A) Számítógépes chipek tervezésére használt programozási nyelv. B) A videojátékokhoz használt szoftver típusa. C) A mesterséges intelligencia egyik ága, amely lehetővé teszi a gépek számára, hogy tanuljanak az adatokból. D) Fizikai gépek emberi bevitellel történő vezérlésének módszere.
A) Döntési fák B) Lineáris regresszió C) Osztályozás D) Klaszterezés
A) A bemenet közvetlen konvertálása kimenetté. B) A nemlinearitás bevezetése a hálózatba. C) Információk tárolása későbbi használatra. D) A hálózat betanítása visszaszaporítással.
A) SVM B) Random Forest C) Q-Learning D) K-Means
A) Gradiens Descent B) Döntési fák C) Naiv Bayes D) Főkomponens-elemzés (PCA)
A) Edzés előtt normalizálja az adatokat. B) Számszerűsíti a becsült és a tényleges értékek közötti különbséget. C) Optimalizálja a modellt visszaszaporítással. D) Kiválasztja a modell legjobb tulajdonságait.
A) A modell értékelése keresztellenőrzéssel. B) Modell betanítása adatok nélkül. C) A bemeneti jellemzők kiválasztásának és átalakításának folyamata a modell teljesítményének javítása érdekében. D) A modell rendszerezése a túlillesztés elkerülése érdekében.
A) A veszteség funkció minimalizálása edzés közben. B) Különböző osztályok elkülönítése a beviteli térben. C) A modell tanulási sebességének szabályozására. D) Zaj hozzáadásához az adatokhoz.
A) Az alul- és túlillesztés közötti kompromisszum. B) Kompromisszum a pontosság és a precizitás között. C) Az edzési idő és a modell teljesítménye közötti egyensúly. D) A modell összetettsége és az általánosíthatóság egyensúlya.
A) Főkomponens-elemzés (PCA) B) Támogatja a vektorgépet (SVM) C) A K-csoportosulást jelent D) Lineáris regresszió
A) Számítási komplexitás ellenőrzése B) Keresztellenőrzés C) Csak edzésadatok használata D) Találgatás
A) Az adatok megkettőzése B) Zaj hozzáadása az adatokhoz C) Imputáció D) A hiányzó adatok figyelmen kívül hagyása
A) Pontosság B) R-négyzet C) Átlagos abszolút hiba D) Átlagos négyzetes hiba
A) Szabályozás B) A modell összetettségének növelése C) A legfontosabb jellemzők eltávolítása D) A modell betanítása több adatra
A) Kötegelt normalizálás B) Korai megállás C) Véletlenszerű inicializálás D) Visszaszaporítás
A) Egyetlen hiperparaméterre összpontosítva B) Rács keresés C) Hiperparaméterek véletlenszerű kiválasztása D) A hiperparaméterek figyelmen kívül hagyása
A) Főkomponens analízis B) K-csoportosulást jelent C) Lineáris regresszió D) Döntési fa
A) Átlagos négyzetes hiba (MSE) B) Keresztentrópia C) Log Loss D) Root Mean Squared Error (RMSE)
A) Osztályozás B) Klaszterezés C) Dimenziócsökkentés D) Regresszió
A) PCA (főkomponens-elemzés) B) SMOTE (Synthetic Minority Over-sampling Technique) C) AdaBoost D) K-legközelebbi szomszédok (KNN)
A) Elszigetelő erdő B) SVM (Support Vector Machine) C) A K-csoportosulást jelent D) Naiv Bayes
A) Funkció méretezése B) Kötegelt normalizálás C) Gradiens Descent D) Kidobni |