A) Aprendizaje por refuerzo. B) Aprendizaje semisupervisado. C) Aprendizaje no supervisado. D) Aprendizaje supervisado.
A) Reconocimiento y clasificación de patrones. B) Seguridad de la red. C) Almacenamiento de datos. D) Escribiendo código.
A) Un modelo que se generaliza bien. B) Un modelo que es demasiado complejo y funciona mal con datos nuevos. C) Un modelo sin parámetros. D) Un modelo que aprende más rápido.
A) Descenso de gradiente. B) Agrupamiento de k-medias. C) Máquinas de vectores de soporte. D) Algoritmos genéticos.
A) Para asignar entradas a salidas directamente. B) Para optimizar ecuaciones lineales. C) Clasificar datos en categorías. D) Aprender comportamientos a través de ensayo y error.
A) La capacidad de una máquina de exhibir un comportamiento inteligente equivalente al de un humano. B) El consumo de energía de un sistema. C) La capacidad de almacenamiento de una computadora. D) La velocidad de procesamiento de una computadora.
A) Requiere menos datos que los métodos tradicionales. B) Funciona mejor con conjuntos de datos pequeños. C) Más fácil de implementar que los algoritmos estándar. D) Capacidad de aprender automáticamente características de los datos.
A) Árboles de decisión. B) Bosques aleatorios. C) Regresión lineal. D) K-medias.
A) Extracción de patrones e información de grandes conjuntos de datos. B) Cifrado de datos para mayor seguridad. C) Limpieza de datos para análisis. D) Almacenar grandes cantidades de datos en bases de datos.
A) Redes neuronales convolucionales (CNN). B) Redes de funciones de base radial. C) Redes neuronales recurrentes (RNN). D) Redes neuronales de propagación hacia adelante.
A) Iteración mediante muestreo aleatorio. B) Ordenación mediante clasificación rápida. C) Aproximación de funciones. D) La supervivencia del más apto a través de la evolución.
A) Conjuntos de datos grandes y complejos que requieren herramientas avanzadas para procesarlos. B) Datos demasiado pequeños para el análisis. C) Datos privados de usuario recopilados por aplicaciones. D) Datos almacenados en una base de datos relacional.
A) Modelos estadísticos. B) La Internet. C) Transformaciones geométricas. D) La estructura y funciones del cerebro humano.
A) Para evaluar el rendimiento del modelo durante el entrenamiento. B) Para hacer más felices a las modelos. C) Para aumentar el tamaño de los datos de entrenamiento. D) Para reemplazar los equipos de prueba.
A) Aprendizaje Scikit. B) Hermosa sopa. C) Matraz. D) Juego de pygame.
A) Utilizando aprendizaje profundo para clasificación. B) Encontrar el hiperplano que mejor separa los puntos de datos. C) Maximizar el volumen del conjunto de datos. D) Minimizar la distancia entre todos los puntos.
A) Cambia modelos de un conjunto de datos a otro sin realizar cambios. B) Mueve aplicaciones de software entre plataformas. C) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada. D) Transfiere datos entre diferentes usuarios.
A) Limitaciones de hardware. B) Estándares de codificación uniformes. C) Demasiado interés público. D) Sesgo en datos y algoritmos.
A) Pitón. B) C++. C) Formato HTML. D) Asamblea.
A) Clasificación B) Regresión C) Agrupamiento D) Predicción
A) Descenso de gradiente B) Árboles de decisión C) Simulación de Monte Carlo D) Algoritmos genéticos
A) Rendimiento B) Diferencia C) Entropía D) Exactitud
A) Ventanas B) Git C) Flujo tensorial D) MySQL
A) Sobreajuste B) Estado latente C) Ancho de banda D) Rendimiento
A) Cálculos aritméticos básicos. B) Procesamiento del lenguaje natural. C) Procesamiento de textos. D) Hojas de cálculo.
A) Agrupamiento de k-medias. B) Regresión lineal. C) Aprendizaje por refuerzo. D) Algoritmos genéticos.
A) Máquina de vectores de soporte. B) Regresión lineal. C) Agrupamiento de k-medias. D) Aprendizaje Q. |