283、【单选题 #6】人类细胞之间的轴突—树突(轴突—神经元胞体或轴突—轴突)接触称为神经元的( )。

302、【单选题 #7】强化学习是从( ),参数扰动自适应控制等理论发展而来的,其基本原理是:如果智能体的某个行为策略导致环境正的奖赏,那么该智能体以后产生这个行为策略的趋势便会加强。

301、【单选题 #7】强化学习不要求预先给定任何数据,主要表现在强化信号上,通过接收环境对动作的( )获得学习信息,并更新模型参数。

300、【单选题 #7】强化学习侧重在线学习,并试图在探索—利用间保持平衡,用于描述和解决智能体在与环境的交互过程中,以“( )”的方式,通过学习策略达成回报最大化或实现特定目标的问题。

299、【单选题 #7】强化学习是机器学习中一种广泛应用于创建( )的模式,其主要问题是:一个智能体如何在环境未知,只提供对环境的感知和偶尔的奖励情况下,对某项任务变得精通。

298、【单选题 #6】下列场景中,( )是深度学习技术的典型应用领域。① 语音识别② 科学计算③ 机器翻译④ 自动驾驶

297、【单选题 #6】迁移学习需要研究如何利用正迁移,避免负迁移。它的主要迁移方式有( )。① 基于实例的迁移② 基于特征的迁移③ 基于算法的迁移④ 基于共享参数的迁移

296、【单选题 #6】从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果,迁移学习的关键点是( )。① 迁去何处② 迁移什么③ 如何迁移④ 何时迁移

295、【单选题 #6】如何充分利用之前标注好的数据(废物利用),同时又保证在新的任务上的模型精度——基于这样的需求,就有了对( )的研究。

294、【单选题 #6】卷积神经网络中池化层的核心目标之一是提供空间方差,即使它的外观以某种方式发生改变,机器也能够将对象识别出来。池化层通常由一个简单的操作完成,比如( )。① max② min③ average④ total

293、【单选题 #6】与常规神经网络不同,卷积神经网络各层中的神经元是三维排列的:( )。在其结构的最后部分,将会把全尺寸的图像压缩为包含分类评分的一个深度方向排列的向量。① 宽度② 高度③ 精度④ 深度