A、损失函数是用泰勒展式二项逼近，而GBDT只是一阶导数$;$对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性;$节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的$;$XGBoost使用网格搜索，只能检测有限个值
答案：ABC
解析：XGBoost类似于GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，具体的优点有：
1.损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数；
2.对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性；
3.节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的。
A、损失函数是用泰勒展式二项逼近，而GBDT只是一阶导数$;$对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性;$节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的$;$XGBoost使用网格搜索，只能检测有限个值
答案：ABC
解析：XGBoost类似于GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，具体的优点有：
1.损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数；
2.对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性；
3.节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的。
A. 医疗
B. 教育
C. 交通
D. 金融
解析：基础概念
A. 专家系统
B. 分散控制
C. agent(艾真体)
D. 互联网
A. 表格型的数据结构，含有一组无序的列，每列可以是不同的值类型
B. 既有行索引，也有列索引，可被看做有Series组成的字典
C. 与其他类似的数据结构相比（如R语言的datframe），DataFrame中面向行和面向列的操作基本上是平衡的
D. 数据一一个或多个二维块存放，而不是列表、字典或别的一维数据结构
解析：见函数库
A. 防止过拟合
B. 减小误差
C. 增加网络复杂度
解析：dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。
解析：正确
A. Zookeeper
B. Chubby
C. RPC
D. Socket
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. 循环神经网络
B. 卷积神经网络
C. word2vec
D. bert
A. 函数的递归调用必须有一个明确的结束条件
B. 函数的递归调用每次进入更深一层递归时，问题规模相比上次递归都应有所减少
C. 函数的递归调用效率不高，递归层次过多会导致栈溢出（在计算机中，函数调用是通过栈（stack）这种数据结构实现的，每当进入一个函数调用，栈就会加一层栈帧，每当函数返回，栈就会减一层栈)
D. 函数的递归调用由于栈的大小是无限的，所以，递归调用的次数过多，也不会导致栈溢出
解析：彩色三个通道
