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