--what’s his mother like? --______.
______ all the animals i’ve ever had, these two dogs are the most sensitive to the spoken word.
在密立根油滴实验中，需要记录的物理量有（ ）。
液体的表面张力总是力图缩小液体的表面积。
下列关于热机和环境保护的说法，正确的是（ ）。
铁磁材料的磁化过程是不可逆过程。
分光计实验中，望远镜调节完成后，通过目镜看到狭缝的像不清晰，可以通过调节哪个部件使之清晰（ ）。
关于理想气体，下列说确的是( )。
常用的焊缝无损检测方法中，适合于焊缝内部缺陷检测的方法是( )。
在结构平面图中构件代号tl表示()。
the main route of tranission of hepatitis b does not include
what is wrong about mother-to-child tranission and blocking
in china, the most common cause of liver damage is
the most common type of viral hepatitis in china is
which of the following statements is correct:
will patients with chronic hepatitis b have symptoms? if hepatitis b patients are found in time, do they need treatment if they have no symptoms?
the routes of tranission of hepatitis c include
the main route of tranission of hcv is
the main measures to control the spread of hcv are
the common hepatitis c virus genotypes in china are not included
which groups should be screened for hepatitis c
电影最早诞生在（）
电影的诞生日是（）
2011年上映的法国电影《艺术家》成功的元素有（）
电影《艺术家》是法国人拍摄的向（）致敬的黑白默片
《艺术家》没有获得奥斯卡金像奖的奖项是（）
法国喜剧经典电影《虎口脱险》的导演是（）
影片《虎口脱险》中乐队指挥的扮演者是法国著名喜剧演员（）
下列哪个元素不属于影片《虎口脱险》中彰显出来的法国喜剧精神？
意大利电影《美丽人生》中的父亲，他没有英俊的外表，宽阔的肩膀，但他在残酷的集中营中用生命给了儿子最好的礼物是（）
《桃姐》的主演（） 凭此片成为继巩俐之后威尼斯电影节第二位华人影后。
传记影片《乔布斯》中的人物原型乔布斯一生中曾经几次登上《时代》杂志的封面？
电影《乔布斯》的导演对乔布斯和他的朋友们的评价是（）
乔布斯离开苹果之后创办的电脑动画工作室拍摄的第一部完全利用电脑技术的动画长片是（）
乔布斯于哪一年去世？
爱情电影《西雅图夜未眠》的女主演是（）
电影《合伙人》的片尾在歌曲（）中展现了知名企业家的人物画廊。
《桃姐》是华语电影里少有的反映（）的电影。
《盗梦空间》中使用的镜头是什么样的镜头？
诺兰在《盗梦空间》中营造了几层时空？
《盗梦空间》的主题是什么？
下列哪部作品不是丹尼·鲍尔的代表作品？
英国著名导演丹尼·鲍尔的影片《127小时》的主题是什么？
意大利电影《美丽人生》 采用（）的手法描述了奎多一家在纳粹集中营中的悲欢离合，展示了奎多对美丽人生的憧憬和在残酷环境有的乐观。
电影《小鞋子》的导演是（）
