閱讀下面材料，完成各題。
材料一
      機器學(xué)習(xí)是一種人工智能技術(shù)，它通過設(shè)計算法，讓計算機可以從有限的觀測數(shù)據(jù)中分析并獲取規(guī)律，然后利用“學(xué)習(xí)”到的規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測，從而幫助人們完成應(yīng)用任務(wù)。運用機器學(xué)習(xí)解決應(yīng)用問題，一般包含如下幾步：首先是對觀測數(shù)據(jù)作預(yù)處理，然后是從觀測數(shù)據(jù)中提取有效特征并對特征進(jìn)行轉(zhuǎn)換，最后是構(gòu)建函數(shù)并利用它進(jìn)行預(yù)測。
      傳統(tǒng)的機器學(xué)習(xí)主要關(guān)注預(yù)測函數(shù)的構(gòu)建，至于特征，則一般是通過人為地設(shè)計一些準(zhǔn)則，然后根據(jù)這些準(zhǔn)則從觀測數(shù)據(jù)中獲得。對機器而言，這可看作是一種“淺層學(xué)習(xí)”。由于淺層學(xué)習(xí)有時不能很好地獲得有助于提升預(yù)測準(zhǔn)確率的特征，“深度學(xué)習(xí)”應(yīng)運而生。
      深度學(xué)習(xí)需要構(gòu)建具有一定“深度”的模型，讓機器自動從觀測數(shù)據(jù)中學(xué)習(xí)到有效的特征，幫助提升預(yù)測的準(zhǔn)確率?！吧疃取迸c數(shù)據(jù)處理過程的組件數(shù)量密切相關(guān)，深度模型的原始輸入與輸出結(jié)果之間有多個組件，每個組件都會對數(shù)據(jù)進(jìn)行加工，并影響后續(xù)組件。當(dāng)?shù)玫阶罱K的輸出結(jié)果時，我們并不清楚每個組件的貢獻(xiàn)是多少，判斷每個組件對輸出結(jié)果的影響稱為“貢獻(xiàn)度分配”問題。以下圍棋為例，每當(dāng)下完一盤棋，我們會思考哪幾步棋導(dǎo)致了最后的勝利或失敗，判斷每一步棋貢獻(xiàn)的多少就是貢獻(xiàn)度分配問題。該問題在深度學(xué)習(xí)中至關(guān)重要，解決起來也非常困難。
      目前，深度學(xué)習(xí)大多采用“人工神經(jīng)網(wǎng)絡(luò)”來實現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)內(nèi)部包含多個層次，正好能滿足深度學(xué)習(xí)的“深度”需求。近年來，深度學(xué)習(xí)技術(shù)快速發(fā)展，其所使用的人工神經(jīng)網(wǎng)絡(luò)模型從早期的五至十層增加到目前的數(shù)百層，這極大提高了特征提取與轉(zhuǎn)換的能力，也使預(yù)測的準(zhǔn)確率隨之上升。
      深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于模式識別、自然語言處理等諸多領(lǐng)域并取得了重大突破。我們要想在方興未艾的科技革命中占有先機，牢固掌握以深度學(xué)習(xí)為代表的人工智能技術(shù)是必要條件。
（1）根據(jù)材料一，下列表述正確的一項是

B

B

A.機器學(xué)習(xí)的最終目的是從數(shù)據(jù)中尋找到某種規(guī)律。
B.機器學(xué)習(xí)從數(shù)據(jù)中學(xué)到的規(guī)律可以用函數(shù)來表示。
C.機器學(xué)習(xí)完成特征提取與轉(zhuǎn)換后就可以進(jìn)行預(yù)測。
D.淺層學(xué)習(xí)無需人工干預(yù)，完全依賴機器自主完成。
（2）根據(jù)材料一，下列對“深度學(xué)習(xí)”的理解與推斷，不正確的一項是

