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