第一讲 深度学习概述 第一讲测验
1、 机器学习（深度学习）系统中通常将数据集划分为训练集和测试集，其中被用来学习得到系统的参数取值的是
答案: 训练集(training set)
2、 k折交叉验证通常将数据集随机分为k个子集。下列关于k折交叉验证说法错误的是
答案: 每次将其中一个子集作为训练集，剩下k-1个子集作为测试集进行测试
3、 ROC (受试者工作特征曲线, receiver operating characteristic curve)描绘了分类器在 fp rate (错误的正例,横轴) 和tp rate(真正正例，纵轴) 间的trade-off（权衡）。下面说法正确的是：
答案: (纵轴)敏感性高=漏诊率低， 而(横轴)特异性低=误诊率高
4、 关于 Cohen’ s kappa取值的含义，下列错误的是：
答案: 其取值越小，说明一致性越好
5、 下列关于验证集(validation set)的描述错误的是
答案: 验证集与测试集类似，也是用于评估模型的性能。且可以用于报告模型的最终评价结果
6、 下面关于机器学习与深度学习的描述错误的是：
答案: 其它答案都不对
7、 下面关于有监督学习、无监督学习的描述错误的是
答案: 无监督学习的训练学习过程中也利用到了每个样本的分类标签（classification label）或者目标值（target value）
8、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则其ROC曲线的横轴FP Rate 和纵轴TP Rate 的坐标值是多少？ 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 横轴FP Rate=0.33； 纵轴TP Rate=0.57
9、 下面的一段python程序是对iris数据集进行训练集合测试集的拆分，已知该数据集中样本的个数为150个，特征为4个。则下面的程序执行完毕后，print语句的输出结果应该为： from sklearn import cross_validation from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )print (“X_train.shape:”, X_train.shape, “y_train.shape:”, y_train.shape)
答案: (‘X_train.shape:’, (120, 4), ‘y_train.shape:’, (120,))
10、 下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，且该程序已经导入了必要的模块（用省略号表示）。则程序中空格处应该填充的拟合函数是： ……iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )clf = svm.SVC(kernel=’linear’, C=1). (X_train, y_train)
答案: fit
11、 下面的一段程序是标签二值化的示例程序，则最后的print语句的输出应该为：from sklearn.preprocessing import label_binarizey=[0, 1, 2]print (y)y = label_binarize(y, classes=[0, 1, 2])print (y)
答案: [[1 0 0] [0 1 0] [0 0 1]]
12、 F值的定义为准确率和召回率的调和平均。如果二者（即准确率和召回率）同等重要，则为
答案: F1
13、 超参数和参数的区别。参数一般是模型需要根据训练数据可以自动学习出的变量。超参数一般就是根据经验确定预设的变量。下面哪些是超参数？
答案: 深度学习的学习速率、人工神经网络的层数;
深度学习的迭代次数;
深度学习的每层神经元的个数
14、 关于ROC (受试者工作特征曲线, receiver operating characteristic curve)中AUC（Area Under Curve）说法正确的是
答案: 定义为ROC曲线下的面积;
AUC值提供了分类器的一个整体数值。通常AUC越大，分类器更好;
取值范围为[0,1]
15、 关于 Cohen’ s kappa 和Fleiss’ kappa的区别：
答案: Cohen’s kappa主要用于衡量两个评价者（ raters ）之间的一致性（agreement）;
如果评价者多于2人时，可以考虑使用Fleiss’ kappa
16、 下面关于使用网格搜索进行超参数的调优的描述正确的是：
答案: 假设模型中有两个超参数(A, B)。则网格搜索的基本原理就是尝试各种可能的(A, B)对值，并找到其中最好的(A, B)对值;
为了使用网格搜索进行超参数的调优，通常可以进行交叉验证的方式，并找出使交叉验证性能最高的超参数取值的组合;
假设模型中某个超参数B的可能取值为连续的，如在区间[0-1]。由于B值为连续，通常进行离散化，如变为{0, 0.5, 1.0}
17、 下面关于分类（classification）和回归（regression）的区别和联系的描述正确的是：
答案: 分类的目的是预测出新样本的类型、种类或标签，即其输出值是离散的;
分类和回归问题通常都是有监督学习的范畴;
回归问题需要预测连续变量的数值：比如预测新产品的销量等;
可以将回归的输出值通过设定阈值等方式进行离散化处理，从而用于分类
18、 下列关于scikit-learn的描述正确的是
答案: scikit-learn包括许多知名的机器学习算法的实现，包括SVM等;
scikit-learn封装了其他的Python库，如自然语言处理的NLTK库;
scikit-learn内置了大量数据集，如iris数据集等;
scikit-learn实现了多种分类的评估方法，如准确率、精确率、召回率等
19、 已知如下定义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。 则下面定义正确的是：
答案: 分类准确率 Accuracy=(TP+TN)/(P+N);
精确率 Precision=TP/(TP+FP);
召回率 Recall=TP/P
20、 测试集(testing set)用于最终报告模型的评价结果，因此在训练阶段测试集中的数据一般可以出现在训练集中.
