A) Μάθηση με ημιεπίβλεψη. B) Μάθηση χωρίς επίβλεψη. C) Ενισχυτική μάθηση. D) Μάθηση με επίβλεψη.
A) Γράφοντας κώδικα. B) Αποθήκευση δεδομένων. C) Ασφάλεια δικτύου. D) Αναγνώριση προτύπων και ταξινόμηση.
A) Ένα μοντέλο χωρίς παραμέτρους. B) Ένα μοντέλο που γενικεύει καλά. C) Ένα μοντέλο που είναι υπερβολικά πολύπλοκο και έχει χαμηλή απόδοση σε νέα δεδομένα. D) Ένα μοντέλο που μαθαίνει γρηγορότερα.
A) Γενετικοί αλγόριθμοι. B) Κάθοδος κλίσης. C) Μηχανές διανυσμάτων υποστήριξης. D) Ομαδοποίηση K-means.
A) Για τη βελτιστοποίηση γραμμικών εξισώσεων. B) Για να αντιστοιχίσετε τις εισόδους στις εξόδους απευθείας. C) Να μαθαίνουν συμπεριφορές μέσω δοκιμής και λάθους. D) Ταξινόμηση δεδομένων σε κατηγορίες.
A) Η ταχύτητα επεξεργασίας ενός υπολογιστή. B) Η κατανάλωση ισχύος ενός συστήματος. C) Η ικανότητα μιας μηχανής να επιδεικνύει ευφυή συμπεριφορά ισοδύναμη με εκείνη ενός ανθρώπου. D) Η αποθηκευτική ικανότητα ενός υπολογιστή.
A) Απαιτεί λιγότερα δεδομένα από τις παραδοσιακές μεθόδους. B) Ευκολότερη εφαρμογή από τους τυπικούς αλγορίθμους. C) Δυνατότητα αυτόματης εκμάθησης χαρακτηριστικών από δεδομένα. D) Λειτουργεί καλύτερα με μικρά σύνολα δεδομένων.
A) Δέντρα αποφάσεων. B) Γραμμική παλινδρόμηση. C) K-means. D) Τυχαία δάση.
A) Κρυπτογράφηση δεδομένων για ασφάλεια. B) Αποθήκευση μεγάλου όγκου δεδομένων σε βάσεις δεδομένων. C) Καθαρισμός δεδομένων για ανάλυση. D) Εξαγωγή μοτίβων και πληροφοριών από μεγάλα σύνολα δεδομένων.
A) Συνελικτικά νευρωνικά δίκτυα (CNN). B) Επαναλαμβανόμενα νευρωνικά δίκτυα (RNN). C) Νευρωνικά δίκτυα τροφοδότησης. D) Δίκτυα συναρτήσεων ακτινικής βάσης.
A) Προσέγγιση συνάρτησης. B) Ταξινόμηση μέσω quicksort. C) Επιβίωση του ισχυρότερου μέσω της εξέλιξης. D) Επανάληψη μέσω τυχαίας δειγματοληψίας.
A) Μεγάλα και πολύπλοκα σύνολα δεδομένων που απαιτούν προηγμένα εργαλεία για την επεξεργασία τους. B) Δεδομένα που είναι πολύ μικρά για ανάλυση. C) Δεδομένα αποθηκευμένα σε σχεσιακή βάση δεδομένων. D) Ιδιωτικά δεδομένα χρηστών που συλλέγονται από εφαρμογές.
A) Το Διαδίκτυο. B) Στατιστικά μοντέλα. C) Γεωμετρικοί μετασχηματισμοί. D) Η δομή και οι λειτουργίες του ανθρώπινου εγκεφάλου.
A) Για να αυξήσετε το μέγεθος των δεδομένων εκπαίδευσης. B) Για να κάνει τα μοντέλα πιο ευτυχισμένα. C) Για να αντικαταστήσετε σύνολα δοκιμών. D) Αξιολόγηση της απόδοσης του μοντέλου κατά τη διάρκεια της εκπαίδευσης.
A) Φιάλη. B) Pygame. C) Scikit-learn. D) Όμορφη σούπα.
A) Χρήση βαθιάς μάθησης για ταξινόμηση. B) Εύρεση του υπερεπιπέδου που διαχωρίζει καλύτερα τα σημεία δεδομένων. C) Μεγιστοποίηση του όγκου του συνόλου δεδομένων. D) Ελαχιστοποίηση της απόστασης μεταξύ όλων των σημείων.
A) Μεταφέρει τα μοντέλα από ένα σύνολο δεδομένων σε ένα άλλο χωρίς αλλαγές. B) Χρησιμοποιεί τις γνώσεις που αποκτά από μια εργασία για να βελτιώσει την απόδοση σε μια συναφή εργασία. C) Μετακινεί εφαρμογές λογισμικού μεταξύ πλατφορμών. D) Μεταφέρει δεδομένα μεταξύ διαφορετικών χρηστών.
A) Ενιαία πρότυπα κωδικοποίησης. B) Μεροληψία σε δεδομένα και αλγόριθμους. C) Περιορισμοί υλικού. D) Πολύ μεγάλο δημόσιο ενδιαφέρον.
A) Συναρμολόγηση. B) C++. C) Python. D) HTML.
A) Παλινδρόμηση B) Πρόβλεψη C) Ταξινόμηση D) Συσταδοποίηση
A) Δέντρα απόφασης B) Προσομοίωση Monte Carlo C) Κατάβαση κλίσης D) Γενετικοί αλγόριθμοι
A) Εντροπία B) Απόκλιση C) Ακρίβεια D) Απόδοση
A) MySQL B) Git C) Windows D) TensorFlow
A) Εύρος ζώνης B) Υπερπροσαρμογή C) Καθυστέρηση D) Απόδοση
A) Επεξεργασία κειμένου. B) Βασικοί αριθμητικοί υπολογισμοί. C) Επεξεργασία φυσικής γλώσσας. D) Υπολογιστικά φύλλα.
A) Γενετικοί αλγόριθμοι. B) Ενισχυτική μάθηση. C) Ομαδοποίηση K-means. D) Γραμμική παλινδρόμηση.
A) Μηχανή διανυσμάτων υποστήριξης. B) Ομαδοποίηση K-means. C) Q-learning. D) Γραμμική παλινδρόμηση. |