A、文本识别
B、文本分类
C、机器翻译
D、问答系统
答案:C
A、文本识别
B、文本分类
C、机器翻译
D、问答系统
答案:C
A. RCNN
B. fastRCNN
C. fasterRCNN
D. maskRCNN
解析:见算法解析
A. useradd
B. userdel
C. adduser
D. user
解析:解析:用户的管理:添加用户
基本语法:useradd [可选选项] 用户名
A. BP算法是一种将输出层误差反向传播给隐藏层进行参数更新的方法
B. BP算法将误差从后向前传递,获得各层单元所产生误差,进而依据这个误差来让各层单元修正各单元参数
C. 对前馈神经网络而言,BP算法可调整相邻层神经元之间的连接权重大小
D. 在BP算法中,每个神经元单元可包含不可偏导的映射函数
A. 对于n类别,需要训练n个模型
B. 对于n类别,需要训练n-1个模型
C. 对于n类别,只需要训练1个模型
D. 以上说法都不对
A. 正向推理
B. 逆向推理
C. 双向推理
D. 简单推理
解析:概念理解
A. 单元学习算法
B. 多层网络学习
C. 决策树学习
D. 概念学习
A. 增加树的深度
B. 增加学习率
C. 减少树的数量
D. 减小树的深度
解析:一般用决策树进行分类,从根结点开始,对实例的某一特征进行测试,根据测试结果,将实例分配到其子结点。这时,每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分类,直至达到叶结点。最后将实例分到叶结点的类中。—— 引自李航 《统计学习方法》
决策树深度越深,在训练集上误差会越小,准确率越高。但是容易造成过拟合,而且增加模型的训练时间。对决策树进行修剪,减小树的深度,能够提高模型的训练速度,有效避免过拟合。
单决策树中,学习率不是一个有效参数。
决策树是单树,随机森林由多个决策树组成。
A. Boosting
B. Stacking
C. Bagging
D. Marking
A. Boosting
B. Bagging
C. Stacking
D. Mapping