A.RNN
B.CNN
C.FCNN
D.LSTM
E.GAN

A.以数学眼光来看CNN是NN的子集合
B.机器学习是深度学习的一种
C.人工智能是一种深度学习
D.深度学习通常隐藏层在百层以上的神经网络，这样才够深
E.CNN是一种有记忆的神经网络，会记得上一次的输入

A.神经网络调整参数的方式是一种前馈神经网络（FeedforwardNeuralNetwork）
B.学习率在迭代的参数调整过程中会固定不变
C.梯度下降是运用积分的技巧来达成
D.损失函数移动的方向跟梯度的方向相同
E.神经网络调整参数的顺序是从后面一层层往前调

A.损失函数是对每个输入的预测值与真实值的差异计算总和
B.透过梯度下降一定可以找到降低损失函数的最佳解
C.损失函数的变量是可以调整的参数
D.训练神经网络是透过参数的调整来降低损失函数
E.梯度下降是降低损失函数的一种算法

A.传统的神经网络是指全链接神经网络
B.全链接神经网络也叫标准神经网络
C.标准神经网络通常称为NN（neuralnetwork）
D.全链接神经网络的每个神经元都会跟前后层的神经元相连
E.每个神经元内部的计算架构都不一样

A.建构神经网络时需要知道最终的函数学习机长什么样子
B.打造一个神经网络的函数学习机是透过编程来达成
C.神经网络模型可分成输入层、表现层及输出层
D.神经网络模型可分成输入层、隐藏层及输出层
E.神经网络模型可分成输入层、激发层及输出层

A.判定树可以是多元树
B.判定树的起始点称为根节点
C.判定树是一种分群的机器学习技术
D.判定树上的内部节点代表一个特征值
E.判定树上的树叶就是代表一种分类结果

A.支持向量机的分类函数称为核函数（kernelfunction）
B.核函数（kernelfunction）都是非线性的
C.核函数可以多项式核函数及径向基核函数
D.利用核函数的变化，可以将原先在低维度空间无法分类的问题转到高维度空间达以达成需要的分类效果
E.支持向量机可以透过核函数的转换，简化分类的困难度

A.分群问题被定义为：将未知的新讯息归纳进已知的信息中
B.机器学习领域中的分群问题，重点在于新的数据和已分类的数据互相比较，看看新数据在分类过的数据中，和哪一类数据比较类似
C.分类问题就是一群数据中没有明确的分类或群体，而是必须透过它们所具有的特
D.分群的问题要事先帮数据做卷标（label）
E.分群的基础在于要根据可以区分出两种群体的特征来分群

A.算法、复杂的软件、计算机计算能力
B.算法、无适当的数据库、计算机计算能力
C.缺强大的操作系统、无适当的数据库、计算机计算能力
D.复杂的软件、计算机计算能力、大量的数据
E.无适当的数据库、计算机计算能力、大量的数据