A) 强化学习 B) 监督学习。 C) 无监督学习 D) 半监督学习
A) 模式识别和分类。 B) 编写代码 C) 数据存储。 D) 网络安全。
A) 学习速度更快的模型 B) 具有良好通用性的模型。 C) 模型过于复杂，在新数据上表现不佳。 D) 一个没有参数的模型。
A) 支持向量机 B) 遗传算法 C) 梯度下降 D) K 均值聚类
A) 直接将输入映射到输出。 B) 将数据分门别类。 C) 优化线性方程。 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) 计算机的处理速度。 C) 计算机的存储容量。 D) 系统的耗电量。
A) 从数据中自动学习特征的能力 B) 与传统方法相比，所需的数据更少。 C) 对小型数据集效果更好。 D) 比标准算法更容易实现。
A) 随机森林 B) 决策树 C) 线性回归。 D) K-means
A) 从大型数据集中提取模式和信息。 B) 在数据库中存储大量数据。 C) 清理数据以供分析。 D) 加密数据以确保安全
A) 前馈神经网络 B) 卷积神经网络（CNN）。 C) 径向基函数网络 D) 递归神经网络（RNN）。
A) 电子表格 B) 基本算术计算。 C) 文字处理 D) 自然语言处理。
A) 强化学习 B) 线性回归。 C) 遗传算法 D) K 均值聚类
A) 更换测试装置。 B) 让模特更快乐 C) 评估模型在训练过程中的性能。 D) 增加训练数据量。
A) 统计模型。 B) 人类大脑的结构和功能。 C) 几何变换 D) 互联网。
A) 通过随机抽样进行迭代。 B) 通过 quicksort 排序。 C) 适者生存，不断进化。 D) 函数近似。
A) 准确性 B) 吞吐量 C) 差异 D) 熵
A) HTML B) Python. C) 装配。 D) C++.
A) 遗传算法 B) 决策树 C) 梯度下降 D) 蒙特卡罗模拟
A) 烧瓶 B) 美丽的汤 C) Pygame D) Scikit-learn.
A) 利用从一项任务中获得的知识来提高相关任务的绩效。 B) 在平台之间移动软件应用程序。 C) 在不同用户之间传输数据。 D) 将模型从一个数据集转移到另一个数据集，不做任何更改。
A) 最大化数据集的容量。 B) 最小化所有点之间的距离 C) 找到最能分隔数据点的超平面 D) 利用深度学习进行分类。
A) K 均值聚类 B) 线性回归。 C) 支持向量机 D) Q-learning.
A) 张量流 B) Git C) 视窗 D) MySQL
A) 过度拟合 B) 延迟 C) 带宽 D) 吞吐量
A) 数据和算法中的偏差。 B) 统一编码标准。 C) 公众兴趣太浓。 D) 硬件限制。
A) 预测 B) 聚类 C) 分类 D) 回归
A) 应用程序收集的用户隐私数据。 B) 数据太少，无法进行分析。 C) 关系数据库中存储的数据。 D) 需要先进工具处理的大型复杂数据集。 |