A.建構(gòu)神經(jīng)網(wǎng)絡(luò)時(shí)需要知道最終的函數(shù)學(xué)習(xí)機(jī)長(zhǎng)什么樣子
B.打造一個(gè)神經(jīng)網(wǎng)絡(luò)的函數(shù)學(xué)習(xí)機(jī)是透過(guò)編程來(lái)達(dá)成
C.神經(jīng)網(wǎng)絡(luò)模型可分成輸入層、表現(xiàn)層及輸出層
D.神經(jīng)網(wǎng)絡(luò)模型可分成輸入層、隱藏層及輸出層
E.神經(jīng)網(wǎng)絡(luò)模型可分成輸入層、激發(fā)層及輸出層
您可能感興趣的試卷
你可能感興趣的試題
A.判定樹(shù)可以是多元樹(shù)
B.判定樹(shù)的起始點(diǎn)稱為根節(jié)點(diǎn)
C.判定樹(shù)是一種分群的機(jī)器學(xué)習(xí)技術(shù)
D.判定樹(shù)上的內(nèi)部節(jié)點(diǎn)代表一個(gè)特征值
E.判定樹(shù)上的樹(shù)葉就是代表一種分類結(jié)果
A.支持向量機(jī)的分類函數(shù)稱為核函數(shù)（kernelfunction）
B.核函數(shù)（kernelfunction）都是非線性的
C.核函數(shù)可以多項(xiàng)式核函數(shù)及徑向基核函數(shù)
D.利用核函數(shù)的變化，可以將原先在低維度空間無(wú)法分類的問(wèn)題轉(zhuǎn)到高維度空間達(dá)以達(dá)成需要的分類效果
E.支持向量機(jī)可以透過(guò)核函數(shù)的轉(zhuǎn)換，簡(jiǎn)化分類的困難度
A.分群?jiǎn)栴}被定義為：將未知的新訊息歸納進(jìn)已知的信息中
B.機(jī)器學(xué)習(xí)領(lǐng)域中的分群?jiǎn)栴}，重點(diǎn)在于新的數(shù)據(jù)和已分類的數(shù)據(jù)互相比較，看看新數(shù)據(jù)在分類過(guò)的數(shù)據(jù)中，和哪一類數(shù)據(jù)比較類似
C.分類問(wèn)題就是一群數(shù)據(jù)中沒(méi)有明確的分類或群體，而是必須透過(guò)它們所具有的特
D.分群的問(wèn)題要事先幫數(shù)據(jù)做卷標(biāo)（label）
E.分群的基礎(chǔ)在于要根據(jù)可以區(qū)分出兩種群體的特征來(lái)分群
A.算法、復(fù)雜的軟件、計(jì)算機(jī)計(jì)算能力
B.算法、無(wú)適當(dāng)?shù)臄?shù)據(jù)庫(kù)、計(jì)算機(jī)計(jì)算能力
C.缺強(qiáng)大的操作系統(tǒng)、無(wú)適當(dāng)?shù)臄?shù)據(jù)庫(kù)、計(jì)算機(jī)計(jì)算能力
D.復(fù)雜的軟件、計(jì)算機(jī)計(jì)算能力、大量的數(shù)據(jù)
E.無(wú)適當(dāng)?shù)臄?shù)據(jù)庫(kù)、計(jì)算機(jī)計(jì)算能力、大量的數(shù)據(jù)
A.收集歷史資料
B.把問(wèn)題化成函數(shù)的形式
C.先問(wèn)一個(gè)問(wèn)題
D.學(xué)習(xí)（訓(xùn)練）
E.打造一個(gè)函數(shù)學(xué)習(xí)機(jī)
最新試題
反向傳播算法和梯度下降算法在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的主要區(qū)別是什么（）？
人工智能發(fā)展的早期階段主要側(cè)重于哪方面的研究（）？
數(shù)量歸約中無(wú)參數(shù)的方法一般使用（）。
在深度學(xué)習(xí)中，哪些技術(shù)可以用于加速模型訓(xùn)練并提高模型在圖像分類和文本處理任務(wù)上的精確度（）？
在自然語(yǔ)言處理中，哪些方法可以用于提升自動(dòng)對(duì)話系統(tǒng)和文本摘要生成的自然性和流暢性（）？
圖像數(shù)據(jù)標(biāo)注可以用于（）算法中。
在自然語(yǔ)言處理任務(wù)中，哪些技術(shù)適用于提升文本分類的性能（）？
進(jìn)行模型訓(xùn)練之前，需要先把標(biāo)注好的數(shù)據(jù)進(jìn)行分類。訓(xùn)練有監(jiān)督學(xué)習(xí)模型時(shí)會(huì)將數(shù)據(jù)集劃分為（）。
度量泛化能力的好壞，最直觀的表現(xiàn)就是模型的（）。
在強(qiáng)化學(xué)習(xí)中，什么是“馬爾可夫性質(zhì)”（）？