答案: 错误
21、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是 （要求：用小数表示，且保留小数点后两位）？ 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.80
22、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的召回率是 （要求：用小数表示，且保留小数点后两位）。 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.57
23、 下面的一段python程序是计算并输出y_true和y_pred之间的平均绝对误差，即MAE，则其中print语句的输出结果为 （要求：用小数表示，且保留小数点后两位）。 from sklearn.metrics import mean_absolute_errory_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 9]print (mean_absolute_error(y_true, y_pred))
答案: 0.75
24、 下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，请补全导入的模块名称（用小写字母）from sklearn import cross_validation from sklearn import from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )clf = svm.SVC(kernel=’linear’, C=1).fit(X_train, y_train)
答案: svm
25、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是 （要求：用小数表示，且保留小数点后两位）？
实际类别
预测类别
正例
负例
总计
正例
TP=40
FN=30
P(实际为正例)=70
负例
FP=10
TN=20
N(实际为负例)=30
表中数据项的含义：
True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.80
26、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的召回率是 （要求：用小数表示，且保留小数点后两位）。
实际类别
预测类别
正例
负例
总计
正例
TP=40
FN=30
P(实际为正例)=70
负例
FP=10
TN=20
N(实际为负例)=30
表中数据项的含义：
True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.57
第二讲 特征工程概述 第二讲测验
1、 为了在python程序中进行英文自然语言的处理，如词语切分（Tokenization）词干提取（Stemming）等工作，需要使用的导入模块语句通常为：
答案: import nltk
2、 关于停用词（Stop words），下列说法错误的是
答案: 停用词是指比较古老的词汇，在当代已经几乎无人使用了
3、 为了进行中文的分词或者词性标注等处理，可以使用的导入模块语句为：
答案: import jieba
4、 关于文档向量之间的欧氏距离和余弦相似度，错误的是
答案: 余弦值越接近0，就表明两个向量越相似
5、 关于TF-IDF（term frequency–inverse document frequency），下面的说法错误的是
答案: 采用TF-IDF模式，词条t在文档d中的权重计算与词条在在文档d中的频率无关
6、 下面关于特征缩放（Feature Scaler）的描述错误的是
答案: 特征缩放主要是对特征矩阵中每个行，即每个样本的数值进行规范化处理
7、 下面关于特征矩阵的归一化（Normalizer）的描述错误的是
答案: 归一化是主要是对特征矩阵中每个列，即同一特征维度的数值进行规范化处理
8、 关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA），错误的是
答案: LDA和PCA都是有监督的降维方法
9、 下面是对数据进行二值化处理的python程序from sklearn.preprocessing import Binarizerdata = [[0, 0], [50, 0], [100, 1], [80, 1]]print (Binarizer(threshold=60).fit_transform(data))则print语句的输出结果为
答案: [[0 0] [0 0] [1 0] [1 0]]
10、 下面是一段文档的向量化的程序，且未经停用词过滤 from sklearn.feature_extraction.text import CountVectorizercorpus = [‘Jobs was the chairman of Apple Inc., and he was very famous’,’I like to use apple computer’,’And I also like to eat apple’] vectorizer =CountVectorizer()print(vectorizer.vocabulary_)print(vectorizer.fit_transform(corpus).todense()) #转化为完整特征矩阵 已知print(vectorizer.vocabulary_)的输出结果为：{u’and’: 1, u’jobs’: 9, u’apple’: 2, u’very’: 15, u’famous’: 6, u’computer’: 4, u’eat’: 5, u’he’: 7, u’use’: 14, u’like’: 10, u’to’: 13, u’of’: 11, u’also’: 0, u’chairman’: 3, u’the’: 12, u’inc’: 8, u’was’: 16}. 则最后一条print语句中文档D1，即’Jobs was the chairman of Apple Inc., and he was very famous’的向量为
