A、SVM对噪声（如来自其他分部的噪声样本）具备鲁棒性$;$在adaoost算法中，所有被分错样本的权重更新比例不相同$;$boosting和bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重$;$给定n个数据点，如果其中一半用于训练，一半用户测试，则训练误差和测试误差之间的差别会随着n的增加而减少的
答案：C
A、SVM对噪声（如来自其他分部的噪声样本）具备鲁棒性$;$在adaoost算法中，所有被分错样本的权重更新比例不相同$;$boosting和bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重$;$给定n个数据点，如果其中一半用于训练，一半用户测试，则训练误差和测试误差之间的差别会随着n的增加而减少的
答案：C
A. 归纳逻辑程序设计$;$内部逻辑程序设计$;$信息泄露防护$;$引入层次程序设计
A. 计算智能$;$感知智能$;$认知智能$;$以上都不正确
A. ReLU$;$tanh$;$SIGMOID$;$以上都不是
A. 高斯分布$;$均匀分布$;$二项分布$;$泊松分布
A. 人工智能模式$;$智能化模式$;$智慧模式$;$机器模式
A. open () $;$load ()
$;$read () $;$write ()
A. k-means$;$线性回归$;$神经网络$;$决策树
A. 模型分类的召回率不变$;$模型分类的召回率会升高$;$模型分类准确率会升高或不变$;$模型分类准确率降低
A. 正确$;$错误
A. 函数在某点的极限存在的充要条件是在该点左极限及右极限均存在且相等$;$函数在某点处解析指函数在该点及其领邻域内处处可导，解析函数的导数不一定是解析的$;$函数可导不一定连续；不可导的函数一定不连续；存在处处可导但处处不连续的函数$;$函数f(x)在x0处可导的充要条件是x在x0处的左右导数都存在且相等
