假设你有一个非常大的训练集合，如下机器学习算法中，你觉着有哪些是能够使用map-reduce框架并能将训练集划分到多台机器上进行并行训练的（）
A: 逻辑斯特回归（LR)，以及随机梯度下降(SGD)
B: 线性回归及批量梯度下降(BGD)
C: 神经网络及批量梯度下降(BGD)
D: 针对单条样本进行训练的在线学习
A: 逻辑斯特回归（LR)，以及随机梯度下降(SGD)
B: 线性回归及批量梯度下降(BGD)
C: 神经网络及批量梯度下降(BGD)
D: 针对单条样本进行训练的在线学习
举一反三
- 假设你有一个非常大的训练集合，如下机器学习算法中，哪个是能够使用map-reduce框架并能将训练集划分到多台机器上进行并行训练的 A: 逻辑回归 B: 线性回归 C: 随机梯度下降 D: 针对单条样本进行训练的在线学习
- 关于梯度下降算法，以下说法正确的是 A: 随机梯度下降算法是每次考虑单个样本进行权重更新 B: Mini-Batch梯度下降算法是批量梯度下降和随机梯度下降的折中 C: 批量梯度下降算法是每次考虑整个训练集进行权重更新 D: 以上都对
- 下面关于梯度下降法描述正确的是 A: 梯度下降法作为机器学习中较常使用的优化算法，其有着三种不同的形式：批量梯度下降（Batch Gradient Descent）、随机梯度下降（Stochastic Gradient Descent）以及小批量梯度下降（Mini-Batch Gradient Descent）。 B: 批量梯度下降法是最原始的形式，它是指在每一次迭代时使用所有样本来进行梯度的更新。 C: 随机梯度下降法不同于批量梯度下降，是每次迭代使用一个样本来对参数进行更新。 D: 小批量梯度下降法是对批量梯度下降以及随机梯度下降的一个折中办法。更新参数时使用一部分训练样本。一般将训练样本集分成若干个batch，每个batch包含m个样本。每次更新都利用一个batch的数据，而非整个训练集。
- 如果你训练的模型代价函数J随着迭代次数的增加，绘制出来的图如下，那么[img=719x448]18033254a437b9a.jpg[/img] A: 如果你正在使用mini-batch梯度下降，那可能有问题；而如果你在使用批量梯度下降，那是合理的 B: 如果你正在使用mini-batch梯度下降，那看上去是合理的；而如果你在使用批量梯度下降，那可能有问题 C: 无论你在使用mini-batch还是批量梯度下降，看上去都是合理的 D: 无论你在使用mini-batch还是批量梯度下降，都可能有问题
- 下面梯度下降说法错误的是（） A: 随机梯度下降是梯度下降中最常用的一种。 B: 梯度下降包括随机梯度下降和批量梯度下降 C: 梯度下降算法速度快且可靠 D: 随机梯度下降是深度学习算法当中常用的优化算法之一