相关题目
已知：1)大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。2)每一个神经元都有输入、处理函数和输出。3)神经元组合起来形成了网络，可以拟合任何函数。4)为了得到最佳的神经网络，我们用梯度下降方法不断更新模型。给定上述关于神经网络的描述，（）什么情况下神经网络模型被称为深度学习模型？（难度：★）
梯度下降算法的正确步骤是什么？（难度：★★）1)计算预测值和真实值之间的误差2)重复迭代，直至得到网络权重的最佳值3)把输入传入网络，得到输出值4)用随机值初始化权重和偏差5)对每一个产生误差的神经元，调整相应的（权重）值以减小误差
基于统计的分词方法为（）。（难度：★★★）
在大规模的语料中，挖掘词的相关性是一个重要的问题。以下哪一个信息不能用于确定两个词的相关性？（难度：★★★★）
对于神经网络的说法，下面正确的是（）。（难度：★）1)增加神经网络层数，可能会增加测试数据集的分类错误率2)减少神经网络层数，总是能减小测试数据集的分类错误率3)增加神经网络层数，总是能减小训练数据集的分类错误率
语言模型的参数估计经常使用最大似然估计，面临的一个问题是没有出现的项概率为0，这样会导致语言模型的效果不好。为了解决这个问题，需要使用（）。（难度：★★）
当考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个针对类似问题已经预先训练好的神经网络。你可以用下面哪种方法来利用这个预先训练好的网络？（难度：★★）
我们想在大数据集上训练决策树，为了使训练时间更少，我们可以（）。（难度：★）
以P(w)表示词条w的概率，假设已知P（南京）=0.8，P（市长）=0.6，P（江大桥）=0.4，P（南京市）=0.3，P（长江大桥）=0.5，在训练语料中未出现的词条概率为0。假设前后两个词的出现是独立的，那么分词结果就是（）。（难度：★★★）
假设在训练中我们突然遇到了一个问题：在几次循环之后，误差瞬间降低。你认为数据有问题，于是你画出了数据并且发现也许是数据的偏度过大造成了这个问题，你打算怎么做来处理这个问题？（难度：★★★）
