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