A、strftime("%Y-%m-%d") @strptime("%Y-%m-%d") @__format__('%Y-%m-%d') @format('%Y-%m-%d')
B、strptime("%Y-%m-%d") @__format__('%Y-%m-%d') @format('%Y-%m-%d')
C、__format__('%Y-%m-%d')
D、format('%Y-%m-%d')
答案:AC
解析:见函数库
A、strftime("%Y-%m-%d") @strptime("%Y-%m-%d") @__format__('%Y-%m-%d') @format('%Y-%m-%d')
B、strptime("%Y-%m-%d") @__format__('%Y-%m-%d') @format('%Y-%m-%d')
C、__format__('%Y-%m-%d')
D、format('%Y-%m-%d')
答案:AC
解析:见函数库
A. 特征稠密
B. 特征稀疏
C. 能够表征词与词之间的相互关系(相似度计算)
D. 泛化性更好,支持语义运算sim
解析:见算法解析
A. 25%
B. 45.5%
C. 1.25%
D. 36.2%
解析:设A1,A2,A3分别表示产品有甲、乙、丙车间生产,B表示产品为次品。P(A1)=0.25,P(A2)=0.35,P(A3)=0.4,P(B|A1)=0.05,P(B|A2)=0.04,P(B|A3)=0.02,
P(A1|B)=P(A1)P(B|A1)/[P(A1)P(B|A1)+P(A2)P(B|A2)+P(A3)P(B|A3)]=0.25*0.05/(0.25*0.05+0.35*0.04+0.4*0.02)=0.362
A. 输入层
B. 卷积层
C. 隐含层
D. 输出层
解析:见算法解析
A. x = y = z = 1
B. x = (y = z + 1)
C. x, y = y, x
D. x? +=? y
A. 基于实例学习
B. 概念学习
C. 决策树学习
D. 人工神经网络学习
A. 随机森林
B. 逻辑回归
C. SVM
D. GBDT
A. 权值学习迭代次数足够多
B. 学习能力低下
C. 训练集过多模型复杂
D. 数据有噪声
解析:见算法解析
A. SVM对噪声(如来自其他分部的噪声样本)具备鲁棒性
B. 在adaoost算法中,所有被分错样本的权重更新比例不相同
C. boosting和bagging都是组合多个分类器投票的方法,二者都是根据单个分类器的正确率确定其权重
D. 给定n个数据点,如果其中一半用于训练,一半用户测试,则训练误差和测试误差之间的差别会随着n的增加而减少的