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