技能训练
一、文生图（请用文生图的方式来完成，看谁的图片最能反映以下成对概念的核心，最能体现两者之间的差异）
[size=100][size=150]1. 机器学习、深度学习[br] 2. 监督学习、无监督学习[br] 3. 训练集、验证集、测试集[br] 4. 离散型随机变量、连续型随机变量[/size][/size]
二、选择题
1. 为了评估有监督算法的区分度、稳定性、鲁棒性等模型效果，往往会将样本拆分为（ ）。
2. 大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5V，分别是（ ）。
3. 常见的离散型随机变量的分布有（ ）。[br]
4. 常见的连续型随机变量的分布有（ ）。
三、简答题
1. 机器学习与深度学习、监督学习与无监督学习各有什么意义？
2. 简述训练集、验证集和测试集的含义。
3. 大数据分析流程、方法和工具有哪些？
4. 简述常见的离散型随机变量分布的应用场景：等概率分布、伯努利分布、二项分布、几何分布、[br]超几何分布、泊松分布。
5. 简述常见的连续型随机变量分布的应用场景：正态分布、指数分布。
四、操作题
1. 利用数学软件[url=https://www.geogebra.org/][color=#0000ff]Geogebra[/color] [/url]画出离散型随机变量等概率分布、伯努利分布、超几何分布、[br]泊松分布四种离散分布的动态演示图，并调整各分布的参数查看图形变化过程。[br][br] 2. 利用数学软件[color=#0000ff][url=https://www.geogebra.org/]Geogebra[/url][/color] 画出连续型随机变量正态分布和指数分布的动态演示图，并[br]调整各分布的参数查看图形变化过程。
3. 概率分布基本参数操作及图形变化操作实践。[br] 1）作业目的[br] 旨在让学生了解离散型概率分布与连续型概率分布的图形表现，对各主要类型概率分布[br]的关键参数进行调节，并观察变化；理解概率质量函数、概率密度函数的内涵及各种不同的[br]计算区间所对应的函数关系。对几种主要分布，正态分布、指数分布、二项分布及泊松分布[br]的性能及应用场景深度理解，从而为后续课程的学习打下基础。[br] 2）作业准备[br] [color=#0000ff][url=https://www.geogebra.org/] Geogebra [/url][/color]软件下载并安装，或在以下笔记本中操作。
这幅作品由DeepSeek完成，采用梵高标志性的漩涡笔触与浓烈色彩，钴蓝夜空中的橙色数据流象征神经网络，旋转的蓝绿色星云代表聚类算法，起伏的绿色波形是分类边界，紫罗兰色鸢尾花造型演绎关联规则。请感受后印象派与数据科学的奇妙碰撞吧！