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
