有关分布式机器学习的说法，错误的是哪个？

A、并行决策树可以对每个属性的重要性分别进行计算。

B、并行k均值算法在map程序中各个数据节点要共享各分组的几何重心（每次迭代产生的“聚类中心”）。

C、常见的机器学习算法可以使用批处理的改造方式实现分布式计算。

D、分布式机器学习利用并行计算可以提升算法的性能。

A、传统机器学习算法大多数不支持数据的批处理。

B、大数据通过合理切分就可以转化为传统机器学习算法容易处理的小数据。

C、传统机器学习的算法在处理大数据时需要通过分布式的改造。

D、传统机器学习通过数据的批处理很容易快速地处理大数据。

A、它们都是支持大数据处理的分布式并行计算框架。

B、它们都可以把大数据转化为小数据，然后分布在集群进行并行分析。

C、它们对机器学习算法的处理方法是一样的。

D、Haoop支持模型并行，Spark支持数据并行。

A、MapReduce是支持分布式机器学习算法的计算框架。

B、MapReduce的运行需要基础的分布式存储系统HDFS支持。

C、MapReduce可以对分布式的大数据分片进行并行的实时分析。

D、MapReduce上的数据分析属于数据并行计算类型。

A、分布式的计算节点越多，计算速度越快。

B、在Hadoop环境中，各个数据节点的数据量一般均衡比较好。

C、在分布式计算环境中，每个数据节点的计算程序必须是一样的。

D、在数据并行的分布式计算中，各个计算节点的合并结果要与数据作为一个整体的计算结果一致。

A、机器学习系统不可以学习人的判断过程

B、机器学习系统利用经验来改善计算机系统自身的性能

C、计算机学习人解决问题的“经验”，并模仿人来解决问题

D、学习系统使用样本数据来建立并更新模型，并以可理解的符号形式表达，使经过更新后的模型处理同源数据的能力得以提升

A、David Marr的理论是自下而上的，并且具有中间反馈和可实施性的优点

B、长期来看，人工智能的核心方法论都是“用计算机模拟学习能力和智能特征”

C、David Marr建立了第一个计算机视觉的理论框架

D、机器学习时代计算机视觉仍然以特征提取为核心

A、一个计算机模型即可囊括物体识别、距离估计、动态物体轨迹判断等功能来实现视觉辅助的自动驾驶系统

B、人工智能的发展与实际应用紧密结合，形成“商用-需求-技术”的闭环

C、目前人工智能领域计算机视觉主要模拟人脑中对视觉信息分析和理解的过程

D、机器学习方法需要大量的特征并且要根据应用场景进行大量的调试，容易陷入扩大数据、复杂化模型的循环

A、数据是有时效性的，因此机器学习得到的规律也有时效性的

B、做机器学习项目一劳永逸，不必考虑数据的更新

C、可以直接使用同类公司机器学习的结果

D、机器学习的过程需要不断调优才可能达到理想的结果

A、深度学习可以解决任意的机器学习问题

B、深度学习比较适合处理有大量样本的视频、图像、声音、文本等多模态数据的分析，这些数据的分析需要人工进行特征提取，这是与传统的机器学习不同的

C、对于分类问题，深度学习算法一定优于传统的机器学习算法

D、深度学习的基础是神经网络，因此深度学习算法基本可以使用梯度下降法