A) Ένας κλάδος της τεχνητής νοημοσύνης που επιτρέπει στις μηχανές να μαθαίνουν από δεδομένα. B) Μια μέθοδος ελέγχου φυσικών μηχανών με χρήση ανθρώπινης συμβολής. C) Μια γλώσσα προγραμματισμού που χρησιμοποιείται για το σχεδιασμό τσιπ υπολογιστών. D) Ένα είδος λογισμικού που χρησιμοποιείται για την αναπαραγωγή βιντεοπαιχνιδιών.
A) Δέντρα απόφασης B) Ταξινόμηση C) Γραμμικής παλινδρόμησης D) Ομαδοποίηση
A) Αποθήκευση πληροφοριών για μελλοντική χρήση. B) Εισαγωγή μη γραμμικότητας στο δίκτυο. C) Εκπαίδευση του δικτύου με χρήση backpropagation. D) Μετατροπή εισόδου σε έξοδο απευθείας.
A) Τυχαίο Δάσος B) Q-Learning C) Κ-Μέσα D) SVM
A) Αφελής Bayes B) Δέντρα απόφασης C) Ανάλυση κύριου στοιχείου (PCA) D) Gradient Descent
A) Ποσοτικοποιεί τη διαφορά μεταξύ προβλεπόμενων και πραγματικών τιμών. B) Βελτιστοποιεί το μοντέλο χρησιμοποιώντας backpropagation. C) Επιλέγει τα καλύτερα χαρακτηριστικά για το μοντέλο. D) Κανονικοποιεί τα δεδομένα πριν από την προπόνηση.
A) Αξιολόγηση του μοντέλου χρησιμοποιώντας διασταυρούμενη επικύρωση. B) Η διαδικασία επιλογής και μετατροπής χαρακτηριστικών εισόδου για τη βελτίωση της απόδοσης του μοντέλου. C) Εκπαίδευση μοντέλου χωρίς δεδομένα. D) Ρύθμιση του μοντέλου για την αποφυγή υπερβολικής τοποθέτησης.
A) Για να διαχωρίσετε διαφορετικές κλάσεις στο χώρο εισόδου. B) Για να ελαχιστοποιήσετε τη λειτουργία απώλειας κατά τη διάρκεια της προπόνησης. C) Για τον έλεγχο του ρυθμού εκμάθησης του μοντέλου. D) Για να προσθέσετε θόρυβο στα δεδομένα.
A) Η αντιστάθμιση μεταξύ ακρίβειας και ακρίβειας. B) Η αντιστάθμιση μεταξύ υποπροσαρμογής και υπερπροσαρμογής. C) Η ισορροπία μεταξύ του χρόνου εκπαίδευσης και της απόδοσης του μοντέλου. D) Η ισορροπία μεταξύ της πολυπλοκότητας του μοντέλου και της γενίκευσης.
A) Γραμμικής παλινδρόμησης B) Υποστήριξη Vector Machine (SVM) C) Ανάλυση κύριου στοιχείου (PCA) D) K-σημαίνει ομαδοποίηση
A) Μαντεύοντας B) Έλεγχος υπολογιστικής πολυπλοκότητας C) Χρησιμοποιώντας μόνο δεδομένα εκπαίδευσης D) Διασταυρωμένη επικύρωση
A) Προσθήκη θορύβου στα δεδομένα B) Αντιγραφή των δεδομένων C) Αγνοώντας τα δεδομένα που λείπουν D) Απόδοση
A) Ακρίβεια B) Μέσο απόλυτο σφάλμα C) Μέσο τετράγωνο σφάλμα D) R-τετράγωνο
A) Αύξηση της πολυπλοκότητας του μοντέλου B) Εκπαίδευση του μοντέλου σε περισσότερα δεδομένα C) Τακτοποίηση D) Αφαίρεση βασικών χαρακτηριστικών
A) Ομαλοποίηση παρτίδας B) Πρόωρη διακοπή C) Ο πίσω πολλαπλασιασμός D) Τυχαία προετοιμασία
A) Τυχαία επιλογή υπερπαραμέτρων B) Αναζήτηση Πλέγματος C) Εστίαση σε μία μόνο υπερπαράμετρο D) Παράβλεψη υπερπαραμέτρων
A) K-σημαίνει ομαδοποίηση B) Δέντρο απόφασης C) Γραμμικής παλινδρόμησης D) Ανάλυση κύριου συστατικού
A) Απώλεια ημερολογίου B) Σφάλμα ρίζας μέσου τετραγώνου (RMSE) C) Μέσο τετράγωνο σφάλμα (MSE) D) Διασταυρούμενη εντροπία
A) Οπισθοδρόμηση B) Μείωση διαστάσεων C) Ταξινόμηση D) Ομαδοποίηση
A) PCA (Ανάλυση κύριου στοιχείου) B) AdaBoost C) SMOTE (Τεχνική Υπερδειγματοληψίας Συνθετικής Μειονότητας) D) K-πλησιέστεροι γείτονες (KNN)
A) Αφελής Bayes B) SVM (Support Vector Machine) C) Δάσος απομόνωσης D) K-σημαίνει ομαδοποίηση
A) Κανονικοποίηση παρτίδας B) Gradient Descent C) Εγκατάλειψη D) Κλιμάκωση χαρακτηριστικών |