答案: [0 1 1 1 0 0 1 1 1 1 0 1 1 0 0 1 2]
11、 对于下面的一段python程序，计算的是向量之间的import numpy as npx=np.random.random(5)y=np.random.random(5)sim=np.dot(x,y)/(np.linalg.norm(x)*np.linalg.norm(y))
答案: 余弦相似度
12、 对于下面的一段python程序，sim中保存的是向量之间的：import numpy as npx=np.random.random(5)y=np.random.random(5)from scipy.spatial.distance import pdistX=np.vstack([x,y])sim=1-pdist(X,’cosine’)
答案: 余弦相似度
13、 下面的一段python程序的目的是利用皮尔逊相关系数进行iris数据集特征选择import numpy as npfrom scipy.stats import pearsonrfrom sklearn import datasetsiris = datasets.load_iris()print (“Pearson’s correlation coefficient between column #1 and target column”, pearsonr(iris.data[:,0], iris.target ))print (“Pearson’s correlation coefficient between column #2 and target column”, pearsonr(iris.data[:,1], iris.target ))print (“Pearson’s correlation coefficient between column #3 and target column”, pearsonr(iris.data[:,2], iris.target ))print (“Pearson’s correlation coefficient between column #4 and target column”, pearsonr(iris.data[:,3], iris.target )) 其输出结果为：(“Pearson’s correlation coefficient between column #1 and target column”, (0.7825612318100814, 2.890478352614054e-32))(“Pearson’s correlation coefficient between column #2 and target column”, (-0.4194462002600275, 9.159984972550002e-08))(“Pearson’s correlation coefficient between column #3 and target column”, (0.9490425448523336, 4.1554775794971695e-76))(“Pearson’s correlation coefficient between column #4 and target column”, (0.9564638238016173, 4.775002368756619e-81)) 则如果去掉一个特征，应该选择哪一个特征去掉？
答案: #2
14、 下面的一段python程序中有两条print语句，则下面哪一种选项更有可能是其实际的输出结果？import numpy as npfrom scipy.stats import pearsonrx = np.random.uniform(-1, 1, 100000) print (pearsonr(x, x2)[0] )print (pearsonr(x, x*2)[0] )
答案: 1.0, -0.0020496310421256546
15、 下面的一段python程序的目的是对样本特征矩阵进行归一化处理，则空格处应该填充的函数是？ from sklearn import datasetsiris = datasets.load_iris()from sklearn.preprocessing import Normalizerprint (Normalizer(norm=’l1′). (iris.data))
答案: fit_transform
16、 下面的一段python程序的目的是使用主成分分析法（principal component analysis） 对iris数据集进行特征降维，以便于数据的二维平面可视化。则其中空格处应该填充的数字为？ import matplotlib.pyplot as pltfrom sklearn.decomposition import PCAfrom sklearn.datasets import load_irisdata = load_iris()X = data.datay = data.targetpca = PCA(n_components= )reduced_X = pca.fit_transform(X)
