A、
神经网络的类型(如MLP,CNN)
B、输入数据
C、 计算能力(硬件和软件能力决定)
D、学习速率与映射的输出函数
答案：ABCD
解析：所有上述因素对于选择神经网络模型的深度都是重要的。特征抽取所需分层越多, 输入数据维度越高, 映射的输出函数非线性越复杂, 所需深度就越深. 另外为了达到最佳效果, 增加深度所带来的参数量增加, 也需要考虑硬件计算能力和学习速率以设计合理的训练时间。
A、
神经网络的类型(如MLP,CNN)
B、输入数据
C、 计算能力(硬件和软件能力决定)
D、学习速率与映射的输出函数
答案：ABCD
解析：所有上述因素对于选择神经网络模型的深度都是重要的。特征抽取所需分层越多, 输入数据维度越高, 映射的输出函数非线性越复杂, 所需深度就越深. 另外为了达到最佳效果, 增加深度所带来的参数量增加, 也需要考虑硬件计算能力和学习速率以设计合理的训练时间。
A. 标准差
B. 方差
C. 偏差
D. 平方差
解析：过拟合会出现高方差问题
A. 1
B. 2
C. 1和3
D. 2和4
A. 全连接层
B. 隐藏层
C. 卷积层
D. 池化层
A. 命名实体识别
B. 实体链接
C. 关系抽取
D. 词性标注
解析：知识图谱构建的不太利用词性标注
解析：正确
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：见算法解析
A. 字符串
B. 列表
C. 元组
D. 集合
解析：ABC都是Python中的序列，但set不是，set本身是无序且不重复的，因此，它不能够通过索引及切片进行访问。
A. 函数代码块以def关键词开头，后接函数标识符名称和圆括号()
B. 任何传入参数和自变量必须放在圆括号中间，在无参数和自变量时可省去圆括号
C. 函数的第一行语句可以选择性地使用文档字符串—用于存放函数说明
D. 函数内容以冒号起始，并且缩进。
A. 术语NoSQL是“No!SQL”的缩写
B. 术语NoSQL可以理解为“NotOnlySQL”的缩写
C. NoSQL数据库始终遵循ACID原则
D. NoSQL数据库属于关系数据库技术
