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