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