答案: 2
17、 下面的一段python程序的目的是使用区间缩放法对矩阵的列数据进行量纲缩放，则两处空格应该分别填入什么？ from sklearn.preprocessing import MinMaxScalerdata = [[0, 0], [0, 78], [80, 1], [100, 89]] scaler = MinMaxScaler()scaler. (data)results=scaler. (data)print (results)
答案: fit， transform
18、 下面的一段python程序的目的什么?import scipy.sparse as spfrom sklearn.preprocessing import Imputerx = sp.csc_matrix([ [1, 2], [0, 3], [7, 6]])imp = Imputer(missing_values=0, strategy=’mean’, verbose=0)imp.fit(x)x_test = sp.csc_matrix([ [0, 2], [6, 0], [7, 6]])
答案: 缺失值补齐，将0视为缺失值
19、 关于下面的python程序的描述错误的是?from sklearn.feature_extraction.text import CountVectorizercorpus = [‘Jobs was the chairman of Apple Inc., and he was very famous’,’I like to use apple computer’,’And I also like to eat apple’] vectorizer =CountVectorizer(ngram_range=(1,2))print(“N-gram mode: “,vectorizer.fit_transform(corpus).todense()) print(“N-gram mode: “,vectorizer.vocabulary_)
答案: vocabulary_中只包括bi-gram
20、 为了使用主成分分析法（principal component analysis） 对iris数据集进行特征降维，以便于数据的二维平面可视化。 则下面哪一条import语句不是必须的？
答案: from sklearn.feature_extraction.text import CountVectorizer
21、 下图是使用主成分分析法对iris数据集进行特征降维并进行二维平面可视化的结果。则为了绘图，需要使用的导入语句是下面哪一种？ 
答案: import matplotlib.pyplot as plt
22、 下面哪一条语句是用于导入nltk中的英文词性标注的模块？
答案: from nltk import pos_tag
23、 自然语言处理中为了计算文档之间的相似度，往往需进行文档的量化表示，下面关于BOW（即Bag-Of-Words model）和VSM（Vector Space Model）的描述正确的是：
答案: BOW，即词袋模型。即为了计算文档之间的相似度，假设可以忽略文档内的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合;
VSM，即向量空间模型。是一种表示文本文档的数学模型。将每个文档表示成同一向量空间的向量;
在VSM，即向量空间模型中，所有文档的向量维度的数目都相同
24、 对于文本“I like to eat apple”，则下列关于N-gram的描述正确的是
答案: 其Uni-gram为“I”,“like”, “to”,“eat”,“apple”;
其Bi-gram为“I like”,“like to”, “to eat”,“eat apple”;
其Tri-gram为“I like to”,“like to eat”, “to eat apple”
25、 关于特征选择，下列说法正确的是
答案: 每个样本往往具有多个特征，特征选择是指从中选择对于学习任务，例如分类问题有帮助的若干特征;
特征减少了，维度就下降了，可以提升模型的效率。因为在实际应用尤其是在文本处理中，经常会出现维度灾难问题;
剔除了无关特征，有利于降低学习任务的难度，也可以增加模型的可解释性;
通常可从两个方面来进行特征选择：1）特征是否发散；2）特征与目标的相关性
第三讲 回归问题及正则化 第三讲测验
1、 关于线性模型，下列说法错误的是
答案: 狭义线性模型通常是指自变量与因变量之间呈按比例、成直线的关系。一阶导数不为常数
2、 下列关于梯度下降（Gradient descent ）法的描述错误的是
答案: 其中的学习速率是模型参数，而不是超参数
3、 下面的一段python程序是使用scikit-learn来构建线性回归模型，其中最后一条语句的目的是得到X_test的预测结果，则空格内应该填入的函数为 from sklearn.linear_model import LinearRegressionX = [[6, 2], [8, 1], [10, 0], [14, 2], [18, 0]]y = [[7], [9], [13], [17.5], [18]]model = LinearRegression()model.fit(X, y)X_test = [[8, 2], [9, 0], [11, 2], [16, 2], [12, 0]]y_test = [[11], [8.5], [15], [18], [11]]predictions = model. (X_test)
答案: predict