《合伙人》电影中主人公的故事是以现实中哪个机构为原型的？
《合伙人》的三个男主人公中曾成功留学的是（）
意大利电影《美丽人生》的导演是（）
意大利电影《美丽人生》是一部反映（）的电影
《我的野蛮女友》女主角的扮演者全智贤还出演了以下哪部影片？
伊朗电影毫无争议的旗手人物是（）
《小鞋子》的结尾是（）
《情书》的导演是（）
影片《情书》中有着含蓄、纯美的爱恋的一男一女同名同姓，叫做（）
在印度孟买，有一个赫赫有名的（），以“世界上最大的电影工业基地”之名与好莱坞分庭抗礼。
影片《三傻大闹宝莱坞》的结尾，男主人公成为了（）
《我的野蛮女友》的女主角“野蛮”的深层原因是
《我的野蛮女友》的女主角“野蛮”的深层原因是
《我的野蛮女友》的导演是（）
获得奥斯卡最佳外语片奖的《入殓师》是哪个的电影？
“生死是一道门”是哪部电影中表达出的对生死的感悟？
机器学习可以用于哪些情形？
以下哪些属于监督学习？
机器学习的类型有？
有监督学习是分类同时定性的，而无监督学习是先聚类后定性的。
半监督学习没标签数据的数量常常远大于有标签数据的数量。
不平衡问题的领域有？
识别任务中，召回率是被预测为“正面”的测试数据中结果是正确的比例。
已知变量x与y正相关，且由观测数据算得x的样本平均值为3，y的样本平均值为3.5，则由该观测数据算得的线性回归方程可能是
在两个变量的回归分析中，作散点图是为了
下列两个变量之间的关系，哪个是函数关系
在线性回归方程y=a bx中，回归系数b表示
若每一吨铸铁成本y（元）与铸件废品率x%建立的回归方程y=56 8x，下列说确的是
若根据x与y之间的一组数据求得两个变量之间的线性回归方程为y=a bx，已知：数据x的平均值为2，数据y的平均值为3，则
下列结论正确的是
广义加性模型由什么特点
广义加性模型的拟合方法有
下列说确的是
为了考察两个变量x和y的线性相关性，甲、乙两个同学各自独立地做10次和15次实验，并且利用线性回归方法，求得回归直线分别为l1和l2。已知在两个人的实验中发现对变量x的观测数据的平均值恰好相等，都为s，对变量y的观测数据的平均值也恰好相等，都为t，那么下列说法错误的是
线性假设是指自变量xj的变化对因变量y的影响与其他自变量的的取值无关。
“回归函数在边界区域是线性的”这个附加约束使自然样条在边界处产生更稳定的估计
在n-w方法中，核函数的带宽h越小，估计的回归函数曲线越光滑，h越大，估计的回归函数曲线波动越大。
广义加性模型在保持其他自变量不变的情形下可以分析每个自变量对因变量的单独效应。
回归函数刻画了平均意义下因变量与自变量的相依关系。
回归分析的研究对象是具有相关关系的变量。
回归分析的首要问题是
分段多项式回归的回归系数发生的临界点称为
自然样条是添加了 的样条回归：回归函数在边界区域是线性的。
做样条回归时，如果结点个数过 ，样条的回归曲线将非常曲折；反之，将过于平坦。
在光滑样条回归的目标函数中， 的作用是使得回归函数尽可能拟合训练数据
随机森林中分类树的多样性来自于？
k最近邻法中，随着参数k的变大，最近邻分类器的偏差和方差将如何变化？
分类树和回归树分别被用于预测什么类型的变量？
k最近邻法的基本要素有？
目前集成树的产生方法大致可以分为两类。以下哪些算法属于个体分类树之间不存在强依赖、可同时生成的并行化方法这一类？
在分类树中，哪些指标可以作为二叉分裂的准则。
lda和qda都假设每一类观测服从正态分布，但是lda假设每一类观测都有自己的方差（或者协方差矩阵）。
在构建回归树的过程中，一般采用递归二叉分裂的方法来划分自变量空间。这种方法的贪婪性体现在构建树的每一过程中，“最优”分裂仅限于某一局部过程，而不是针对全局过程。
在分类树中，节点的纯度越高，则互熵的值越大。
从偏差-方差权衡的角度看，adaboost主要关注降低偏差，因此adaboost能基于泛化性能相当弱的分类器构建出很强的集成分类器。
