()适合连续特征，它假设每个特征对于每个类都符合正态分布。

产生式系统的组成部分包括（）

强化学习的回报值一个重要特点是具有()。

马尔可夫性质强调在每一个动作状态序列中,下一个状态与()有关。

在强化学习过程中,()表示随机地采取某个动作,以便于尝试各种结果;()表示采取当前认为最优的动作,以便于进一步优化评估当前认为最优的动作的值。

在ε-greedy策略当中,ε的值越大,表示采用随机的一个动作的概率越(),采用当前Q函数值最大的动作的概率越()。

在强化学习的过程中,学习率α越大,表示采用新的尝试得到的结果比例越(),保持旧的结果的比例越()。

()有跟环境进行交互,从反馈当中进行不断的学习的过程。

关于MNIST,下列说法错误的是()。

前馈型神经网络的中各个层之间是()的,反馈型神经网络中各个层之间是()的。

手写数字识别的例子中,输入的图片为长和宽都是28像素的图片,输出判断数字0-9的概率。要构建前馈型神经网络去解决这个问题,输入层是()维的,输出层是()维的。