A、1$;$3$;$2$;$0.1
答案:ACD
A、1$;$3$;$2$;$0.1
答案:ACD
A. TensorFlow$;$PyTorch$;$PaddlePaddle$;$Caffe
A. 向量计算单元$;$标量计算单元$;$张量计算单元$;$矩阵计算单元
A. SVM对噪声(如来自其他分部的噪声样本)具备鲁棒性$;$在adaoost算法中,所有被分错样本的权重更新比例不相同$;$boosting和bagging都是组合多个分类器投票的方法,二者都是根据单个分类器的正确率确定其权重$;$给定n个数据点,如果其中一半用于训练,一半用户测试,则训练误差和测试误差之间的差别会随着n的增加而减少的
A. LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题$;$CNN相比于全连接的优势之一是模型复杂度低,缓解过拟合$;$只要参数设置合理,深度学习的效果至少应优于随机算法$;$随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
A. 期望越大,方差越小
$;$方差反映的是随机变量和其数学期望之间的偏离程度
$;$期望反映的是随机变量取值的平均水平
$;$相关系数用来度量两个变量间的线性关系
A. 增加网络宽度$;$轻量化网络模型$;$改善网络退化现象$;$增加网络深度
A. [0,10]
$;$(0,10)
$;$[0,10)
$;$(0,10]
A. 降维过程中可以保留原始数据的所有信息。
$;$ 多维缩放的目标是要保证降维后样本之间的距离不变。
$;$ 线性降维方法目标是要保证降维到的超平面能更好的表示原始数据。
$;$ 核线性降维方法目标是通过核函数和核方法来避免采样空间投影到高维空间再降维之后的低维结构丢失。
A. 智能语音$;$自然语言处理$;$类脑智能计算$;$人机混合智能