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