A、是一种端到端学习的方法
B、是一种监督学习的方法
C、实现了非线性映射
D、隐藏层数目大小对学习性能影响不大
答案:D
A、是一种端到端学习的方法
B、是一种监督学习的方法
C、实现了非线性映射
D、隐藏层数目大小对学习性能影响不大
答案:D
A. JP聚类擅长处理噪声和离群点,并且能够处理不同大小、形状和密度的簇。
B. JP算法对高维数据效果良好,尤其擅长发现强相关对象的紧致簇。
C. JP聚类是基于SNN相似度的概念。
D. JP聚类的基本时间复杂度为O(m)。
A. 图像变换
B. 图像增强
C. 图像分割
D. 图像复原
解析:数字图像处理中的( )技术可应用于机动车车牌识别系统。
A. 从偏差-方差分解的角度看,Boosting主要关注降低偏差
B. 从偏差-方差分解的角度看,Bagging主要关注降低方差
C. 随机森林简单、容易实现、计算开销小
D. Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
解析:从偏差一方差分解的角度看,Boosting主要关住降低偏差,因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成
A. 个体学习器的数量
B. 个体学习器的生成方式
C. 个体学习器的的类型
D. 个体学习器的的强弱
A. 池化操作采用扫描窗口实现
B. 池化层可以起到降维的作用
C. 常用的池化方法有最大池化和平均池化
D. 经过池化的特征图像变小了
解析:池化是一种down-sampling技术,本质是基于滑动窗口的思想,可以去除特征图中的冗余信息,降低特征图的维度。常用的是最大池化和平均池化
A. K 值越大,模型越容易过拟合$;$K 值越大,分类的分割面越平滑$;$K 值是超参数$;$可以将 k 值设为 0
A. 二分法
B. 最小二乘法
C. 均值法
D. 投票法
解析:见算法解析
A. 序列相关问题
B. 图像分类
C. 图像检测
D. 推荐问题
A. 专家系统
B. 人工神经网络
C. 模式识别
D. 智能代理