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