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