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