A) Unüberwachtes Lernen. B) Verstärkungslernen. C) Semi-überwachtes Lernen. D) Überwachtes Lernen.
A) Code schreiben. B) Sicherheit im Netz. C) Mustererkennung und Klassifizierung. D) Speicherung von Daten.
A) Ein Modell, das zu komplex ist und bei neuen Daten schlecht abschneidet. B) Ein Modell ohne Parameter. C) Ein Modell, das schneller lernt. D) Ein Modell, das sich gut verallgemeinern lässt.
A) Support-Vektor-Maschinen. B) K-means-Clustering. C) Genetische Algorithmen. D) Gradientenabstieg.
A) Einteilung der Daten in Kategorien. B) Zur direkten Zuordnung von Eingängen zu Ausgängen. C) Zur Optimierung linearer Gleichungen. D) Verhaltensweisen durch Versuch und Irrtum lernen.
A) Die Speicherkapazität eines Computers. B) Die Verarbeitungsgeschwindigkeit eines Computers. C) Die Fähigkeit einer Maschine, intelligentes Verhalten zu zeigen, das dem eines Menschen entspricht. D) Die Leistungsaufnahme eines Systems.
A) Fähigkeit zum automatischen Lernen von Merkmalen aus Daten. B) Benötigt weniger Daten als herkömmliche Methoden. C) Einfacher zu implementieren als Standardalgorithmen. D) Funktioniert besser bei kleinen Datensätzen.
A) Entscheidungsbäume. B) Zufällige Wälder. C) Lineare Regression. D) K-means.
A) Bereinigung der Daten für die Analyse. B) Extraktion von Mustern und Informationen aus großen Datenbeständen. C) Verschlüsselung von Daten zur Sicherheit. D) Speicherung großer Datenmengen in Datenbanken.
A) Rekurrente neuronale Netze (RNNs). B) Neuronale Netze mit Vorwärtskopplung. C) Faltungsneuronale Netze (CNNs). D) Netze mit radialen Basisfunktionen.
A) Angleichung der Funktionen. B) Sortieren durch Quicksort. C) Das Überleben des Stärkeren durch die Evolution. D) Iteration durch Zufallsstichproben.
A) Große und komplexe Datensätze, deren Verarbeitung fortgeschrittene Werkzeuge erfordert. B) Von Apps gesammelte private Nutzerdaten. C) In einer relationalen Datenbank gespeicherte Daten. D) Daten, die für eine Analyse zu klein sind.
A) Die Struktur und die Funktionen des menschlichen Gehirns. B) Geometrische Transformationen. C) Statistische Modelle. D) Das Internet.
A) Um Modelle glücklicher zu machen. B) Zum Ersetzen von Testsätzen. C) Vergrößerung der Trainingsdaten. D) Bewertung der Modellleistung während des Trainings.
A) Scikit-learn. B) Schöne Suppe. C) Fläschchen. D) Pygame.
A) Maximierung des Volumens des Datensatzes. B) Minimierung des Abstands zwischen allen Punkten. C) Einsatz von Deep Learning für die Klassifizierung. D) Suche nach der Hyperebene, die die Datenpunkte am besten trennt.
A) Verschiebt Softwareanwendungen zwischen Plattformen. B) Überträgt Daten zwischen verschiedenen Benutzern. C) Verschiebt Modelle von einem Datensatz zu einem anderen ohne Änderungen. D) Nutzt das bei einer Aufgabe gewonnene Wissen, um die Leistung bei einer verwandten Aufgabe zu verbessern.
A) Einheitliche Kodierungsstandards. B) Verzerrungen in Daten und Algorithmen. C) Zu viel öffentliches Interesse. D) Hardware-Einschränkungen.
A) HTML. B) C++. C) Python. D) Montage.
A) Klassifizierung B) Vorhersage C) Clustering D) Regression
A) Genetische Algorithmen B) Monte-Carlo-Simulation C) Gradienter Abstieg D) Entscheidungsbäume
A) Genauigkeit B) Durchsatz C) Entropie D) Abweichung
A) MySQL B) Git C) Windows D) TensorFlow
A) Überanpassung B) Bandbreite C) Latenzzeit D) Durchsatz
A) Textverarbeitung. B) Verarbeitung natürlicher Sprache. C) Tabellenkalkulationen. D) Grundlegende arithmetische Berechnungen.
A) Verstärkungslernen. B) Lineare Regression. C) K-means-Clustering. D) Genetische Algorithmen.
A) Q-learning. B) Support-Vektor-Maschine. C) Lineare Regression. D) K-means-Clustering. |