贝叶斯分类器将待判别的样本分类到使得样本的后验概率达到最大的那个类中。
k最近邻法具有显式的学习过程。
一般，我们采用什么方法来估计逻辑斯蒂模型中的参数？
决策树是采用什么策略处理问题的一种方法？
在构建回归树的过程中，我们一般采用什么方法将自变量空间划分为j个矩形区域？
什么就是通过构建并整合多棵分类树来完成分类任务？
怎样理解非完美分类的超平面分类器？
svm算法的性能取决于？
svm算法的最小时间复杂度是o(n*n)。基于这一点，以下哪种规格的数据集并不适用于该算法？
假定现在有一个四分类问题，你要用one-vs-all策略训练一个svm的模型，你需要训练几个svm模型？
常用的核函数有？
下面哪些是svm在实际生活中的应用？
支持向量分类器的判断规则只由训练观测的一部分（支持向量）确定。
支持向量机通过使用核函数来扩大特征空间。
支持向量机可看作是一类简单、直观的最大间隔分类器的推广。
支持向量是最靠近决策表面的数据点。
在构建决策树时，需要计算每个用来划分数据特征的得分，选择分数最高的特征，以下可以作为得分的是？
在决策树学习过程中，哪些情况可能会导致问题数据（特征相同但是标签不同）？
在构建决策树时，以下属于处理有多个值的特征的方法的是
在构建决策树时，以下属于处理实值特征的方法的是
在下列哪些情况下可以为标签创建叶节点。
树的内部结点用特征作标签，树枝用是否符合特征来标签。
过拟合发生在模型太过偏向训练数据时，对于决策树可以采用修剪的方法阻止过拟合。
对于实值特征，可以用比较测试将数据划分为两部分，或者选择范围过滤。
决策树的节点有两种类型：内部节点和叶节点。内部节点表示一个特征或属性，叶节点表示一个类。
过拟合发生在模型太过偏向训练数据时。
决策树的修剪可以采用正则化的方法。
我们要用概率模型对数据和标签进行学习，需要数据/标签对服从某种概率分布，称为 。
在决策树学习中将已生成的树进行简化的过程称为 。
boosting算法中的加权体现在？
adaboost算法对于每个弱分类器都需要进行以下三步操作： 1、计算加权误差 2、改变每个例子的权重 3、计算分类器的得分 请选择正确的排序？
以下哪些算法是boosting的变种？
以下属于分割训练数据方法的特点有？
以下选项属于装袋的特点有？
在合奏学习中，我们可以由以下哪些方法获得独立的分类器？
装袋是指通过取样从原始训练数据集中创建m个“新”训练数据集（m"bootstrap"样本），在每个数据集上训练分类器分类，从m个分类器中获得多数投票。
boosting算法对正确分类的数据增加权重，对错误分类的数据减小权重。
adaboost算法更新数据权重只根据当前分类器更新权重（不改变以前分类器的权重）。
一般情况下，boosting算法即使经过大量迭代，也不会过度拟合。
一个强分类器是以概率1-p产生一个误差率小于0.5的分类器。
假如有3个独立的分类器，每个分类器犯错误的概率相同为0.1，那么合奏学习错误的概率是多少？
装袋算法（bagging）使用什么作为数据生成分布的代理？
在adaboost算法中，如果一个分类器的误差权重为0.5，那么它的“得分”是？
一级树可以称为什么？
基于模型的机器学习包括以下步骤：1、选择一个优化标准（即目标函数），2、建立一个学习算法，3、选择一个模型。则正确步骤为
随着模型复杂度逐渐增加，训练集的偏差平方和方差分别会如何变化？
增加训练数据会导致以下哪些结果？
通过梯度下降的原理，求损失函数的极小值来对模型进行优化是在训练集上进行的。
与采用权重的和作为正则化项相比，采用权重的平方和作为正则化项会给予权重的较大值更多的惩罚。
通过梯度下降法最小化训练集的损失函数得到的参数一般不会使测试集也最小。
随着分类器复杂度逐渐增加，测试集上的误差/损失会呈现先下降后上升的趋势。
正则化项时损失函数的附加标准，以确保不会过拟合。
引入正则化项可以惩罚较大的权重。
