在特定状态下采取特定行动的质量。
深度强化学习：强化学习的一个分支，它将深度神经网络与强化学习算法相结合，以处理复杂的高维问题，例如玩视频游戏或控制机器人。参考资料：：强化学习 - 维基百科，什么是强化学习？- 工作原理概述 - Synopsys

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

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？