A) Denetimli öğrenme.
B) Yarı denetimli öğrenme.
C) Denetimsiz öğrenme.
D) Takviyeli öğrenme.

A) Örüntü tanıma ve sınıflandırma.
B) Veri depolama.
C) Ağ güvenliği.
D) Kod yazmak.

A) Daha hızlı öğrenen bir model.
B) İyi genelleme yapan bir model.
C) Parametreleri olmayan bir model.
D) Çok karmaşık ve yeni veriler üzerinde düşük performans gösteren bir model.

A) Gradyan inişi.
B) Genetik algoritmalar.
C) K-ortalamalar kümeleme.
D) Destek Vektör Makineleri.

A) Davranışları deneme yanılma yoluyla öğrenmek.
B) Girişleri doğrudan çıkışlara eşlemek için.
C) Doğrusal denklemleri optimize etmek için.
D) Verileri kategoriler halinde sınıflandırmak için.

A) Bir sistemin güç tüketimi.
B) Bir bilgisayarın depolama kapasitesi.
C) Bir makinenin insana eşdeğer akıllı davranışlar sergileme yeteneği.
D) Bir bilgisayarın işlem hızı.

A) Küçük veri kümeleriyle daha iyi çalışır.
B) Standart algoritmalara göre uygulaması daha kolaydır.
C) Verilerden özellikleri otomatik olarak öğrenme yeteneği.
D) Geleneksel yöntemlere göre daha az veri gerektirir.

A) K-means.
B) Karar ağaçları.
C) Doğrusal regresyon.
D) Rastgele ormanlar.

A) Büyük miktarda verinin veritabanlarında depolanması.
B) Güvenlik için verilerin şifrelenmesi.
C) Büyük veri kümelerinden desen ve bilgi çıkarma.
D) Analiz için verilerin temizlenmesi.

A) Tekrarlayan Sinir Ağları (RNN'ler).
B) Evrişimsel Sinir Ağları (CNN'ler).
C) Radyal tabanlı fonksiyon ağları.
D) İleri beslemeli sinir ağları.

A) Fonksiyon yaklaşımı.
B) Evrim yoluyla en uygun olanın hayatta kalması.
C) Rastgele örnekleme yoluyla yineleme.
D) Quicksort aracılığıyla sıralama.

A) Analiz için çok küçük veriler.
B) İşlemek için gelişmiş araçlar gerektiren büyük ve karmaşık veri kümeleri.
C) İlişkisel bir veritabanında depolanan veriler.
D) Uygulamalar tarafından toplanan özel kullanıcı verileri.

A) İnternet.
B) İnsan beyninin yapısı ve işlevleri.
C) Geometrik dönüşümler.
D) İstatistiksel modeller.

A) Modelleri daha mutlu etmek için.
B) Eğitim sırasında model performansını değerlendirmek için.
C) Test setlerini değiştirmek için.
D) Eğitim veri boyutunu artırmak için.

A) Matara.
B) Scikit-learn.
C) Pygame.
D) Güzel Çorba.

A) Sınıflandırma için derin öğrenmeyi kullanma.
B) Veri noktalarını en iyi şekilde ayıran hiper düzlemi bulma.
C) Tüm noktalar arasındaki mesafenin en aza indirilmesi.
D) Veri kümesinin hacmini en üst düzeye çıkarma.

A) Yazılım uygulamalarını platformlar arasında taşır.
B) Modelleri bir veri kümesinden diğerine değişiklik yapmadan kaydırır.
C) Bir görevden elde edilen bilgiyi ilgili bir görevdeki performansı iyileştirmek için kullanır.
D) Farklı kullanıcılar arasında veri aktarır.

A) Donanım sınırlamaları.
B) Veri ve algoritmalarda önyargı.
C) Çok fazla kamu ilgisi var.
D) Tek tip kodlama standartları.

A) C++.
B) HTML.
C) Python.
D) Montaj.

A) Sınıflandırma
B) Regresyon
C) Tahmin
D) Kümeleme

A) Monte Carlo Simülasyonu
B) Gradyan İniş
C) Genetik Algoritmalar
D) Karar Ağaçları

A) Varyans
B) Doğruluk
C) Entropi
D) Verim

A) TensorFlow
B) MySQL
C) Pencereler
D) Git

A) Gecikme
B) Aşırı Uyum
C) Bant Genişliği
D) Verim

A) Doğal dil işleme.
B) Temel aritmetik hesaplamalar.
C) Kelime işlem.
D) Elektronik tablolar.

A) Genetik algoritmalar.
B) Takviyeli öğrenme.
C) K-ortalamalar kümeleme.
D) Doğrusal regresyon.

A) Q-öğrenme.
B) K-ortalamalar kümeleme.
C) Doğrusal regresyon.
D) Destek Vektör Makinesi.