在ε-greedy策略当中,ε的值越大,表示采用随机的一个动作的概率越(),采用当前Q函数值最大的动作的概率越()。

A. 频率派概率$;$古典概率$;$贝叶斯概率$;$条件概率

A. 集成学习通过构建并结合多个学习器来完成学习任务，也称为多分类器系统、基于委员会的学习等$;$集成中只包含同种类型的个体学习器，如“决策树集成”，“神经网络集成”等，这样的集成是“同质”的$;$集成中同时包含多种类型的个体学习器，这样的集成是“异质”的，异质集成的个体学习器一般称为基学习器$;$随着集成中个体分类器（相互独立）数目T的增大，集成的错误率将指数级下降，最终趋向于零

A. 数据驱动数据密集型数据范式$;$数据加工数据密集型数据范式$;$数据驱动数据审计数据分析$;$数据加工数据审计数据分析

A. 可分析性$;$可复现性$;$可解释性$;$可重构性

A. 实验科学范式理论科学范式$;$理论科学范式计算科学范式$;$计算科学范式数据密集型科学发现范式$;$理论科学范式数据密集型科学发现范式

A. 关联规则发现
$;$ 聚类
$;$ 分类
$;$ 自然语言处理

A. 若已知(X,Y)的联合分布，可以求出X的边缘分布和Y的边缘分布$;$若已知(X,Y)的联合分布和X的边缘分布，可以求出Y的条件分布$;$若已知X的边缘分布和Y的条件分布，可以求出(X,Y)的联合分布$;$若已知X的边缘分布和Y的边缘分布，可以求出(X,Y)的联合分布

A. 输入门 $;$记忆门$;$ 忘记门$;$ 输出门