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