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