A、特征灵活
B、速度快
C、可容纳较多上下文信息
D、全局最优
答案：ACD
解析：最大熵隐马模型则解决了隐马的问题，可以任意选择特征，但由于其在每一节点都要进行归一化，所以只能找到局部的最优值，同时也带来了标记偏见的问题，即凡是训练语料中未出现的情况全都忽略掉。条件随机场则很好的解决了这一问题，他并不在每一个节点进行归一化，而是所有特征进行全局归一化，因此可以求得全局的最优值。
A、特征灵活
B、速度快
C、可容纳较多上下文信息
D、全局最优
答案：ACD
解析：最大熵隐马模型则解决了隐马的问题，可以任意选择特征，但由于其在每一节点都要进行归一化，所以只能找到局部的最优值，同时也带来了标记偏见的问题，即凡是训练语料中未出现的情况全都忽略掉。条件随机场则很好的解决了这一问题，他并不在每一个节点进行归一化，而是所有特征进行全局归一化，因此可以求得全局的最优值。
A. 正确$;$错误
A. 设计线性回归
B. 神经网络
C. 聚类分析
D. 矩阵计算
A. 贝叶斯的学习过程为对训练样本计数
B. 估计出每个结点的条件概率
C. 网络结构为已知
D. 评分搜索为求解的常用办法
解析：若网络结构己知，即属性间的依赖关系己知，则贝叶斯网的学习过程相对简单，只需通过对训练样本“计数”，估计出每个结点的条件概率表即可，但在现实应用中我们往往并不知晓网络结构，于是，贝叶斯网学习的首要任务就是根据训练数据集来找出结构最"恰当"的贝叶斯网
A. 数字化
B. 量化
C. 去噪声
D. 清洗
解析：图像数字化分为两个步骤：一为取样，二为量化。
A. a[1:-1]
B. a*3
C. a[2] = 4
D. list(a)
解析：过拟合的解决方法有：正则化，调节参数，交叉验证，选择合适的训练集和测试集百分比等。
A. 前向后
B. 后向前
C. 左向右
D. 右向左
解析：见算法解析
