大数据是用来描述在我们网络的、数字的、遍布传感器的、信息驱动的世界中呈现出的数据泛滥的常用词语。大量数据资源为解决以前不可能解决的问题带来了可能性。

循环神经网络BPTT算法，A同一个权重参数，在每个时刻上，都调整一次

N-gram模型中，N指的是忽略距离大于n的上文词的影响，N越大时。模型包含的次序信息越丰富，同时计算量随之增大

经过权值和阈值不断迭代调整的过程，就是网络的学习与训练过程

假设我们要解决一个二类分类问题,我们已经建立好了模型,输出是0或1,初始时设阈值为0.5,超过0.5概率估计,就判别为1,否则就判别为0;如果我们现在用另一个大于0.5的阈值,那么现在关于模型说法,正确的是

哪些项属于集成学习

关于反向传播算法，它的主要不足在于

需要循环迭代的算法有

以下属于梯度下降的是

假设我们有一个使用ReLU激活函数(ReLU activation function)的神经网络，假如我们把ReLU激活替换为线性激活，那么这个神经网络能够模拟出同或函数(XNOR function)吗

下面哪个/些超参数的增加可能会造成随机森林数据过拟合？ 1 树的数量
2 树的深度3 学习速率