A.關(guān)聯(lián)分析
B.分類和預(yù)測
C.聚類分析
D.演變分析
您可能感興趣的試卷
你可能感興趣的試題
A.關(guān)聯(lián)分析
B.分類和預(yù)測
C.演變分析
D.概念描述
A.選擇任務(wù)相關(guān)的數(shù)據(jù)
B.選擇要挖掘的知識類型
C.模式的興趣度度量
D.模式的可視化表示
A.關(guān)聯(lián)分析
B.分類和預(yù)測
C.孤立點分析
D.演變分析
E.概念描述
A.關(guān)聯(lián)分析
B.分類和預(yù)測
C.聚類分析
D.孤立點分析
E.演變分析
A.所涉及的算法的復(fù)雜性
B.所涉及的數(shù)據(jù)量
C.計算結(jié)果的表現(xiàn)形式
D.是否使用了人工智能技術(shù)
最新試題
數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。
小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計算機手段來完成。
當MAP中使用的先驗是參數(shù)空間上的統(tǒng)一先驗時,MAP估計等于ML估計。
由于分類是回歸的一種特殊情況,因此邏輯回歸是線性回歸的一種特殊情況。
通常,當試圖從大量觀察中學(xué)習(xí)具有少量狀態(tài)的HMM時,我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓(xùn)練數(shù)據(jù)的可能性。
任務(wù)調(diào)度系統(tǒng)的設(shè)計與實現(xiàn)才能使得數(shù)據(jù)收集工作可以不間斷地按照既定的目標從目標源獲取數(shù)據(jù)。
給定用于2類分類問題的線性可分離數(shù)據(jù)集,線性SVM優(yōu)于感知器,因為SVM通常能夠在訓(xùn)練集上實現(xiàn)更好的分類精度。
如果P(A B)= P(A),則P(A∩B)= P(A)P(B)。
隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。
數(shù)據(jù)收集中的拉模式需要通過定時的方式不斷地觸發(fā),才能源源不斷地獲取對應(yīng)的數(shù)據(jù)。