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