l1正则化往往会导致稀疏k8凯发的解决方案（大量零权重）。
非线性机器学习算法具有以下的什么特性？
神经网络的学习步骤包括：1、求得权重等参数，2、定义代价函数，3、对测试数据进行预测，4、根据样本数据和标签采用梯度下降法进行学习，步骤的正确顺序为：
使用均方误差作为代价函数，有什么特点？
感知器可以解决一下哪些问题？
神经网络具有下面哪几个特点？
以下会造成梯度消失的激活函数有
单层感知器能对线形可分的数据集进行分类，能解决逻辑问题异或。
前馈神经网络中偏置单元可以有输入。
在某种意思上，小批量梯度下降算法是以迭代次数换取算法的运行速度。
神经网络中的神经元有两个状态：兴奋、抑制。这两个状态由阈值决定。
前馈式神经网络层间有反馈。
小批量梯度下降法在迭代的每一步中，参数的更新只用了小批量样本的信息
小批量梯度下降法和随机梯度下降算法收敛可能需要更多的迭代次数
在 模型中，每个神经元同时将自身的输出作为输入信号反馈给其他神经元
卷积层具有以下哪些特点？
以下能够避免过拟合的方法有？
以下能够避免梯度消失和梯度爆炸的方法有？
以下哪些属于深层网络模型？
池化层可以非常有效地缩小参数矩阵的尺寸，从而减少后面的卷积层或者全连接层中的参数数量。
多伦多大学的geoffrey hinton教授利用预训练的方式来缓解局部最优解的问题，提出了真正意义上的深度神经网络，从而掀起了第二次机器学习热潮——“深度学习”。
正则化方法是一种通过引入额外的新信息来解决机器学习中过拟合问题的方法。
全连接的神经网络应用于图像处理时可能会导致一个严重的参数数量的膨胀的问题。
卷积层的输出通常由3个量来控制，它们分别是深度、步幅和什么？
深度神经网络和浅度神经网络模型具有相似的结构，由输入层、输出层和什么构成？
我们将在深度网络学习的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃的方法称作什么？
以下哪些方法可以确定k-均值算法已经收敛？
以下哪些算法可以处理非高斯数据？
无监督学习可以应用于哪些方面？
以下哪些选项是k-均值聚类面临的问题？
聚类可以应用于哪些方面？
在k-均值算法中，以下哪些方法可以用于随机种子的选择？
em算法可以应用于以下哪些方面？
聚类算法中的谱聚类算法是一种分层算法。
两个向量之间的余弦距离等于1减这两个向量的余弦相似度。
k-均值 算法能够克服最远点不能处理离群值的问题。
k-means和em聚类之间的主要区别之一是em聚类是一种“软”聚类算法。
监督学习的训练集时有标签的数据。
在文本聚类中，欧氏距离是比较适合的。
无监督学习中除了聚类，另一种是什么？
我们将一个数据可以属于多个类（概率）的聚类称作什么？
em算法中，e代表期望，m代表什么？
若根据x与y之间的一组数据求得两个变量之间的线性回归方程为y=a bx，已知：数据x的平均值为3，数据y的平均值为5，则
svm算法的性能取决于？
假定现在有一个四分类问题，你要用one-vs-all策略训练一个svm的模型，你需要训练几个svm模型？
在决策树学习过程中，哪些情况可能会导致问题数据（特征相同但是标签不同）？
随着模型复杂度逐渐增加，训练集的偏差平方和方差分别会如何变化？
以下哪些属于监督学习？
机器学习的类型有？
广义加性模型的拟合方法有
下列说确的是
在下列哪些情况下可以为标签创建叶节点
增加训练数据会导致以下哪些结果？
使用均方误差作为代价函数，有什么特点？
以下会造成梯度消失的激活函数有
感知器可以解决一下哪些问题？
em算法可以应用于以下哪些方面？
在n-w方法中，核函数的带宽h越大，估计的回归函数曲线越光滑，h越小，估计的回归函数曲线波动越大。
回归函数刻画了平均意义下因变量与自变量的相依关系。
广义加性模型在保持其他自变量不变的情形下可以分析每个自变量对因变量的单独效应。
支持向量机通过使用核函数来扩大特征空间。
