A、从偏差-方差分解的角度看，Boosting主要关注降低偏差
B、从偏差-方差分解的角度看，Bagging主要关注降低方差
C、随机森林简单、容易实现、计算开销小
D、 Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
答案：D
解析：从偏差一方差分解的角度看，Boosting主要关住降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成
A、从偏差-方差分解的角度看，Boosting主要关注降低偏差
B、从偏差-方差分解的角度看，Bagging主要关注降低方差
C、随机森林简单、容易实现、计算开销小
D、 Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
答案：D
解析：从偏差一方差分解的角度看，Boosting主要关住降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成
A. 让每一层的输入的范围都大致固定
B. 它将权重的归一化平均值和标准差
C. 它是一种非常有效的反向传播(BP)方法
D. 这些均不是
A. 数据处理
B. 网络定义
C. 网络训练
D. 网络评估
解析：基础知识
A. 基本假设包括随机干扰项是均值为0,方差为1的标准正态分布
B. 基本假设包括随机干扰项是均值为0的同方差正态分布
C. 多重共线性会使得参数估计值方差减小
D. 基本假设包括不服从正态分布的随机干扰项
解析：线性回归基本假设包括随机干扰项是均值为0的同方差正态分布
A. 字符串
B. 整型
C. 列表
D. 元组
A. 可读,可写入,可执行
B. 可读
C. 可读,可执行
D. 可写入
A. 符号主义
B. 连接主义
C. 行为主义
D. 模拟主义
解析：人工智能主要研究流派为符号主义、连接主义和行为主义
A. 到2035年
B. 到2030年
C. 到2025年
D. 到2020年
解析：我国人工智能三步走战略，其中第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点
A. 负梯度方向是使函数值下降最快的方向
B. 当目标函数是凸函数时，梯度下降法的解是全局最优解
C. 梯度下降法比牛顿发收敛速度快
D. 梯度下降法需要确定合适的迭代步长
解析：牛顿法需要二阶求导，梯度下降法只需一阶，因此牛顿法比梯度下
降法更快收敛。
A. 不定长
B. 收集
C. 可变
D. 不可变
