A) Apprendimento semi-supervisionato. B) Apprendimento non supervisionato. C) Apprendimento per rinforzo. D) Apprendimento supervisionato.
A) Riconoscimento e classificazione dei modelli. B) Scrivere codice. C) Memorizzazione dei dati. D) Sicurezza della rete.
A) Un modello che impara più velocemente. B) Un modello che si generalizza bene. C) Un modello troppo complesso che si comporta male con i nuovi dati. D) Un modello senza parametri.
A) Clustering K-means. B) Discesa del gradiente. C) Algoritmi genetici. D) Macchine vettoriali di supporto.
A) Classificare i dati in categorie. B) Apprendere i comportamenti attraverso prove ed errori. C) Per mappare direttamente gli ingressi alle uscite. D) Per ottimizzare le equazioni lineari.
A) La capacità di una macchina di mostrare un comportamento intelligente equivalente a quello di un essere umano. B) Il consumo di energia di un sistema. C) La capacità di memorizzazione di un computer. D) La velocità di elaborazione di un computer.
A) Capacità di apprendere automaticamente le caratteristiche dai dati. B) Richiede meno dati rispetto ai metodi tradizionali. C) Più facile da implementare rispetto agli algoritmi standard. D) Funziona meglio con piccoli insiemi di dati.
A) Alberi decisionali. B) Foreste casuali. C) Regressione lineare. D) K-means.
A) Crittografia dei dati per la sicurezza. B) Memorizzazione di grandi quantità di dati nei database. C) Pulizia dei dati per l'analisi. D) Estrazione di modelli e informazioni da grandi insiemi di dati.
A) Reti neurali ricorrenti (RNN). B) Reti di funzioni a base radiale. C) Reti neurali feedforward. D) Reti neurali convoluzionali (CNN).
A) Iterazione tramite campionamento casuale. B) La sopravvivenza del più adatto attraverso l'evoluzione. C) Ordinamento tramite quicksort. D) Approssimazione di funzioni.
A) Dati troppo piccoli per l'analisi. B) Dati privati dell'utente raccolti dalle app. C) Insiemi di dati grandi e complessi che richiedono strumenti avanzati per essere elaborati. D) Dati memorizzati in un database relazionale.
A) Struttura e funzioni del cervello umano. B) Trasformazioni geometriche. C) Modelli statistici. D) Internet.
A) Per aumentare la dimensione dei dati di addestramento. B) Per sostituire i set di test. C) Per valutare le prestazioni del modello durante l'addestramento. D) Per rendere i modelli più felici.
A) Scikit-learn. B) Pygame. C) Pallone. D) Una bella zuppa.
A) Minimizzazione della distanza tra tutti i punti. B) Utilizzo dell'apprendimento profondo per la classificazione. C) Massimizzare il volume del set di dati. D) Trovare l'iperpiano che separa meglio i punti dati.
A) Sposta le applicazioni software tra le piattaforme. B) Utilizza le conoscenze acquisite in un compito per migliorare le prestazioni in un compito correlato. C) Trasferisce i modelli da un set di dati a un altro senza modifiche. D) Trasferimento di dati tra diversi utenti.
A) Standard di codifica uniformi. B) Bias nei dati e negli algoritmi. C) Limitazioni hardware. D) Troppo interesse pubblico.
A) Pitone. B) C++. C) Montaggio. D) HTML.
A) Regressione B) Previsione C) Classificazione D) Raggruppamento
A) Simulazione Monte Carlo B) Algoritmi genetici C) Discesa graduale D) Alberi decisionali
A) Produttività B) Varianza C) Precisione D) Entropia
A) Finestre B) TensorFlow C) MySQL D) Git
A) Overfitting B) Produttività C) Larghezza di banda D) Latenza
A) Fogli di calcolo. B) Elaborazione testi. C) Calcoli aritmetici di base. D) Elaborazione del linguaggio naturale.
A) Algoritmi genetici. B) Apprendimento per rinforzo. C) Clustering K-means. D) Regressione lineare.
A) Regressione lineare. B) Apprendimento a Q. C) Clustering K-means. D) Macchina vettoriale di supporto. |