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