A、LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题
B、CNN相比于全连接的优势之一是模型复杂度低，缓解过拟合
C、只要参数设置合理，深度学习的效果至少应优于随机算法
D、随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
答案：C
解析：只要参数设置合理，深度学习的效果至不一定优于随机算法
A、LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题
B、CNN相比于全连接的优势之一是模型复杂度低，缓解过拟合
C、只要参数设置合理，深度学习的效果至少应优于随机算法
D、随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
答案：C
解析：只要参数设置合理，深度学习的效果至不一定优于随机算法
A. 加大政策支持力度
B. 加强专业人才培养
C. 推进商业化应用落地
D. 建设产业发展基地
解析：主要应用
A. 减少模型复杂度
B. 增加正则化项
C. L1范数或L2范数
D. 使用特征选择算法
A. 求解目标函数
B. 得到最优数据样本
C. 找到最合适数据的参数
D. 改变目标函数分布
A. 神经计算
B. 进化计算
C. 免疫计算
D. 蚁群算法
解析：见算法解析
A. 给定标签
B. 离散
C. 分类
D. 回归
解析：在监督学习中，预测变量离散，称为分类，预测变量连续，称为回归，两者本质一样，都是对输入做预测，不过分类输出的是物体所属的类别，回归输出的是物体的值。答案选D
A. 假设检验
B. 逻辑分析
C. 方差分析
D. 回归分析
A. 预测
B. 回归
C. 分类
D. 聚类
A. 原始矩阵的元素是非负数
B. 分解后矩阵的元素是非负数
C. 分解后矩阵的元素可以是负数
D. 没有“潜在语义空间的每一个维度都是正交的”这一约束条件
解析：正确
