Huawei H13-321_V2.5 Prüfungsthemen:
| Abschnitt | Gewichtung | Ziele |
|---|---|---|
| Leitfaden zum Praxisteil Sprachverarbeitung | 12% | - Praktische Verarbeitung von Sprachdaten - Aufbau und Feinabstimmung von Sprachmodellen - Bereitstellung und Überprüfung von Anwendungen |
| Grundlagen neuronaler Netze | 4% | - Trainings- und Optimierungsmethoden - Grundbegriffe neuronaler Netze - Gängige Strukturen neuronaler Netze |
| Leitfaden zum Praxisteil Bildverarbeitung | 12% | - Leistungsoptimierung und Testverfahren - Einrichtung der Entwicklungsumgebung - Entwicklung und Bereitstellung von Bildverarbeitungsmodellen |
| Leitfaden zum Praxisteil Verarbeitung natürlicher Sprache | 10% | - Training und Bewertung von NLP-Modellen - Textvorverarbeitung und Merkmalsentwicklung - Entwicklung durchgängiger Anwendungen |
| Theoretische Grundlagen und Anwendungen der Bildverarbeitung | 26% | - Techniken der Bildvorverarbeitung - Typische Anwendungsbereiche - Bildklassifizierung, -erkennung und -segmentierung - Merkmalsextraktion und -darstellung |
| Überblick über die KI-Entwicklungsstrategie von Huawei sowie das ganzheitliche und szenarienübergreifende KI-Portfolio | 2% | - Ausrichtung der KI-Entwicklung bei Huawei - Ganzheitliches KI-Technologiesystem - Szenarienübergreifende KI-Lösungen |
| Theoretische Grundlagen und Anwendungen der Sprachverarbeitung | 10% | - Grundlagen der Sprachsignalverarbeitung - Anwendungsbeispiele - Extraktion von Sprachmerkmalen - Spracherkennung und Sprachsynthese |
| Theoretische Grundlagen und Anwendungen der Verarbeitung natürlicher Sprache | 10% | - Sprachmodelle und semantisches Verständnis - Praktische Anwendungen - Textverarbeitung und -darstellung - Maschinelle Übersetzung, Textgenerierung und weitere Verfahren |
| Überblick über ModelArts | 4% | - Kernfunktionen und Servicemodule - Positionierung und Architektur von ModelArts - Grundlegender Arbeitsablauf |
Huawei HCIP-AI-EI Developer V2.5 H13-321_V2.5 Prüfungsfragen mit Lösungen
1. In 2017, the Google machine translation team proposed the Transformer in their paperAttention is All You Need. In a Transformer model, there is customized LSTM with CNN layers.
A) FALSE
B) TRUE
2. Mel-frequency cepstral coefficients (MFCCs) take into account human auditory characteristics by first mapping the linear spectrum to the Mel nonlinear spectrum based on auditory perception, and then converting it to the cepstral domain.
A) FALSE
B) TRUE
3. Which of the following statements are true about the differences between using convolutional neural networks (CNNs) in text tasks and image tasks?
A) CNNs are suitable for image tasks, but they perform poorly in text tasks.
B) For CNN, there is no difference in handling text or image tasks.
C) Color image input is multi-channel, whereas text input is single-channel.
D) When the CNN is used for text tasks, the kernel size must be the same as the number of word vector dimensions. This constraint, however, does not apply to image tasks.
4. The objective of -------- is to extract and classify named entities in a text into pre-defined classes such as names, organizations, locations, time expressions, monetary values, and percentages. (Enter the abbreviation.)
5. The U-Net uses an upsampling mechanism and has a fully-connected layer.
A) FALSE
B) TRUE
Fragen und Antworten:
| 1. Frage Antwort: A | 2. Frage Antwort: B | 3. Frage Antwort: C,D | 4. Frage Antwort: Nur für Mitglieder sichtbar | 5. Frage Antwort: A |
1503 Kundenbewertungen
