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