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