以下文字与答案无关
提示:有些试题内容 显示不完整,文字错误 或者 答案显示错误等问题,这是由于我们在扫描录入过程中 机器识别错误导致,人工逐条矫正总有遗漏,所以恳请 广大网友理解。
前馈神经网络
B:卷积神经网络
C:循环神经网络
D:生成对抗网络
神经网络+自然语言
B:神经网络 自然语言
C:神经网络-自然语言
D:神经网络OR自然语言
全连接网络完全不能做计算机视觉任务
B:全连接网络理论在处理视觉任务时计算量很小
C:全连接网络理论在处理视觉任务时会出现维数灾难现象,而卷积神经网络可以缓解这一现象
D:卷积神经网络只能做计算机视觉任务
线性判别分析(LDA)是一种无监督的降维方法。
主成分分析法(PCA)可以理解为是一种无监督的降维方法
主成分分析法(PCA)可以理解为是一种有监督的降维方法
线性判别分析(LDA)是一种有监督的降维方法。
卷积层
B:池化层
C:全连接层
D:以上都可以
输入层
B:全连接层
C:卷积层
D:池化层
中间语的翻译
B:基于浅层语法的翻译
C:基于贝叶斯公式
D:基于深层语法的翻译
中间语的翻译
B:基于浅层语法的翻译
C:基于贝叶斯公式
D:基于深层语法的翻译
高斯逼近
B:最大似然估计方法
C:蒙特卡洛方法
D:拉普拉斯近似
主成分分析法(PCA)可以理解为是一种无监督的降维方法
B:线性判别分析(LDA)是一种有监督的降维方法。
C:线性判别分析(LDA)是一种无监督的降维方法
D:主成分分析法(PCA)可以理解为是一种有监督的降维方法
A、图像识别
B、文本处理
C、问答系统
D、图像检测
最小池化层
B:最大池化层
C:平均池化层
D:乘积池化层
网络搜索
B:聚类算法
C:贝叶斯搜索
D:随机搜索
神经网络的更深层通常比前面层计算更复杂的输入特征
B:神经网络的前面层通常比更深层计算更复杂的输入特性
C:神经网络的前面层和更深层计算同样复杂的输入特性
D:不确定
奇异值分解
B:主成分分析
C:多维尺度分析
D:因子分析
图灵
B:贝叶斯
图灵
B:贝叶斯
一层输入层
B:多层分析层
C:多层隐藏层
D:两次输出层
Dropout
B:正则化
C:梯度下降
D:交叉验证
决策树
B:SVM
C:神经网络
D:随机森林
E:逻辑回归 F:KNN
条件概率
B:先验概率
C:后验概率
D:条件概率