A) Ένα είδος λογισμικού που χρησιμοποιείται για την αναπαραγωγή βιντεοπαιχνιδιών. B) Ένας κλάδος της τεχνητής νοημοσύνης που επιτρέπει στις μηχανές να μαθαίνουν από δεδομένα. C) Μια γλώσσα προγραμματισμού που χρησιμοποιείται για το σχεδιασμό τσιπ υπολογιστών. D) Μια μέθοδος ελέγχου φυσικών μηχανών με χρήση ανθρώπινης συμβολής.
A) Γραμμικής παλινδρόμησης B) Δέντρα απόφασης C) Ταξινόμηση D) Ομαδοποίηση
A) Εισαγωγή μη γραμμικότητας στο δίκτυο. B) Μετατροπή εισόδου σε έξοδο απευθείας. C) Αποθήκευση πληροφοριών για μελλοντική χρήση. D) Εκπαίδευση του δικτύου με χρήση backpropagation.
A) Κ-Μέσα B) Τυχαίο Δάσος C) SVM D) Q-Learning
A) Αφελής Bayes B) Ανάλυση κύριου στοιχείου (PCA) C) Δέντρα απόφασης D) Gradient Descent
A) Ποσοτικοποιεί τη διαφορά μεταξύ προβλεπόμενων και πραγματικών τιμών. B) Κανονικοποιεί τα δεδομένα πριν από την προπόνηση. C) Επιλέγει τα καλύτερα χαρακτηριστικά για το μοντέλο. D) Βελτιστοποιεί το μοντέλο χρησιμοποιώντας backpropagation.
A) Ρύθμιση του μοντέλου για την αποφυγή υπερβολικής τοποθέτησης. B) Αξιολόγηση του μοντέλου χρησιμοποιώντας διασταυρούμενη επικύρωση. C) Εκπαίδευση μοντέλου χωρίς δεδομένα. D) Η διαδικασία επιλογής και μετατροπής χαρακτηριστικών εισόδου για τη βελτίωση της απόδοσης του μοντέλου.
A) Για να προσθέσετε θόρυβο στα δεδομένα. B) Για τον έλεγχο του ρυθμού εκμάθησης του μοντέλου. C) Για να ελαχιστοποιήσετε τη λειτουργία απώλειας κατά τη διάρκεια της προπόνησης. D) Για να διαχωρίσετε διαφορετικές κλάσεις στο χώρο εισόδου.
A) Η αντιστάθμιση μεταξύ ακρίβειας και ακρίβειας. B) Η αντιστάθμιση μεταξύ υποπροσαρμογής και υπερπροσαρμογής. C) Η ισορροπία μεταξύ του χρόνου εκπαίδευσης και της απόδοσης του μοντέλου. D) Η ισορροπία μεταξύ της πολυπλοκότητας του μοντέλου και της γενίκευσης.
A) K-σημαίνει ομαδοποίηση B) Υποστήριξη Vector Machine (SVM) C) Γραμμικής παλινδρόμησης D) Ανάλυση κύριου στοιχείου (PCA)
A) Έλεγχος υπολογιστικής πολυπλοκότητας B) Διασταυρωμένη επικύρωση C) Μαντεύοντας D) Χρησιμοποιώντας μόνο δεδομένα εκπαίδευσης
A) Προσθήκη θορύβου στα δεδομένα B) Αντιγραφή των δεδομένων C) Αγνοώντας τα δεδομένα που λείπουν D) Απόδοση
A) R-τετράγωνο B) Ακρίβεια C) Μέσο τετράγωνο σφάλμα D) Μέσο απόλυτο σφάλμα
A) Τακτοποίηση B) Εκπαίδευση του μοντέλου σε περισσότερα δεδομένα C) Αφαίρεση βασικών χαρακτηριστικών D) Αύξηση της πολυπλοκότητας του μοντέλου
A) Τυχαία προετοιμασία B) Ο πίσω πολλαπλασιασμός C) Ομαλοποίηση παρτίδας D) Πρόωρη διακοπή
A) Εστίαση σε μία μόνο υπερπαράμετρο B) Αναζήτηση Πλέγματος C) Τυχαία επιλογή υπερπαραμέτρων D) Παράβλεψη υπερπαραμέτρων
A) Ανάλυση κύριου συστατικού B) Γραμμικής παλινδρόμησης C) K-σημαίνει ομαδοποίηση D) Δέντρο απόφασης
A) Μέσο τετράγωνο σφάλμα (MSE) B) Σφάλμα ρίζας μέσου τετραγώνου (RMSE) C) Απώλεια ημερολογίου D) Διασταυρούμενη εντροπία
A) Οπισθοδρόμηση B) Ταξινόμηση C) Μείωση διαστάσεων D) Ομαδοποίηση
A) PCA (Ανάλυση κύριου στοιχείου) B) K-πλησιέστεροι γείτονες (KNN) C) AdaBoost D) SMOTE (Τεχνική Υπερδειγματοληψίας Συνθετικής Μειονότητας)
A) Δάσος απομόνωσης B) Αφελής Bayes C) K-σημαίνει ομαδοποίηση D) SVM (Support Vector Machine)
A) Κλιμάκωση χαρακτηριστικών B) Κανονικοποίηση παρτίδας C) Gradient Descent D) Εγκατάλειψη |