A、 速度
B、 数据容量
C、 代
D、 带宽
答案:C
解析:解析:第 五 代 移 动 通 信 技 术( 英 语:5th Generation Mobile CommunicationTechnology, 简称 5G)是具有高速率、低时延和大连接特点的新一代宽带移动通信技术,此处的 G 是 Generation 的缩写,意味第五代。故选 C 项。
A、 速度
B、 数据容量
C、 代
D、 带宽
答案:C
解析:解析:第 五 代 移 动 通 信 技 术( 英 语:5th Generation Mobile CommunicationTechnology, 简称 5G)是具有高速率、低时延和大连接特点的新一代宽带移动通信技术,此处的 G 是 Generation 的缩写,意味第五代。故选 C 项。
A. Windows
B. NetWare
C. Windows 2000
D. Linux
解析:解析:NetWare、Windows NT 系列、Linux、Unix 都是属于网络操作系统。故选 BCD 项。
A. 模型
B. 控制
C. 视图
D. 模型和控制
解析:解析:MVC 架构模式中,M 即 Model(模型层),主要负责处理业务逻辑以及数据库的交互;V 即 View(视图层),主要用于显示数据和提交数据;C 即 Controller(控制器),主要是用作捕获请求并控制请求转发。故选 A 项。
A. PaaS
B. NaaS
C. IaaS
D. Saas
解析:解析:A 项,PaaS 是(Platform as a Service)的缩写,是指平台即服务,云计算时代相应的服务器平台或者开发环境作为服务进行提供就成为了 PaaS(Platform as aService)。B 项,网络即服务(NaaS),是指客户可以通过互联网访问第三方网络传输服务,并采用基于订阅模式的付费方式。C 项,IaaS(Infrastructure as a Service),即基础设施即服务,是指把 IT 基础设施作为一种服务通过网络对外提供,并根据用户对资源的实际使用量或占用量进行计费的一种服务模式。D 项,把服务器平台作为一种服务提供的商业模式,通过网络进行程序提供的服务称之为 SaaS(Software as a Service)。一般来说,大家比较公认的云架构是划分为基础设施层、平台层和软件服务层三个层次的 , 对应名称为 IaaS,PaaS 和 SaaS。故选 C 项。
A. 信号发生器、通信线路、信号接收设备
B. 信源、通信媒体、信宿
C. 终端、电缆、计算机
D. 终端设备、通信设施、接收设备
解析:解析:通信系统必须具备的三个基本要素是:信源、通信媒体、信宿。故选 B 项。
A. userdel
B. groupadd
C. usermod
D. useradd
解析:解析:加一个用户的命令是 useradd。故选 D 项。
A. MAC 地址、IP 地址都不需要动
B. 必须改变它的 MAC 地址,无需动 IP 地址
C. 必须改变它的 IP 地址,无需动 MAC 地址
D. 必须改变它的 IP 地址和 MAC 地址
解析:解析:IP 地址改变,MAC 地址不会改变。故选 C 项。
A. 死锁鸵鸟算法
B. 死锁检测与恢复算法
C. 死锁避免算法
D. 死锁预防算法
解析:解析:银行家算法是最著名的死锁避免算法。故选 C 项。
A. Unix 系统
B. Windows 系统
C. Linux 系统
D. 银行客户管理系统
解析:解析:Unix、Linux、Windows 系统都属于系统软件,银行客户管理系统是应用软件。故选 D 项。
A. 令牌环
B. 环型
C. 载波侦听与冲突检测 CSMA/CD
D. 总线型
解析:解析:LAN 的拓扑形式一般以总线型为主。故选 D 项。
A. 并行计算:Bagging 各个预测函数必须按顺序迭代生成;Boosting 各个预测函数可以并行生成
B. 预测函数:Bagging 所有的预测函数的权重相等;Boosting 中误差越小的预测函数其权重越大
C. 样本权重:Bagging 根据错误率调整样本权重,错误率越大的样本权重越大;Boosting 使用的是均匀取样,每个样本权重相等
D. 样本选择上:Bagging 每一轮的训练集是不变的,改变的只是每一个样本的权重;Boosting 采用的是 Bootstrap 随机有放回抽样
解析:解析:Bagging 和 Boosting 的区别:
(1)样本选择上:
Bagging:训练集是在原始集中有放回选取的,从原始集中选出的各轮训练集之间
是独立的。Boosting:每一轮的训练集不变,只是训练集中每个样例在分类器中的权重
发生变化,而权值是根据上一轮的分类结果进行调整。
(2)样例权重:
Bagging:使用均匀取样,每个样例的权重相等。Boosting:根据错误率不断调整
样例的权值,错误率越大则权重越大。
(3)预测函数:
Bagging:所有预测函数的权重相等。Boosting:每个弱分类器都有相应的权重,
对于分类误差小的分类器会有更大的权重。
(4)并行计算:
Bagging:各个预测函数可以并行生成。Boosting:各个预测函数只能顺序生成,
因为后一个模型参数需要前一轮模型的结果。
故选 B 项。