A) Un type de logiciel utilisé pour jouer à des jeux vidéo. B) Une branche de l'intelligence artificielle qui permet aux machines d'apprendre à partir de données. C) Une méthode de contrôle des machines physiques à l'aide d'une entrée humaine. D) Langage de programmation utilisé pour la conception de puces électroniques.
A) Classification B) Regroupement C) Arbres de décision D) Régression linéaire
A) Introduire la non-linéarité dans le réseau. B) Stockage d'informations en vue d'une utilisation ultérieure. C) Conversion directe de l'entrée en sortie. D) Formation du réseau par rétropropagation.
A) Q-Learning B) SVM C) K-Means D) Forêt aléatoire
A) Arbres de décision B) Analyse en composantes principales (ACP) C) Naive Bayes D) Descente en gradient
A) Sélectionne les meilleures caractéristiques pour le modèle. B) Optimise le modèle en utilisant la rétropropagation. C) Normalise les données avant la formation. D) Quantifie la différence entre les valeurs prédites et les valeurs réelles.
A) Régularisation du modèle pour éviter l'ajustement excessif. B) Le processus de sélection et de transformation des caractéristiques d'entrée afin d'améliorer la performance du modèle. C) Évaluation du modèle à l'aide de la validation croisée. D) Formation d'un modèle sans données.
A) Séparer différentes classes dans l'espace d'entrée. B) Pour minimiser la fonction de perte pendant la formation. C) Pour contrôler le taux d'apprentissage du modèle. D) Ajouter du bruit aux données.
A) L'équilibre entre la complexité du modèle et la généralisation. B) Le compromis entre l'ajustement insuffisant et l'ajustement excessif. C) Le compromis entre l'exactitude et la précision. D) L'équilibre entre le temps de formation et la performance du modèle.
A) Machine à vecteurs de support (SVM) B) Analyse en composantes principales (ACP) C) Régression linéaire D) Regroupement par K-moyennes
A) Utiliser uniquement des données d'apprentissage B) Vérification de la complexité des calculs C) Validation croisée D) Deviner
A) Ajouter du bruit aux données B) Ignorer les données manquantes C) Duplication des données D) Imputation
A) Précision B) R au carré C) Erreur quadratique moyenne D) Erreur absolue moyenne
A) Entraînement du modèle sur un plus grand nombre de données B) Augmenter la complexité du modèle C) Suppression d'éléments clés D) Régularisation
A) Arrêt précoce B) Initialisation aléatoire C) Rétropropagation D) Normalisation par lots
A) Se concentrer sur un seul hyperparamètre B) Recherche de grille C) Sélection aléatoire des hyperparamètres D) Ignorer les hyperparamètres
A) Régression linéaire B) Arbre de décision C) Regroupement par K-moyennes D) Analyse en composantes principales
A) Erreur quadratique moyenne (RMSE) B) Erreur quadratique moyenne (EQM) C) Perte de logs D) L'entropie croisée
A) Réduction de la dimensionnalité B) Classification C) Régression D) Regroupement
A) K-voisins les plus proches (KNN) B) SMOTE (Synthetic Minority Over-sampling Technique) C) AdaBoost D) ACP (analyse en composantes principales)
A) Regroupement par K-moyennes B) Forêt d'isolement C) SVM (Support Vector Machine) D) Naive Bayes
A) Descente en gradient B) Mise à l'échelle des caractéristiques C) Normalisation par lots D) Abandon |