一、电脑中了蠕虫病毒有什么异常
病毒程序有自我复制能力强的特性，在大量复制和运行中会占用大量的电脑资源，造成电脑卡。
蠕虫病毒主要以破坏系统为目的，会导致系统文件缺失、功能缺失、服务禁用等，甚至会导致系统崩溃、蓝屏等故障。
二、初二成绩不好，并且在不算太好的初中。初三用功可否追上去。能否考上高中?
可以
1．勤于思考 学而不思则罔。在学习过程中，如果不进行主动的思考，而仅仅是被动地接受知识，就不是一种有策略的学习，也不会取得好的效果。
“勤于思考”有两方面的含义。一是要注意知识前后的联系，通过理解知识而掌握知识，而不要死记硬背。通过理解而进行的学习是意义学习，而死记硬背的学习是机械学习。心理学研究表明，意义学习更牢固、不容易遗忘，并且容易发生迁移，在以后的学习中能举一反三、触类旁通。相反，机械学习容易遗忘，往往只能应付眼前的考试，考试结束之后也就忘得差不多了。
2．置疑精神
小疑则小进，大疑则大进，如果对知识只是不加分析地接受，就不会有任何进步。因为学习的本质是获得能力上的提高，而不是知识的增长。因此，要善于思考，鼓励自己提出质疑，而不要做“思想的懒汉”、“接受知识的机器”，只知道囫囵吞枣，而不知道进行咀嚼、消化。
3．勇于发问
学问学问，学习本身是离不开发问的。好奇是一种可贵的品质。如果没有好奇、如果从不发问，人就不会成长，社会就不会发展。有时，父母或者老师会对你的问题感到不耐烦，那是他们的不对，你并没有错。千万别因为他们的错误行为而放弃自己的正确行为。所以，你一定要继续保持发问的勇气！
有时你可能对于提问有很多顾虑。比如，担心别人说自己笨，担心问这个问题很傻，担心问多了老师会不耐烦……孔子说，“敏而好学，不耻下问”，向不如自己的人请教都不是羞耻的事情，更何况是向老师请教呢?并且，老师根本的职责就是传道、授业、解惑。所以，当你有不懂的地方，勇敢地举起你的手！否则，日积月累问题就会越来越多、越来越严重，修补起来会更困难。
4．善于练习
学习是离不开练习的。俗话说，拳不离手、曲不离口，强调的就是练习的重要性。如果以为能听懂老师讲的知识就足够，那就大错特错了。没有经过练习的知识是不会牢固的。在必要的时候，还应该进行强化训练， 以增加运用知识的熟练程度。
需要强调的是，练习是必需的，但过度练习是没有必要的。我们强调的是“善于练习”，所以，你要善于分配练习的时间，知道何时应该适可而止。心理学的研究表明，过度练习的效率非常有限。一定限度之内的练习能够有效地促进学习，但超过某个限度后的过度练习对于改善学习并没有多大作用。因此，如果已熟练掌握了某个知识点，就没有必要再反复练习，此时的练习是时间的浪费，只会导致脑力的疲乏。
以上是关于学习方法的一般性的建议，它们对于各门功课都是适用的。但是，具体到不同的人、不同的课程，还应该结合实际情况摸索适宜的学习方法。
比如，应该根据不同的学科选择合适的学习方法。文科、理科的学习方法会不一样；同是文科，英语和历史、地理的学习方法也应该有所差异。又比如，应该根据自身的特点选择学习方法，做到扬长补短，充分发挥自己的优势，弥补自己的不足之处。有的同学思维敏捷，但坚持性差，这类同学应该使用“交替学习法”，该玩时就去玩，如果强迫自己坐在那里，也未见学得进去；但是该学时就要全神贯注，尽量提高学习效率。有的同学思维速度比较慢，但坚持性较好，这类同学可以充分发挥自己的“耐力”优势。反应快但不准确的同学要尽可能地细心，细致但思路狭窄的同学应尽量拓宽思路，多与同学交流讨论。
三、什么是机器学习 周志华
医学诊断、检测信用卡欺诈、证券市场分析。训练集中的目标是由人标注的，③ 强化学习，以下分别介绍这三种方法的区别？
广义来说，有三种机器学习算法：① 监督式学习，② 非监督式学习首先关注什么是机器学习？
机器学习有下面几种定义：
机器学习是一门人工智能的科学。这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的判断。
强化学习的例子有，当新的数据到来时，可以根据这个函数预测结果、语音和手写识别：通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断，该领域的主要研究对象是人工智能。
机器学习是用数据或以往的经验，以此优化计算机程序的性能标准，特别是如何在经验学习中改善具体算法的性能。
机器学习是对能通过经验自动改进的计算机算法的研究、DNA序列测序。这种分析方式被广泛地用来细分客户，根据干预的方式分为不同的用户组。
非监督式学习的例子有。常见的监督学习算法包括线性回归分析和逻辑回归分析。
监督式学习的例子有：线性回归：马尔可夫决策过程。
常见的机器学习算法有哪些。
一种经常引用的英文定义是：
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
通俗一点的解释就是，机器学习算法可以从过去已知的数据中学习数据隐藏的规律。常见的无监督学习算法有聚类。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标，利用这些学习来的规律，在给定一定输入的情况下，对未来进行预测。
机器学习的应用领域有哪些。
监督式学习
定义？
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、逻辑回归等、生物特征识别、搜索引擎。
机器学习算法的分类以及这些分类之间的区别是什么、战略游戏和机器人等众多领域：关联算法和 K – 均值算法。
强化学习
定义：从给定的训练数据集中学习出一个函数。
非监督式学习
定义：与监督学习相比，训练集没有人为标注的结果、随机森林、K – 近邻算法、决策树
