A) 监督学习。
B) 强化学习
C) 无监督学习
D) 半监督学习

A) 编写代码
B) 模式识别和分类。
C) 数据存储。
D) 网络安全。

A) 具有良好通用性的模型。
B) 模型过于复杂，在新数据上表现不佳。
C) 一个没有参数的模型。
D) 学习速度更快的模型

A) 梯度下降
B) K 均值聚类
C) 支持向量机
D) 遗传算法

A) 优化线性方程。
B) 直接将输入映射到输出。
C) 将数据分门别类。
D) 通过尝试和错误来学习行为。

A) 机器表现出与人类同等智能行为的能力。
B) 系统的耗电量。
C) 计算机的处理速度。
D) 计算机的存储容量。

A) 与传统方法相比，所需的数据更少。
B) 从数据中自动学习特征的能力
C) 比标准算法更容易实现。
D) 对小型数据集效果更好。

A) 随机森林
B) 决策树
C) 线性回归。
D) K-means

A) 加密数据以确保安全
B) 从大型数据集中提取模式和信息。
C) 在数据库中存储大量数据。
D) 清理数据以供分析。

A) 卷积神经网络（CNN）。
B) 径向基函数网络
C) 前馈神经网络
D) 递归神经网络（RNN）。

A) 文字处理
B) 电子表格
C) 基本算术计算。
D) 自然语言处理。

A) 遗传算法
B) 线性回归。
C) K 均值聚类
D) 强化学习

A) 增加训练数据量。
B) 评估模型在训练过程中的性能。
C) 更换测试装置。
D) 让模特更快乐

A) 统计模型。
B) 几何变换
C) 互联网。
D) 人类大脑的结构和功能。

A) 函数近似。
B) 适者生存，不断进化。
C) 通过 quicksort 排序。
D) 通过随机抽样进行迭代。

A) 熵
B) 吞吐量
C) 差异
D) 准确性

A) C++.
B) HTML
C) 装配。
D) Python.

A) 梯度下降
B) 决策树
C) 遗传算法
D) 蒙特卡罗模拟

A) 美丽的汤
B) Pygame
C) 烧瓶
D) Scikit-learn.

A) 将模型从一个数据集转移到另一个数据集，不做任何更改。
B) 利用从一项任务中获得的知识来提高相关任务的绩效。
C) 在平台之间移动软件应用程序。
D) 在不同用户之间传输数据。

A) 找到最能分隔数据点的超平面
B) 利用深度学习进行分类。
C) 最大化数据集的容量。
D) 最小化所有点之间的距离

A) 支持向量机
B) K 均值聚类
C) 线性回归。
D) Q-learning.

A) MySQL
B) Git
C) 张量流
D) 视窗

A) 吞吐量
B) 带宽
C) 延迟
D) 过度拟合

A) 统一编码标准。
B) 硬件限制。
C) 公众兴趣太浓。
D) 数据和算法中的偏差。

A) 分类
B) 预测
C) 回归
D) 聚类

A) 数据太少，无法进行分析。
B) 关系数据库中存储的数据。
C) 应用程序收集的用户隐私数据。
D) 需要先进工具处理的大型复杂数据集。