A、表示能力
B、泛化能力
C、算法收敛性
D、推理能力
答案:ABCD
解析:主要应用
A、表示能力
B、泛化能力
C、算法收敛性
D、推理能力
答案:ABCD
解析:主要应用
A. 权重
B. 分布
C. 概率
D. 数量
解析:Boosting的本质实际上是一个加法模型,通过改变训练样本权重学习多个分类器并进行一些线性组合
A. 搜索是为了达到某一目标而多次进行某种操作、运算、推理或计算的过程
B. 所有的智能活动过程,都可以看作或者抽象为一个基于搜索的问题求解
C. 搜索是人在求解问题时不知现成解法的情况下所采取的一种普遍方法
D. 搜索可以看作人类和其他生物所具有的一种元知识
A. 数据库即服务
B. 虚拟服务
C. 弹性计算
D. 按需服务
A. str.lstrip(‘char’)
B. str.strip(char)
C. str.rstrip(‘char’)
D. str.rstrip(char)
解析:基础概念
A. 基于数据挖掘的专家智能控制
B. 基于遗传算法的软计算控制
C. 基于人工神经网络的神经网络控制
D. 以上说法都不对
解析:基础概念
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
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. 多分类学习
B. 对数几率回归
C. 线性判别分析
D. 多分类学习
解析:见算法解析
A. 计算简单
B. 非线性
C. 具有饱和区
D. 几乎处处可微
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