关于机器学习的基本概念，下列说法正确的是：
机器学习是指计算机按照人类编写的固定规则执行任务
机器学习与人工智能没有任何关系
机器学习不需要数据，只需要算法
机器学习是从数据中自动学习规律，并用规律对新数据做出判断
关于监督学习和无监督学习的区别，下列说法正确的是：
监督学习需要标签，无监督学习不需要标签
两者都不需要标签
两者都需要标签
监督学习不需要标签，无监督学习需要标签
关于支持向量机（SVM），下列说法正确的是：
SVM不能处理非线性分类问题
SVM中“支持向量”指的是所有训练样本
SVM的核心思想是找到最大化分类间隔的超平面
SVM只关注离边界很远的样本
关于随机森林，下列说法正确的是：
随机森林中的每棵树都使用全部数据和全部特征
随机森林的最终结果由单棵树的输出决定
随机森林只包含一棵决策树
随机森林通过多棵决策树投票来提高准确率
关于K最近邻算法（KNN），下列说法正确的是：
KNN不需要定义“距离”的概念
KNN的核心思想是“近朱者赤”，通过查看最近的K个邻居来决定分类
KNN需要训练过程
KNN只能用于回归问题
关于谱聚类，下列说法正确的是：
谱聚类通过将数据点连成图，然后沿关系最薄弱的地方切开来实现聚类
谱聚类只能处理球形分布的数据
谱聚类属于监督学习算法
谱聚类与K-Means完全一样
关于深度学习，下列说法正确的是：
深度学习只能处理数值型数据
深度学习不需要大量数据
深度学习的“深度”指的是层数很多，能够自动从简单特征提取复杂特征
深度学习只能用于图像识别
关于循环神经网络（RNN），下列说法正确的是：
RNN没有记忆功能
RNN永远不会出现梯度消失问题
RNN只能处理图像数据
RNN擅长处理序列数据，能够记忆之前的信息
关于长短期记忆网络（LSTM），下列说法正确的是：
LSTM是RNN的变体，通过“三扇门”（遗忘门、输入门、输出门）解决了RNN记不远的问题
LSTM不能用于时间序列预测
LSTM比RNN更容易出现梯度消失
LSTM只有一扇门
关于强化学习，下列说法正确的是：
强化学习的核心是通过试错和奖励信号来学习最优策略
强化学习需要大量带标签的数据
强化学习不需要环境反馈
强化学习只能用于游戏领域
关于迁移学习，下列说法正确的是：
迁移学习是把在一个任务上学到的知识迁移到另一个相关任务上
迁移学习只能用于图像识别
迁移学习不能减少训练成本
迁移学习是从零开始训练新模型
关于强化学习中的“奖励”，下列说法正确的是：
奖励必须每一步都给出
强化学习不需要奖励
奖励对学习没有影响
强化学习的目标是最大化累计奖励