A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象$;$K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念$;$K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇$;$K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇
答案：A
A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象$;$K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念$;$K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇$;$K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇
答案：A
A. 有频域的概念$;$均方意义下最优$;$有关于复数的运算$;$从变换结果可完全恢复原始数据
A. 提供更好的分类$;$减少参数量，实现任意大小的输入$;$加速模型收敛$;$增加网络深度
A. 基本假设包括随机干扰项是均值为0,方差为1的标准正态分布$;$基本假设包括随机干扰项是均值为0的同方差正态分布$;$多重共线性会使得参数估计值方差减小$;$基本假设包括不服从正态分布的随机干扰项
A. 感知器由2层神经元组成，是一个单层的前馈神经网络
$;$输入结点把接收到的值传送给输出链，不作任何转换
$;$输出结点计算输入的加权和，加上偏置项，根据结果的符号产生输出
$;$训练阶段，权值参数不断调整，直至模型输出和训练样例的实际输出一致
A. 非极大值抑制$;$非极小值抑制$;$极大值抑制$;$极小值抑制
A. 若X与Y相互独立，则X与Y不相关$;$若X与Y相关，则X与Y不相互独立$;$若E(XY)
=E(X)E(Y)，则X与Y相互独立$;$若f(x,y)=fX(x)fY(y)，则X与Y不相关
A. 1
$;$2
$;$3
$;$a
A. DBSCAN$;$C4.5 $;$C.K-Mean$;$EM
A. 序列数据的输入和输出通常是不固定的，有的序列长，有的序列短$;$全连接网络的根本不能处理任何序列数据$;$全连接网络的层次太深导致梯度消失，所以不能处理序列问题$;$命名实体识别问题是一个无法解决的问题，全连接网络也不能解决这个问题
