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