构建决策树时，对于实值特征，可以用比较测试将数据划分为两部分，或者选择范围过滤。
请简单叙述卷积神经网络中，卷积层和池化层的原理和作用？
当电路中电流的实际方向与参考方向相反，电流值 。
已知空间有a、b两点，电压uab=10v，a点电位为va=4v，则b点电位vb为 。
当电流源开路时，该电流源内部 。
电路元件的电压与电流参考方向如图所示，若u<0，i>0，则电压与电流的参考方向为 。
如图所示电路中，其中3a电流源两端的电压u为 。
当电路中电流的参考方向与电流的真实方向相反时，该电流 。
电路如图所示, 若r、is、us均大于零，则电路的功率情况为 。
电路模型是实际的电路元件。
电压源和电流源在电路中都发出功率，起电源作用。
电压和电流计算结果得负值，说明它们的参考方向假设反了。
电压源的功率p=ui一定大于零。
恒流电流的大小可以随时间变化。
一个电热器从220v的电源取用功率为100w，若连接到100v电源则取用功率的为50w。
电源的额定功率为125w，端电压为220v，当接上一个“220v,60w”的灯泡时，则灯泡会被烧坏。
电源输出的功率和电流的大小于负载的大小。
uab表示a端电位高于b端电位。
电气设备在使用时，电压、电流和功率的实际值一定要等于它们的额定值。
“健康第一，学习第二”的育才观是（ ）提出来的
2016年8月平总在大会堂会见（ ）时说“不以胜负论英雄”
南京理工大学动商研究中心强调：（ ）决定孩子未来的远度
世界排球史上第一支连续5次夺冠的队伍是
女排第一个世界冠军是
女排在世界杯、世界锦标赛、奥运会三大赛中，总共取得世界冠军：
女排五连冠是：
女排就成为了国人的骄傲和精神动力，全社会掀起了一股学习女排的热潮，以下为全国学习的女排精神的是：
乒乓球冠军邓亚萍的学习经历告诉我们
雅典奥运会女子击剑金牌的运动员马瑞尔·扎古尼斯的事迹告诉我们
1968年墨西哥奥运会，马拉松运动员约翰.阿赫瓦里说：“我的祖国从7000英里的远方把我送到这里，不是让我开始比赛，而是让我完成比赛”，该运动员来自？
1981年北大学生齐喊口号 “团结起来，振兴” 是从哪场赛事流传出来的？
体育团队必须是高效的团队，它具有以下特征（多选题）：
加拿大运动员勒比厄在1988年第24届汉城奥运会上表现的体育精神是
在1997年英超联赛利物浦客场对阵阿森纳的时候，利物浦射手福勒演绎（）体育精神。
篮球明星内特·罗宾逊在篮球生涯中的成长告诉我们（）
俄罗斯28岁的老将涅莫夫在雅典奥运会体操男子单杠决赛中表现出的体育精神是（）
北美是职业体育最为发达的地区之一，以下哪一个不是其具代表性的四大职业体育联盟
龙舟竞渡起源于什么时候？
龙舟的体育精神是什么？
本节提到的龙舟竞渡是在几月份举行？
龙舟精神的核心是:
在本节中龙舟竞渡的仪式有几个步骤？
龙舟赛事分类为几类？
女排第一个世界冠军是
乒乓球冠军邓亚萍的学习经历告诉我们（）
女排在世界杯、世界锦标赛、奥运会三大赛中，总共取得世界冠军：
俄罗斯28岁的老将涅莫夫在雅典奥运会体操男子单杠决赛中表现出的体育精神是（）
龙舟的体育精神是什么？
.在1997年英超联赛利物浦客场对阵阿森纳的时候，利物浦射手福勒演绎（）体育精神。
篮球明星内特·罗宾逊在篮球生涯中的成长告诉我们（）
女排在世界杯、世界锦标赛、奥运会三大赛中，总共取得世界冠军：
太极拳通常有几大门派？
女排就成为了国人的骄傲和精神动力，全社会掀起了一股学习女排的热潮，以下为全国学习的女排精神的是：
猜你喜欢
- 2023-10-22 23:43
- 2023-10-22 23:37
- 2023-10-22 23:25
- 2023-10-22 23:16
- 2023-10-22 23:16
- 2023-10-22 23:01
- 2023-10-22 22:20
- 2023-10-22 22:15
- 2023-10-22 21:45
- 2023-10-22 21:31