题目内容

下面关于机器学习与深度学习的描述正确的是：

A. 深度学习是机器学习的重要分支
B. 深度学习来源于人工神经网络
C. 深度学习是多层的人工神经网络，典型的模型包括卷积神经网络等
D. 其它选项都不对

查看答案

搜索结果不匹配？点我反馈

更多问题

下面关于有监督学习、无监督学习的描述错误的是

A. 有监督学习是从有正确答案的样本集合中学习，即每个样本的分类标签（classification label）或者目标值（target value）已知
B. 无监督学习的学习过程中也利用到了每个样本的分类标签（classification label）或者目标值（target value）。
C. 有监督学习中样本的ground truth指的是每个样本的真实分类标签（classification label）或者真实目标值（target value）
D. 为了获得有监督学习中样本的真实分类标签（classification label）或者真实目标值（target value），某些情况下，可以采用人工专家标注的方法获得。

查看答案

下列关于scikit-learn的描述正确的是

A. scikit-learn包括许多知名的机器学习算法的实现，包括LIBSVM等
B. scikit-learn封装了其他的Python库，如自然语言处理的NLTK库
C. scikit-learn内置了大量数据集，如iris数据集等
D. scikit-learn实现了多种分类的评估方法，如准确率、精确率、召回率等

查看答案

假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是______ （要求：用小数表示，且保留小数点后两位）？实际类别预测类别正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

查看答案

自然语言处理中为了计算文档之间的相似度，往往需进行文档的量化表示，下面关于BOW（即Bag-Of-Words model）和VSM（Vector Space Model）的描述正确的是：

A. BOW，即词袋模型。即为了计算文档之间的相似度，假设可以忽略文档内的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合。
B. VSM，即向量空间模型。是一种表示文本文档的数学模型。将每个文档表示成同一向量空间的向量。
C. 在VSM，即向量空间模型中，所有文档的向量维度的数目都相同。
D. 其它选项都不对

查看答案

下面关于机器学习与深度学习的描述正确的是：

A. 深度学习是机器学习的重要分支 B. 深度学习来源于人工神经网络 C. 深度学习是多层的人工神经网络，典型的模型包括卷积神经网络等 D. 其它选项都不对

下面关于有监督学习、无监督学习的描述错误的是

下列关于scikit-learn的描述正确的是

自然语言处理中为了计算文档之间的相似度，往往需进行文档的量化表示，下面关于BOW（即Bag-Of-Words model）和VSM（Vector Space Model）的描述正确的是：

A. 深度学习是机器学习的重要分支
B. 深度学习来源于人工神经网络
C. 深度学习是多层的人工神经网络，典型的模型包括卷积神经网络等
D. 其它选项都不对