Dropout是一种在深度学习环境中应用的正规化手段。它是这样运作的：在一次循环中我们先随机选择神经层中的一些单元并将其临时隐藏，然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中，我们又将隐藏另外一些神经元，如此直至训练结束。  根据以上描述，Dropout技术在下列哪种神经层中将无法发挥显著优势？

 假设你需要调整超参数来最小化代价函数（cost function），会使用下列哪项技术？

在感知机中（Perceptron）的任务顺序是什么？ 1 随机初始化感知机的权重 2 去到数据集的下一批（batch） 3 如果预测值和输出不一致，则调整权重 4 对一个输入样本，计算输出值

构建一个神经网络，将前一层的输出和它自身作为输入。  下列哪一种架构有反馈连接？

 下列哪项关于模型能力（model capacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力）

关于主成分分析PCA说法不正确的是

下列属于特征降维的方法有

当数据太大而不能同时在RAM中处理时，哪种梯度技术更有优势

使用决策树分类时，如果输入的某个特征的值是连续的，通常使用二分法对连续属性离散化，即根据是否大于/小于某个阈值进行划分。如果采用多路划分，每个出现的值都划分为一个分支，这种方式的最大问题是

我们想在大数据集上训练决策树, 为了减少训练时间, 我们可以

下列关于XGboost算法描述中错误的是