A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象$;$K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念$;$K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇$;$K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇
答案：BCD
A、K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象$;$K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念$;$K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇$;$K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇
答案：BCD
A. 用户$;$综合数据库$;$推理机$;$知识库
A. 连接边$;$关系$;$属性$;$特征
A. GoogLeNet仅仅是在宽度上进行了探索，所以它是一个很浅的网络$;$GoogLeNet在宽度上进行了探索，为后人设计更加复杂的网络打开了思路$;$GoogLeNet使用了Inception结构，Inception结构只有V1这一个版本$;$GoogLeNet结合多种网络设计结构所以是到目前为止分类效果最好的网络结构
A. 促进公平公正$;$保护隐私安全$;$确保可控可信$;$强化责任担当
A. 损失函数值尽可能大$;$损失函数值尽可能小$;$损失函数方差值尽可能大$;$损失函数方差值尽可能小
A. 准确率是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率
$;$ 召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率
$;$ 正确率、召回率和 F 值取值都在0和1之间，数值越接近0，查准率或查全率就越高
$;$ 为了解决准确率和召回率冲突问题，引入了F1值
A. continue$;$break$;$return$;$pass
A. 分类$;$回归$;$聚类$;$关联规则挖掘
A. 十亿$;$百亿$;$千亿$;$万亿
