第一週的課後作業為10道選擇題

注：答案從第一個往後類推為ABCD……答案有自己的理解，也有從網上部落格的參考，僅用來學習。
1、第一題

自己理解答案：D。
參考答案：A。“AI是新的電力”，這是吳恩達老師在今年AI Conference上主題演講的題目。這句話當然是比喻AI就像100年前的電力一樣，正在給我們的生產生活帶來巨大的變革。吳恩達老師在演講中說，“在未來的某一天，建立一個由AI驅動的社會，我們周圍的一切都具有AI智慧，並改變人類的生活。”這個夢想的實現，不僅僅是依靠一個公司的努力，而是需要我們所有人一起努力。
2、第二題

答案：ABD。這題問我們，最近深度學習這麼火的原因都有哪些？話說，深度學習並不是一個新的領域，它只是眾多機器學習演算法中的一種，為什麼在經歷了起起落落後，最近能火起來呢？因為深度學習演算法需要大量的資料和很強的硬體計算能力。之前受限於資料量和計算能力，一直不溫不火。近幾年網際網路蓬勃發展，各種資訊都實現了資料化，資料量大增，你想想你網購時留在網際網路上的資訊你就知道了。另外，計算機硬體按照“摩爾定律”發展，計算能力指數增長，這些都為深度學習演算法的再次勃發提供了很好的基礎。當然，也離不開利用深度學習演算法實現的表現優異的各種產品，比如阿爾法狗，影象識別機器人，索菲亞機器人等。

3、第三題

答案：ABD。這個圖向我們展示了開發神經網路的一個過程，即從有想法，到用程式碼實現，再到執行程式碼看結果，再回過頭修正想法如此迴圈往復。一個團隊如果能更快的用程式碼實現想法，或者寫出來的程式碼（演算法）更好，或者科學家研究出了更優秀的演算法，上述迴圈過程都會更短，從而提高效率。考慮到以上的原因，訓練一個大的資料集，花的時間未必比訓練小資料集花的時間長，當然也不是在大資料集上訓練就更快

4、第四題

答案：B。這題考查我們對操作經驗和模型的理解。一個表現很好的深度學習模型，並不是僅靠經驗就能立馬找到的。雖然經驗很重要，但要找到一個表現很好的模型，都需要嘗試，修復，不斷完善的一個過程。

5、第五題

答案：C。常用的啟用函式還有：sigmoid函式，tanh函式和leaky ReLU函式。D選項為leaky ReLU函式。

6、第六題

答案：B。此題考查我們對結構化資料和非結構化資料的理解。貓影象識別的資料是典型的非結構化資料，常見的非結構化資料還有文字，影象，視訊等。

7、第七題

答案：B。此題考查我們對結構化資料和非結構化資料的理解。人口、GDP增速、經濟增長率等數字都是結構化資料

8、第八題

答案：AC。此題考查我們對RNN（迴圈神經網路）的瞭解。RNN在語音識別，語言建模，翻譯，圖片描述等問題上已經取得一定成功。它是一種監督學習，比如輸入資料英文，標籤為法文。RNN 可以被看做是同一神經網路的多次賦值，每個神經網路模組會把訊息傳遞給下一個，所以它是鏈式的，鏈式的特徵揭示了 RNN 本質上是與序列和列表相關的，所以它在解決sequence上是毫無問題的。要說哪個完全比另一個強，基本都是錯的。

9、第九題

答案：B。深度學習，更大的資料匹配更大的深度學習模型，其效果的上限目前來說還沒有出現瓶頸。

10、第十題

答案：BD。總的來說，對於相同的資料量，只要足夠多了，那麼大型神經網路的表現更好。對同一個神經網路，資料量越多，其表現越好。