深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
对
举一反三
- 深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 A: 正确 B: 错误
- 深度学习通过深度神经网的多层处理，将初始的“低层”特征表示转化为“高层”特征表示，用“简单模型”即可完成复杂的分类等学习任务。
- 关于深度学习算法的描述,错误的是( ) A: 深度学习通过组合低层特征形成更加抽象的高层特征或类别。 B: 深度学习算法适合于语音识别、文字识别、智能客服等应用场景 C: 深度学习应用于人脸识别时,首先根据每个像素的亮度来识别边缘,然后根据边缘再识别出轮廓,最后根据轮廓识别出特定图像。 D: KNN、SVM等算法属于深度学习算法。
- 深度学习可以理解为进行“特征学习”（featurelearning）或“表示学习”（representationlearning）
- 深度学习彻底颠覆了（ ）的范式，开启了数据驱动的表示学习方式。 A: 自动特征 B: 机器特征 C: 人造特征 D: 人脑特征
内容
- 0
深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示，并进一步输入到预测函数以得到最终结果。
- 1
深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示，并进一步输入到预测函数以得到最终结果。
- 2
深度学习是将原始的数据特征通过多步的特征转换得到一种特征表示，并进一步输入到预测函数以得到最终结果。 A: 正确 B: 错误
- 3
以下关于深度神经网络的认识，正确的有( )。 A: 特征提取能力弱于传统的人工神经网络 B: 可以组合低层特征为抽象的高层特征进行特征学习 C: 继承了传统人工神经网络的自适应学习能力 D: 一般而言，层次越深则网络的学习能力越强，但同时意味着计算开销越大
- 4
分布式GIS是按照系统中的（）和针对其中数据处理的分布式计算特征而分类的。 A: 数据应用类别 B: 数据分布特征 C: 数据使用用途 D: 数据运行环境