目前已有人工智能通过图灵测试

正则化是解决过拟合的方法之一（）

朴素贝叶斯算法常用于图像识别（）

在图像分类问题中，卷积层与全连接层可直接连接

训练时，发现RNN网络收敛速度较慢，这时需要减小学习率

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。

NFL（NoFreeLunchTheorem）定理有一个重要前提：所有“问题”出现的机会相同、或所有问题同等重要。

LDA算法假设文档中主题的先验分布和主题中词的先验分布都服从狄利克雷分布。

GMM-HMM模型中，GMM主要用于求某一因素的概率，HMM主要用于对每个文本-语音对建模。

GatedRecurrentunits的出现可以帮助防止在RNN中的梯度消失问题。

Batch归一化简化参数搜索问题。