选择下列计算机系统中属于人工智能的实例

()是一类用图来表达变量相关关系的概率模型。

特征选择是一个重要的()过程，在现实机器学习任务中，获得数据之后通常先进行特征选择，此后再训练学习器。

多样性度量是用于度量集成中个体()的多样性，即估算个体学习器的多样化程度。

随机森林是Bagging的一个扩展变体，它在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了()选择。

Boosting算法要求基学习器能对待定的数据分布进行学习，这可通过()实施。

()算法是常用的估计参数隐变量的利器，它是一种迭代式的方法。

贝叶斯网结构有效地表达了属性间的条件()

概率模型的训练过程就是()过程。

避免由于过拟合造成貌似线性可分的结果，一个解决的办法是允许支持向量机在一些样本上出错，为此引入()的概念。

一般的神经网络模型通常假定网络结构是事先固定的，与此不同，结构自适应网络则将网络结构也当作学习的目标之一，()网络是重要代表。