图像数字化分为两个步骤：一为取样，二为（）。

若网络结构已知，即属性间的依赖关系已知，则贝叶斯网的学习过程相对简单，只需通过对训练样本"计数"。

当训练数据近似线性可分时，通过硬间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为硬间隔支持向量机。

XGBoost使用了一阶和二阶偏导，二阶导数有利于梯度下降的更快更准。使用泰勒展开取得二阶倒数形式， 可以在不选定损失函数具体形式的情况下用于算法优化分析。

k近邻法对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。

感知机学习算法可以直观解释为：当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整模型权重，使分离超平面向该误分类点的一侧移动，以减少该误分类点与超平面之间的距离，直至超平面越过该误分类点使其被正确分类。

若使用深度学习处理语义分类任务，在处理变长数据时，我们通常采取（）。

以下哪些不是常见的自然语言处理的网络结构。

强化学习中的两种免模型学习是（）、（）。

属于Boosting的扩展变体有哪些。

CRF模型对于HMM和MEMM模型的优势包括以下哪些？