阅读下面材料，完成下面小题。

材料一

机器学习是一种人工智能技术，它通过设计算法，让计算机可以从有限的观测数据中分析并获取规律，然后利用"学习"到的规律对未知数据进行预测，从而帮助人们完成应用任务。运用机器学习解决应用问题，一般包含如下几步：首先是对观测数据作预处理，然后是从观测数据中提取有效特征并对特征进行转换，最后是构建函数并利用它进行预测。

传统的机器学习主要关注预测函数的构建，至于特征，则一般是通过人为地设计一些准则，然后根据这些准则从观测数据中获得。对机器而言，这可看作是一种"浅层学习"。由于浅层学习有时不能很好地获得有助于提升预测准确率的特征，"深度学习"应运而生。

深度学习需要构建具有一定"深度"的模型，让机器自动从观测数据中学习到有效的特征，帮助提升预测的准确率。"深度"与数据处理过程的组件数量密切相关，深度模型的原始输入与输出结果之间有多个组件，每个组件都会对数据进行加工，并影响后续组件。当得到最终的输出结果时，我们并不清楚每个组件的贡献是多少，判断每个组件对输出结果的影响称为"贡献度分配"问题。以下围棋为例，每当下完一盘棋，我们会思考哪几步棋导致了最后的胜利或失败，判断每一步棋贡献的多少就是贡献度分配问题。该问题在深度学习中至关重要，解决起来也非常困难。

目前，深度学习大多采用"人工神经网络"来实现。人工神经网络内部包含多个层次，正好能满足深度学习的"深度"需求。近年来，深度学习技术快速发展，其所使用的人工神经网络模型从早期的五至十层增加到目前的数百层，这极大提高了特征提取与转换的能力，也使预测的准确率随之上升。

深度学习技术被广泛应用于模式识别、自然语言处理等诸多领域并取得了重大突破。我们要想在方兴未艾的科技革命中占有先机，牢固掌握以深度学习为代表的人工智能技术是必要条件。

（1）根据材料一，下列表述正确的一项是（ ）

A．	机器学习的最终目的是从数据中寻找到某种规律。
B．	机器学习从数据中学到的规律可以用函数来表示。
C．	机器学习完成特征提取与转换后就可以进行预测。
D．	浅层学习无需人工干预，完全依赖机器自主完成。

（2）根据材料一，下列对"深度学习"的理解与推断，不正确的一项是（ ）

A．	可以更好地处理数据特征，更准确地预测。	B．	数据处理过程中的组件数量会影响其深度。
C．	数据处理过程中影响最大的组件不难确定。	D．	是人工智能技术的代表，已有广泛的应用。

材料二

人脑神经系统是一个非常复杂的组织，包含几百亿个神经元。神经元与神经元之间没有物理连接，它们通过突触进行互联来传递信息。神经元可被看作是只有兴奋和抑制两种状态的细胞，突触将一个神经元的兴奋状态传至另一个神经元。突触有强有弱，其强度可以通过学习或训练来不断改变，具有一定的可塑性。一个神经元的状态是兴奋还是抑制，取决于它从其他神经元接收到的信号量以及突触的强度。当一个神经元接收到的信号量总和超过了某个阈值，细胞体就会兴奋，产生电脉冲，电脉冲通过突触传递到其他神经元。可以认为，在人脑神经系统中，每个神经元本身固然重要，但更重要的是神经元如何组成网络。

受人脑的启发，科学家构建了一种在结构、工作原理和功能上都模拟人脑神经系统的计算模型，称之为"人工神经网络"，简称"神经网络"。在机器学习领域，神经网络指由很多人工神经元相互连接构成的系统，这些人工神经元一般被称为节点，每个节点本质上是一个函数。神经网络不同节点间的连接被赋予了不同的权重，每个权重表示一个节点对另一个节点影响的大小。每个节点的"兴奋"或"抑制"，由来自其他节点的数据信息与节点间的连接权重综合计算得到。

深度学习利用神经网络构建模型，可以对数据进行更好的特征提取与特征转换，从而得到预测准确率更高的函数。除了神经网络模型，深度学习也可以采用"深度信念网络"等其他类型的模型。但由于神经网络能借助相关算法较好地解决贡献度分配问题，它成为了深度学习主要采用的模型。

（以上两则材料取材于邱锡鹏的相关著作）

（3）根据材料二，下列对人脑神经系统的理解，不正确的一项是（ ）

A．	一个神经元是兴奋还是抑制的状态不全由其自身决定。
B．	一个神经元接收到其他神经元的电脉冲以后就会兴奋。
C．	人脑神经系统中神经元本身不如神经元如何组网重要。
D．	人脑神经系统启发了深度学习中一种主要模型的构建。

（4）根据材料一和材料二，下列理解与推断，不正确的一项是（ ）

A．	人工神经网络在自然语言处理等诸多领域是无可替代的。
B．	深度学习进行预测的能力与其模型的层次数量密切相关。
C．	沟通不同神经元的突触的强度不是恒定的，可以被改变。
D．	人工神经网络模型被深度学习采用有不止一方面的原因。

（5）根据以上两则材料，说明深度学习"应运而生"的原因，以及人工神经网络在深度学习中的作用。