C

C

A.可以更好地處理數(shù)據(jù)特征，更準(zhǔn)確地預(yù)測。
B.數(shù)據(jù)處理過程中的組件數(shù)量會影響其深度。
C.數(shù)據(jù)處理過程中影響最大的組件不難確定。
D.是人工智能技術(shù)的代表，已有廣泛的應(yīng)用。
材料二
      人腦神經(jīng)系統(tǒng)是一個非常復(fù)雜的組織，包含幾百億個神經(jīng)元。神經(jīng)元與神經(jīng)元之間沒有物理連接，它們通過突觸進(jìn)行互聯(lián)來傳遞信息。神經(jīng)元可被看作是只有興奮和抑制兩種狀態(tài)的細(xì)胞，突觸將一個神經(jīng)元的興奮狀態(tài)傳至另一個神經(jīng)元。突觸有強有弱，其強度可以通過學(xué)習(xí)或訓(xùn)練來不斷改變，具有一定的可塑性。一個神經(jīng)元的狀態(tài)是興奮還是抑制，取決于它從其他神經(jīng)元接收到的信號量以及突觸的強度。當(dāng)一個神經(jīng)元接收到的信號量總和超過了某個閾值，細(xì)胞體就會興奮，產(chǎn)生電脈沖，電脈沖通過突觸傳遞到其他神經(jīng)元?？梢哉J(rèn)為，在人腦神經(jīng)系統(tǒng)中，每個神經(jīng)元本身固然重要，但更重要的是神經(jīng)元如何組成網(wǎng)絡(luò)。
      受人腦的啟發(fā)，科學(xué)家構(gòu)建了一種在結(jié)構(gòu)、工作原理和功能上都模擬人腦神經(jīng)系統(tǒng)的計算模型，稱之為“人工神經(jīng)網(wǎng)絡(luò)”，簡稱“神經(jīng)網(wǎng)絡(luò)”。在機器學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)指由很多人工神經(jīng)元相互連接構(gòu)成的系統(tǒng)，這些人工神經(jīng)元一般被稱為節(jié)點，每個節(jié)點本質(zhì)上是一個函數(shù)。神經(jīng)網(wǎng)絡(luò)不同節(jié)點間的連接被賦予了不同的權(quán)重，每個權(quán)重表示一個節(jié)點對另一個節(jié)點影響的大小。每個節(jié)點的“興奮”或“抑制”，由來自其他節(jié)點的數(shù)據(jù)信息與節(jié)點間的連接權(quán)重綜合計算得到。
      深度學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，可以對數(shù)據(jù)進(jìn)行更好的特征提取與特征轉(zhuǎn)換，從而得到預(yù)測準(zhǔn)確率更高的函數(shù)。除了神經(jīng)網(wǎng)絡(luò)模型，深度學(xué)習(xí)也可以采用“深度信念網(wǎng)絡(luò)”等其他類型的模型。但由于神經(jīng)網(wǎng)絡(luò)能借助相關(guān)算法較好地解決貢獻(xiàn)度分配問題，它成為了深度學(xué)習(xí)主要采用的模型。
（以上兩則材料取材于邱錫鵬的相關(guān)著作）（3）根據(jù)材料二，下列對人腦神經(jīng)系統(tǒng)的理解，不正確的一項是

B

B

A.一個神經(jīng)元是興奮還是抑制的狀態(tài)不全由其自身決定。
B.一個神經(jīng)元接收到其他神經(jīng)元的電脈沖以后就會興奮。
C.人腦神經(jīng)系統(tǒng)中神經(jīng)元本身不如神經(jīng)元如何組網(wǎng)重要。
D.人腦神經(jīng)系統(tǒng)啟發(fā)了深度學(xué)習(xí)中一種主要模型的構(gòu)建。
（4）根據(jù)材料一和材料二，下列理解與推斷，不正確的一項是

A

A

A.人工神經(jīng)網(wǎng)絡(luò)在自然語言處理等諸多領(lǐng)域是無可替代的。
B.深度學(xué)習(xí)進(jìn)行預(yù)測的能力與其模型的層次數(shù)量密切相關(guān)。
C.溝通不同神經(jīng)元的突觸的強度不是恒定的，可以被改變。
D.人工神經(jīng)網(wǎng)絡(luò)模型被深度學(xué)習(xí)采用有不止一方面的原因。
（5）根據(jù)以上兩則材料，說明深度學(xué)習(xí)“應(yīng)運而生”的原因，以及人工神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)中的作用。