去掉隱藏層，無激活函數(shù)即為線性回歸，激活函數(shù)為sigmoid函數(shù)即為邏輯回歸

正確答案是：B: 線性回歸 和 C: 邏輯回歸。

專業(yè)分析如下：

1. **線性回歸**：
線性回歸是一種用于預測連續(xù)變量的回歸分析方法。神經(jīng)網(wǎng)絡，特別是單層神經(jīng)網(wǎng)絡（即沒有隱藏層的網(wǎng)絡），可以用于實現(xiàn)線性回歸。通過調(diào)整權重和偏置，神經(jīng)網(wǎng)絡可以擬合線性關系。

2. **邏輯回歸**：
邏輯回歸是一種用于分類問題的回歸分析方法，通常用于二分類問題。神經(jīng)網(wǎng)絡可以通過使用帶有Sigmoid激活函數(shù)的單層神經(jīng)元來實現(xiàn)邏輯回歸。多個神經(jīng)元的組合可以擴展到多分類問題。

3. **KNN（K-近鄰算法）**：
KNN是一種基于實例的學習方法，通過計算樣本之間的距離來進行分類或回歸。它不依賴于模型參數(shù)，而是直接利用訓練數(shù)據(jù)進行預測。由于KNN是非參數(shù)化方法，不適合用神經(jīng)網(wǎng)絡來直接實現(xiàn)。

4. **K-Means**：
K-Means是一種無監(jiān)督的聚類算法，通過迭代優(yōu)化將數(shù)據(jù)點分配到K個簇中。雖然神經(jīng)網(wǎng)絡可以用于聚類任務（如自組織映射和生成對抗網(wǎng)絡），但K-Means算法本身并不是通過神經(jīng)網(wǎng)絡來實現(xiàn)的。

總結(jié)來說，線性回歸和邏輯回歸可以通過神經(jīng)網(wǎng)絡來實現(xiàn)，而KNN和K-Means則不是直接通過神經(jīng)網(wǎng)絡實現(xiàn)的算法。