A、L1 正则化可以做特征选择
B、L1 和 L2 正则化均可做特征选择
C、L2 正则化可以做特征选择
D、L1 和 L2 正则化均不可做特征选择
答案：A
A、L1 正则化可以做特征选择
B、L1 和 L2 正则化均可做特征选择
C、L2 正则化可以做特征选择
D、L1 和 L2 正则化均不可做特征选择
答案：A
A. 递归函数必须有基例
B.
递归函数的基例不再进行递归
C.
每个递归函数都只能有一个基例
D.
递归函数的基例决定递归的深度
A. 问答（QA）系统的想法是直接从文档、对话、在线搜索和其他地方提取信息，以满足用户的信息需求。QA系统不是让用户阅读整个文档，而是更喜欢简短而简洁的答案。
B. QA系统相对独立很难与其他NLP系统结合使用，现有QA系统只能处理对文本文档的搜索，尚且无法从图片集合中提取信息。
C. 大多数NLP问题都可以被视为一个问题回答问题。范例很简单：我们发出查询指令，机器提供响应。通过阅读文档或一组指令，智能系统应该能够回答各种各样的问题。
D. 强大的深度学习架构（称为动态内存网络（DMN））已针对QA问题进行了专门开发和优化。给定输入序列（知识）和问题的训练集，它可以形成情节记忆，并使用它们来产生相关答案。
解析：删除
A. 卡方检验
B. 信息增益
C. 数据采样
D. 期望交叉熵
A. 隐层层数增加，模型能力增加
B. Dropout的比例增加，模型能力增加
C. 学习率增加，模型能力增加
D. 都不正确
A.
回归
B. 二分类
C. 多分类
D. 目标检测
解析：BineryCrossEntropy可作为二分类问题的loss函数
A. 添加正则化项
B. 降低模型复杂度
C. 减少训练数据量
D. 使用Dropout
解析：应增加训练数据以降低过拟合
A. 特征在传统机器学习可解释性强，而在深度学习可解释性弱
B. 特征在传统机器学习可解释性弱，而在深度学习可解释性强
C. 特征在传统机器学习和深度学习可解释性均弱
D. 特征在传统机器学习和深度学习可解释性均强
A. Boosting
B. Stacking
C. Bagging
D. Marking
A. 相加关系
B. 相关关系
C. 后面的模型必须建立在前面的模型之上
D. 相互独立
A. 剪枝
B. 特征选取
C. 数据清理
D. 决策树生成
