小申正在制作暑假旅行計(jì)劃，包括景點(diǎn)的圖片和簡(jiǎn)介、酒店位置的選取、機(jī)票的篩選等。請(qǐng)你和他一起完成此項(xiàng)計(jì)劃。
（1）小申制作的旅行計(jì)劃文檔中標(biāo)題“Trave1Plan”采用ASCII碼編碼，不包括引號(hào)在內(nèi)，標(biāo)題文字存儲(chǔ)時(shí)占用字節(jié)數(shù)是

B

B

。（單選）
A.9
B.10
C.11
D.12
（2）小申下載了多張景點(diǎn)的圖片，某張BMP圖片所占存儲(chǔ)空間為3MB，分辨率為1024*768，則該圖片的顏色深度是

32

32

位。
（3）小申在對(duì)圖片進(jìn)行處理時(shí)，發(fā)現(xiàn)某個(gè)顏色用RGB顏色模型表示為（100，128，255），則該顏色用十六進(jìn)制數(shù)表示為

A

A

。（單選）
A.（64，80，F(xiàn)F）
B.（32，40，7F）
C.（C8，100，200）
D.（63，7F，F(xiàn)E）
（4）小申發(fā)現(xiàn)將BMP格式的圖片轉(zhuǎn)換為JPG格式后，存儲(chǔ)容量有所下降。此種壓縮方式屬于

有損壓縮

有損壓縮

（選填：有損壓縮/無(wú)損壓縮）。
（5）小申發(fā)現(xiàn)某些軟件通過(guò)分析大數(shù)據(jù)為用戶提供了景點(diǎn)熱力圖，并能實(shí)時(shí)看到景點(diǎn)的人數(shù)，為人們的出行提供了極大的便利。以下屬于大數(shù)據(jù)特征的是

AC

AC

。（多選）
A.數(shù)據(jù)規(guī)模大
B.數(shù)據(jù)類型少
C.處理速度快
D.價(jià)值密度高
（6）小申選中了如圖所示的多個(gè)旅游景點(diǎn)，但是各景點(diǎn)之間距離較遠(yuǎn)。他想利用人工智能技術(shù)計(jì)算出2個(gè)相對(duì)合適的位置來(lái)預(yù)訂酒店，使得酒店到景點(diǎn)的距離較近。以下最合適的方法是

B

B

。（單選）

A.分類
B.聚類
C.回歸
（7）小申想利用K-means算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，請(qǐng)根據(jù)算法基本原理，推測(cè)數(shù)據(jù)訓(xùn)練后得到的2個(gè)酒店位置大概在圖中的

1

1

號(hào)點(diǎn)和

4

4

號(hào)點(diǎn)。

（8）小申想在旅行途中拍攝500張關(guān)于“橋”的照片，來(lái)創(chuàng)建他的人工智能圖像識(shí)別課題所需的數(shù)據(jù)集。對(duì)于該數(shù)據(jù)集，訓(xùn)練集和測(cè)試集劃分最合適的是

A

A

。（單選）
A.400張和100張
B.100張和400張
C.50張和450張
D.499張和1張
（9）小申在制定旅行計(jì)劃時(shí)發(fā)現(xiàn)部分高鐵站無(wú)需排隊(duì)取票，可以實(shí)現(xiàn)“刷臉”進(jìn)站。以下對(duì)于人臉標(biāo)記步驟排序正確的是

B

B

。（單選）
①繪制矩形框進(jìn)行標(biāo)記
②導(dǎo)入智能工具圖像處理SDK
③獲取人臉檢測(cè)的返回信息
④提取人臉的定位信息
A.③②①④
B.②③④①
C.②③①④
D.③②④①
（10）小申認(rèn)為人工智能技術(shù)的運(yùn)用能促進(jìn)社會(huì)的發(fā)展。以下關(guān)于人工智能技術(shù)對(duì)社會(huì)發(fā)展的影響說(shuō)法正確的是

B

B

。（單選）
A.人工智能技術(shù)具有機(jī)械化特點(diǎn)，降低了人們的服務(wù)水平
B.人工智能技術(shù)更新迭代快，新的工作崗位不斷涌現(xiàn)
C.人工智能技術(shù)趨于成熟，不會(huì)帶來(lái)隱私的泄露問(wèn)題
D.人工智能技術(shù)較為完善，不會(huì)存在偏見(jiàn)和歧視等問(wèn)題
數(shù)字化資源：K-means算法
K-means算法是機(jī)器學(xué)習(xí)中一個(gè)常用的算法。參數(shù)K代表樣本的類別數(shù)，若K=2，則表示數(shù)據(jù)將分為2類（簇）該算法認(rèn)為簇是由距離靠近的對(duì)象組成的，因此把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。
K-means算法流程：以k為參數(shù)，把n個(gè)對(duì)象分成k個(gè)簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。主要處理過(guò)程包括：
①隨機(jī)選擇k個(gè)點(diǎn)作為初始的簇的中心。
②對(duì)于剩下的點(diǎn)，根據(jù)其與中心的距離，將其歸入最近的簇。
③對(duì)每個(gè)簇，計(jì)算所有點(diǎn)的均值作為新的中心。
④重復(fù)②、③直到中心不再發(fā)生改變。
圖為K=5時(shí)的數(shù)據(jù)測(cè)試結(jié)果。