A) Un tipo di software utilizzato per giocare ai videogiochi. B) Un metodo per controllare macchine fisiche utilizzando l'input umano. C) Un ramo dell'intelligenza artificiale che consente alle macchine di imparare dai dati. D) Un linguaggio di programmazione utilizzato per la progettazione di chip per computer.
A) Raggruppamento B) Regressione lineare C) Alberi decisionali D) Classificazione
A) Memorizzare le informazioni per un uso futuro. B) Introdurre la non linearità nella rete. C) Conversione diretta dell'ingresso in uscita. D) Addestramento della rete mediante backpropagation.
A) Q-Learning B) SVM C) Foresta casuale D) K-Means
A) Discesa graduale B) Baia ingenua C) Alberi decisionali D) Analisi delle componenti principali (PCA)
A) Normalizza i dati prima dell'addestramento. B) Seleziona le caratteristiche migliori per il modello. C) Quantifica la differenza tra i valori previsti e quelli effettivi. D) Ottimizza il modello utilizzando la retropropagazione.
A) Valutazione del modello mediante convalida incrociata. B) Addestramento di un modello senza dati. C) Il processo di selezione e trasformazione delle caratteristiche di input per migliorare le prestazioni del modello. D) Regolarizzazione del modello per evitare l'overfitting.
A) Per aggiungere rumore ai dati. B) Per controllare il tasso di apprendimento del modello. C) Per separare le diverse classi nello spazio di input. D) Per minimizzare la funzione di perdita durante l'addestramento.
A) Verifica della complessità computazionale B) Convalida incrociata C) Utilizzando solo i dati di addestramento D) Indovinare
A) Discesa graduale B) Normalizzazione dei lotti C) Scala delle caratteristiche D) Abbandono
A) Raggruppamento K-means B) Analisi delle componenti principali (PCA) C) Regressione lineare D) Macchina vettoriale di supporto (SVM)
A) PCA (Analisi delle componenti principali) B) Vicini di K (KNN) C) AdaBoost D) SMOTE (Tecnica di sovracampionamento della minoranza sintetica)
A) Analisi delle componenti principali B) Raggruppamento K-means C) Albero decisionale D) Regressione lineare
A) Baia ingenua B) Raggruppamento K-means C) Foresta di isolamento D) SVM (macchina vettoriale di supporto)
A) Perdita di tronco B) Errore quadratico medio (RMSE) C) Errore quadratico medio (MSE) D) Entropia incrociata
A) Addestramento del modello su più dati B) Aumentare la complessità del modello C) Rimozione delle funzioni chiave D) Regolarizzazione
A) Duplicazione dei dati B) Imputazione C) Aggiunta di rumore ai dati D) Ignorare i dati mancanti
A) Retropropagazione B) Arresto anticipato C) Inizializzazione casuale D) Normalizzazione dei lotti
A) Classificazione B) Regressione C) Riduzione della dimensionalità D) Raggruppamento
A) Il compromesso tra underfitting e overfitting. B) Il compromesso tra accuratezza e precisione. C) L'equilibrio tra complessità del modello e generalizzabilità. D) L'equilibrio tra tempo di formazione e prestazioni del modello.
A) Ignorare gli iperparametri B) Ricerca a griglia C) Concentrarsi su un singolo iperparametro D) Selezione casuale degli iperparametri
A) Quadrato R B) Errore quadratico medio C) Errore assoluto medio D) Precisione |