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