4、 下列关于逻辑回归的描述错误的是
答案: 线性回归的结果输出通常是一个连续值，值的范围是无法限定的。逻辑回归通过使用sigmoid函数将其转为(-1,1) 的一个概率值，从而能够完成对事件发生的概率进行预测
5、 scikit-learn中的逻辑回归解决方案“liblinear”使用的是CD优化（即coordinate descent，坐标下降）算法，则下面的描述错误的是：
答案: CD是一种梯度优化算法
6、 在scikit-learn中，如何处理多类分类（Multi-class classification）问题？
答案: scikit-learn可以使用one-vs-one或one-vs.-the-rest方法实现多类分类，即将多类分类问题转化为构建若干个两类的分类器
7、 下图中的三条曲线是分别是线性回归、二次回归以及100次多项式的回归的曲线，则为了实现生成多项式特征，需要使用的import语句是？
答案: from sklearn.preprocessing import PolynomialFeatures
8、 下图是哪种函数的曲线？
答案: sigmoid
9、 下面的一段python程序，其目的是显示下面的哪一种函数的图形？ import numpy as npimport matplotlib.pyplot as pltplt.figure()plt.axis([-6, 6, 0, 1])plt.grid(True)X = np.arange(-6,6,0.1)y = 1 / (1 + np.e ** (-X))plt.plot(X, y, ‘b-‘)plt.show()
答案: sigmoid
10、 下面关于岭（Ridge）回归的描述正确的是
答案: 岭回归使用L2正则化
11、 下面关于Lasso回归的描述正确的是
答案: Lasso回归使用L1正则化
12、 下面关于弹性网（Elastic net）的描述正确的是
答案: 弹性网使用L1+L2正则化
13、 图为使用 matplotlib.pyplot 绘制的图形，则其中的五个数据点是采用哪个函数绘制的？
答案: scatter
14、 下图为使用 matplotlib.pyplot 绘制的图形，则其中的两条线是采用哪个函数绘制的？
答案: plot
15、 对于下面的一段python程序，其目的是生成X_train的二次多项式特征，则空格内应该填入的内容为？ from sklearn.preprocessing import PolynomialFeaturesX_train = [[3], [4], [5]]quadratic_featurizer = PolynomialFeatures( )X_train_quadratic = quadratic_featurizer.fit_transform(X_train)print (X_train_quadratic)
答案: degree=2
16、 下面的自定义函数可以绘制出类似下面左边的图形。为了在图形中加入网格（如右图所示），则需要在空格处加入哪一条语句？
def runplt(): plt.figure() plt.title(u’披萨的价格和直径’,fontproperties=font_set) plt.xlabel(u’直径（inch）’,fontproperties=font_set) plt.ylabel(u’价格（美元）’,fontproperties=font_set) plt.axis([0, 25, 0, 25]) return plt
答案: plt.grid(True)
17、 下列哪些是非线性回归模型？
答案: 2次以上的多项式 ;
双曲线模型;
幂函数模型;
指数函数模型
18、 为了求解使得线性回归误差平方和最小的参数，则下列说法中正确的是
答案: 梯度下降法是一种迭代求解方法;
常见的解法有矩阵解法和梯度下降方法等。
19、 对某数据集进行高次多项式的回归，逐渐增加多项式的次数，如采用七次多项式回归拟合，曲线经过了所有训练集中的点，但在测试集上的R方值却变得更低了。则以下表述正确的是
答案: 发生了过拟合较为严重（overfitting）的情况;
R方值越大，则模型性能越好
20、 线性回归中计算损失函数时加入正则化项后的表达式为
则下列说法正确的有
答案: 等号右边第一项的目标是使模型能更好地拟合训练数据;
等号右边第二项是正则化项，目的是控制过拟合现象;
λ 是正则化参数（regularization parameter），用于控制等号右边两项的平衡;
过拟合是指学习到的模型在训练集上也许误差较小，但是对于测试集中之前未见样本的预测却未必有效。或者通俗地说，模型过度学习了训练数据。
下方是付费阅读内容：本平台商品均为虚拟商品，无法用作二次销售，不支持退换货，请在购买前确认您需要购买的资料准确无误后再购买，望知悉！
完整答案需点击上方按钮支付5元购买,所有答案均为章节测试答案，购买后上方矩形框将出现已付费的隐藏内容。
如果点击【立即购买】不能跳转，请更新一下APP版本，如百度APP可能有兼容性问题，更新版本即可正常使用，或者换一个浏览器（如UC浏览器）再试试
为了方便下次阅读，建议在浏览器添加书签收藏本网页
添加书签方法：
1.电脑按键盘的Ctrl键+D键即可收藏本网页
2.手机浏览器可以添加书签收藏本网页
获取更多慕课答案，欢迎在浏览器访问我们的网站：http://mooc.mengmianren.com
注：请切换至英文输入法输入域名，如果没有成功进入网站，请输入完整域名：http://mooc.mengmianren.com/
我们的公众号
打开手机微信，扫一扫下方二维码，关注微信公众号：萌面人资料铺
本公众号可查看各种网课答案，还可免费查看大学教材答案
点击这里，可查看公众号功能介绍
