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