1.7 总结-深度学习-Stanford吴恩达教授
←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
1.6 课程资源 | 回到目录 | 2.1 二元分类 |
总结
习题
第 1 题
“人工智能是新电力”这个比喻指的是什么?
A.人工智能为我们的家庭和办公室的个人设备供电,类似于电力。
B.通过“智能电网”,人工智能正在传递新一波的电力。
C.人工智能在计算机上运行,因此由电力驱动,但它让计算机做以前不可能做的事情。
D.与100年前开始的电力类似,人工智能正在改变多个行业。
第 2 题
以下哪些是最近深度学习开始崛起的原因?(选3个答案)
A.我们拥有了更多的计算能力
B.神经网络是一个崭新的领域。
C.我们有了更多的数据。
D.深度学习在诸如在线广告、语音识别和图像识别等重要应用方面取得了显著的改进。
第 3 题
回想一下这个机器学习迭代的图。以下哪项陈述是正确的?(选出所有正确项)
A.能够快速地尝试各种想法可以让深度学习的工程师更快地迭代。
B.更快的计算有助于加快团队迭代一个好主意所需的时间。
C.在大数据集上训练比在小数据集上训练更快。
D.深度学习算法的最新进展使我们能够更快地训练好的模型(即使不改变CPU/GPU硬件)。
第 4 题
当一个有经验的深度学习工程师处理一个新问题时,他们通常可以在第一次尝试时利用以前问题的洞察力来训练一个好的模型,而不需要在不同的模型中重复多次。
A.对 B.不对
第 5 题
这些图中的哪一个表示ReLU激活函数?
A.
B.
C.
D.
第 6 题
用于猫识别的图像是“结构化”数据的一个例子,因为它在计算机中表示为结构化的数组。
A.对 B.不对
第 7 题
人口数据集包含不同城市人口、人均GDP、经济增长的统计数据,这是“非结构化”数据的一个例子,因为它包含来自不同来源的数据。
A.对 B.不对
第 8 题
为什么RNN(递归神经网络)被用于机器翻译,比如说将英语翻译成法语?(选出所有正确项)
A.它可以训练成一个有监督的学习问题
B.它比卷积神经网络(CNN)更强大
C.当输入/输出是一个序列(例如,一个单词序列)时适用
D.RNN表示 想法->代码->实验->想法->… 的循环过程
第 9 题
在这PPT截图中,水平轴(X轴)和垂直轴(Y轴)代表什么?
A.X轴代表数据量,Y轴代表模型规模
B.X轴代表数据量,Y轴代表模型表现
C.X轴代表模型表现,Y轴代表数据量
D.X轴代表模型的输入,Y轴代表输出
第 10 题
假设前一个问题中所描述的趋势是准确的(并且希望你的坐标轴标签正确),下列哪一个是正确的?(选出所有正确项)
A.增加训练集的大小通常不会影响算法的性能,而且可能会有很大帮助。
B.增加神经网络的规模通常不会影响算法的性能,而且可能会有很大帮助。
C.减小训练集的大小通常不会影响算法的性能,而且可能会有很大帮助。
D.减小神经网络的规模通常不会影响算法的性能,而且可能会有很大帮助。
答案
1.D 2.ACD 3.ABD 4.B 5.C 6.B 7.B 8.AC 9.B 10.AB
参考文献
>点击打开
←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
1.6 课程资源 | 回到目录 | 2.1 二元分类 |
1.7 总结-深度学习-Stanford吴恩达教授相关推荐
- 2.19 总结-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.18 Logistic 损失函数的解释 回到目录 3.1 神经网络概览 文章目录 总结 习题 第 11 题 第 12 题 第 13 题 第 14 题 第 15 题 第 1 ...
- 3.12 总结-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.11 随机初始化 回到目录 4.1 深层神经网络 文章目录 总结 习题 第 21 题 第 22 题 第 23 题 第 24 题 第 25 题 第 26 题 第 27 题 ...
- 3.5 向量化实现的解释-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.4 多个例子中的向量化 回到目录 3.6 激活函数 向量化实现的解释 (Explanation for Vectorized Implementation) 在上一个视频 ...
- 3.10 直观理解反向传播-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.9 神经网络的梯度下降法 回到目录 3.11 随机初始化 直观理解反向传播 (Backpropagation Intuition (Optional)) 这个视频主要是推 ...
- 4.7 参数 vs 超参数-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.6 前向和反向传播 回到目录 4.8 这和大脑有什么关系 参数 vs 超参数 (Parameters vs. Hyperparameters) 想要你的深度神经网络起很好 ...
- 4.4 为什么使用深层表示-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.3 核对矩阵的维数 回到目录 4.5 搭建深层神经网络快 为什么使用深层表示 (Why Deep Representation?) 我们都知道深度神经网络能解决好多问题, ...
- 4.1 深层神经网络-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.12 总结习题 回到目录 4.2 深层网络中的前向传播 深层神经网络 (Deep L-layer Neural Network) 目前为止我们学习了只有一个单独隐藏层的神 ...
- 3.9 神经网络的梯度下降法-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.8 激活函数的导数 回到目录 3.10 直观理解反向传播 神经网络的梯度下降法 (Gradient Descent for Neural Networks) 在这个视频中 ...
- 3.6 激活函数-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.5 向量化实现的解释 回到目录 3.7 为什么需要非线性激活函数 激活函数 (Activation Function) 使用一个神经网络时,需要决定使用哪种激活函数用隐藏 ...
- 3.4 多个例子中的向量化-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.3 计算神经网络的输出 回到目录 3.5 向量化实现的解释 多个例子中的向量化 (Vectorizing across Multiple Examples) 在上一个视频 ...
最新文章
- 会计的思考(41):会计的领悟—每一位业务骨干都是优秀的管理会计师
- 如何做网络营销推广之网站SEO中title标签优化技巧!
- 指针和数组的区别是什么?
- 《DB 查询分析器》中断SQL语句的执行
- Spring Data JPA入门
- java四则出题判分_java 随机出题四则运算
- c语言里面你不知道的break与switch,contiune的用法
- oracle脱敏脚本
- 微信双开的登录取消没有回调
- 【Unity 3D】简易小车游戏
- Excel 2010 SQL应用066 返回数字与文本混杂的数据
- ECMAScript和JavaScript的关系
- quick Cocos2dx lua 接anysdk
- 通达信指标公式编写答疑汇总(三)
- 后ETC时代,年入近百亿元的千方科技如何玩转车路协同
- 深圳家庭数据存储 家庭数据备份 数蚁科技
- Hi3515移动侦测技术的设计与实现
- 奇瑞新能源小蚂蚁,一款实用好看的居家小车
- CharNgram从0到1实现
- 抖音计算机音乐你要我,抖音我要记住你的样子是什么歌