A.是一种训练分类器的算法
B.利用被误分类的数据调整现有分类器的参数，使调整后的分类器判断更加准确
C.感知器的学习算法就是不断减少对数据误分类的过程
D.感知器的损失函数是在整个训练数据集上求得的
E.以上皆是

A.第一层
B.倒数第二层
C.倒数第一层
D.第二层
E.倒数第三层

A.一组可以动态变化的状态（state）。比如围棋棋盘上的黑白子的分布位置，市场上的每支股票的价格
B.一组可以选取的动作（action）。比如对于围棋来说，就是可以落子的位置；对于股票交易来说，就是每个时间点，买入或者卖出的股票以及数量
C.一个可以和决策主体（agent）进行交互的环境。这个环境会决定每个动作后状态如何变化。比如说围棋博弈中的对手，或者股票市场。在强化学习中，为了降低学习的代价，很多时后我们会使用一个通过机器模拟的环境，而不是以真实场景作为环境
D.回报（reward）规则。当决策主体通过行动状态发生变化时，它会获得回报或者受到惩罚
E.以上皆是

A.1997年，IBM的超级计算机“深蓝”击败国际象棋世界冠军加里卡斯珀罗夫
B.2014年IBM旗下的DeepMind团队开发了人工智能围棋程序AlphaGo
C.2015年10月，AlphaGo击败欧洲围棋世界冠军樊麾，成为第一个无需让子即可击败围棋职业选手的计算机围棋程序
D.2016年3月，AlphaGo以4：1的成绩击败围棋世界冠军，职业九段棋手李世乭
E.2017年5月，在中国乌镇-阿尔法元（AlphaGoZero）以3：0的成绩完胜围棋世界冠军柯洁

A.顾名思义就是数据所在的空间
B.若在生成图像这个任务中，数据空间就是一些图像的集合，所以也称为图像空间
C.数据集里的图像分布在这空间里，称为数据点
D.数据空间里的任何点都是有意义的
E.数据在数据空间的分布情况称为数据分布

A.0
B.0.1
C.1
D.10
E.1000

A.在时间上将一输入视频分段
B.从每个片段中随机选择光流图和图片帧（Frame）
C.对每个片段都使用感知机的框架进行行为识别
D.分段的类别得分进行融合，得到整个视频的行为类别
E.时序分段网络解决长视频识别的关键在于把视频沿时间轴分段，使采样样本能较为均匀地分布整个时间段

A.GoogleAlphaGo也是奠基于机器学习，透过计算机运算对手下棋的频率
B.广泛应用在图像、影像识别、推荐系统、辅助决策等金融、医疗、国防民生领域
C.深度学习网络就像黑盒子（blackbox），人们不容易理解模型中各网络层的内涵，就无法做出有效的调整
D.透过CNN模型，你可以输入一张图片，得到该图片属于哪种类别的结果，这过程我们把他称作分类（Classification）
E.行为理解问题一般遵从如下基本过程：特征提取与运动表征、行为识别、高层行为与场景理解

A.光流可以用来描述运动的方向
B.光流描述是三维的运动点投影到二为图像之后的投影点的运动
C.光流是同一个点在相邻两帧图像的位移
D.光流代表的是图像的位移不会受到遮挡、光罩变化和运动产生的模糊等因素影响
E.计算光流的关键是把两帧之间相同的点连接起来

A.主题词频=主题比重×文文件词频
B.文文件词频=主题比重×主题词频
C.主题比重=文文件词频×主题词频
D.主题词频=主题比重/文文件词频
E.文文件词频=主题比重/主题词频