A) Ein Verfahren zur Steuerung physikalischer Maschinen durch menschliche Eingaben. B) Eine Art von Software, die zum Spielen von Videospielen verwendet wird. C) Ein Zweig der künstlichen Intelligenz, der es Maschinen ermöglicht, aus Daten zu lernen. D) Eine Programmiersprache, die für den Entwurf von Computerchips verwendet wird.
A) Klassifizierung B) Lineare Regression C) Clustering D) Entscheidungsbäume
A) Einführung der Nichtlinearität in das Netz. B) Speichern von Informationen zur späteren Verwendung. C) Training des Netzes mit Backpropagation. D) Direkte Umwandlung der Eingabe in die Ausgabe.
A) Q-Learning B) Zufälliger Wald C) SVM D) K-Means
A) Hauptkomponentenanalyse (PCA) B) Entscheidungsbäume C) Gradienter Abstieg D) Naive Bayes
A) Optimiert das Modell durch Backpropagation. B) Wählt die besten Merkmale für das Modell aus. C) Quantifiziert die Differenz zwischen prognostizierten und tatsächlichen Werten. D) Normalisiert die Daten vor dem Training.
A) Training eines Modells ohne Daten. B) Regulierung des Modells, um eine Überanpassung zu verhindern. C) Der Prozess der Auswahl und Umwandlung von Eingangsmerkmalen zur Verbesserung der Modellleistung. D) Evaluierung des Modells durch Kreuzvalidierung.
A) Zur Kontrolle der Lernrate des Modells. B) Minimierung der Verlustfunktion während des Trainings. C) Um den Daten Rauschen hinzuzufügen. D) Zur Trennung verschiedener Klassen im Eingaberaum.
A) Der Kompromiss zwischen Underfitting und Overfitting. B) Das Gleichgewicht zwischen Modellkomplexität und Verallgemeinerbarkeit. C) Der Kompromiss zwischen Genauigkeit und Präzision. D) Das Gleichgewicht zwischen Trainingszeit und Modellleistung.
A) Aussteiger B) Stapel-Normalisierung C) Gradienter Abstieg D) Merkmal Skalierung
A) Mittlerer quadratischer Fehler (MSE) B) Log-Verlust C) Mittlerer quadratischer Wurzelfehler (RMSE) D) Kreuzentropie
A) Duplizieren der Daten B) Anrechnung C) Ignorieren der fehlenden Daten D) Hinzufügen von Rauschen zu den Daten
A) SVM (Support-Vektor-Maschine) B) Naive Bayes C) K-Mittelwert-Clustering D) Isolation Wald
A) Mittlerer quadratischer Fehler B) Mittlerer absoluter Fehler C) R-Quadrat D) Genauigkeit
A) Rückwärtspropagation B) Zufällige Initialisierung C) Stapel-Normalisierung D) Vorzeitiges Aufhören
A) Clustering B) Regression C) Reduzierung der Dimensionalität D) Klassifizierung
A) Regularisierung B) Erhöhung der Komplexität des Modells C) Entfernen von Schlüsselmerkmalen D) Training des Modells mit mehr Daten
A) K-Mittelwert-Clustering B) Entscheidungsbaum C) Lineare Regression D) Hauptkomponentenanalyse
A) Überprüfung der rechnerischen Komplexität B) Raten C) Kreuzvalidierung D) Nur Trainingsdaten verwenden
A) Support-Vektor-Maschine (SVM) B) Hauptkomponentenanalyse (PCA) C) K-Mittelwert-Clustering D) Lineare Regression
A) K-Nächste Nachbarn (KNN) B) AdaBoost C) PCA (Hauptkomponentenanalyse) D) SMOTE (Synthetic Minority Over-sampling Technique)
A) Ignorieren von Hyperparametern B) Fokussierung auf einen einzigen Hyperparameter C) Zufällige Auswahl von Hyperparametern D) Rastersuche |