A) 一种用于设计计算机芯片的编程语言。 B) 一种利用人工输入控制物理机器的方法。 C) 人工智能的一个分支，能让机器从数据中学习。 D) 一种用于玩电子游戏的软件。
A) 聚类 B) 分类 C) 决策树 D) 线性回归
A) 将输入直接转换为输出。 B) 使用反向传播技术训练网络。 C) 存储信息，以备将来使用。 D) 为网络引入非线性。
A) Q-Learning B) 随机森林 C) K-Means D) SVM
A) 梯度下降 B) 直觉贝叶斯 C) 决策树 D) 主成分分析（PCA）
A) 使用反向传播优化模型。 B) 为模型选择最佳功能。 C) 在训练前对数据进行归一化处理。 D) 量化预测值和实际值之间的差异。
A) 使用交叉验证对模型进行评估。 B) 在没有任何数据的情况下训练模型 C) 对模型进行正则化处理，防止过度拟合。 D) 选择和转换输入特征以提高模型性能的过程。
A) 在训练过程中最小化损失函数 B) 在输入空间中区分不同的类别 C) 为数据添加噪音。 D) 控制模型的学习速度
A) 直觉贝叶斯 B) SVM（支持向量机） C) 隔离林 D) K 均值聚类
A) 估算 B) 忽略缺失数据 C) 为数据添加噪音 D) 复制数据
A) 交叉熵 B) 平均平方误差 (MSE) C) 均方根误差 (RMSE) D) 原木损耗
A) K 均值聚类 B) 线性回归 C) 决策树 D) 主成分分析
A) 平均绝对误差 B) 准确性 C) 均方误差 D) R 平方
A) 特征缩放 B) 辍学 C) 梯度下降 D) 批量标准化
A) 仅使用训练数据 B) 猜测 C) 交叉验证 D) 检查计算复杂性
A) 提前停止 B) 随机初始化 C) 反向传播 D) 批量正常化
A) 网格搜索 B) 关注单一超参数 C) 随机选择超参数 D) 忽略超参数
A) 主成分分析（PCA） B) K 均值聚类 C) 支持向量机 (SVM) D) 线性回归
A) 拟合不足与拟合过度之间的权衡。 B) 准确与精确之间的权衡。 C) 模型复杂性与可推广性之间的平衡。 D) 训练时间与模型性能之间的平衡
A) 规范化 B) 增加模型的复杂性 C) 删除关键功能 D) 用更多数据训练模型
A) 回归 B) 聚类 C) 分类 D) 降维
A) PCA（主成分分析） B) AdaBoost C) K-nearest Neighbors（KNN） D) SMOTE（合成少数群体过度取样技术） |