A) Μάθηση με επίβλεψη.
B) Μάθηση χωρίς επίβλεψη.
C) Μάθηση με ημιεπίβλεψη.
D) Ενισχυτική μάθηση.

A) Ασφάλεια δικτύου.
B) Αποθήκευση δεδομένων.
C) Αναγνώριση προτύπων και ταξινόμηση.
D) Γράφοντας κώδικα.

A) Ένα μοντέλο που μαθαίνει γρηγορότερα.
B) Ένα μοντέλο χωρίς παραμέτρους.
C) Ένα μοντέλο που είναι υπερβολικά πολύπλοκο και έχει χαμηλή απόδοση σε νέα δεδομένα.
D) Ένα μοντέλο που γενικεύει καλά.

A) Γενετικοί αλγόριθμοι.
B) Κάθοδος κλίσης.
C) Ομαδοποίηση K-means.
D) Μηχανές διανυσμάτων υποστήριξης.

A) Ταξινόμηση δεδομένων σε κατηγορίες.
B) Για τη βελτιστοποίηση γραμμικών εξισώσεων.
C) Για να αντιστοιχίσετε τις εισόδους στις εξόδους απευθείας.
D) Να μαθαίνουν συμπεριφορές μέσω δοκιμής και λάθους.

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) Τυχαία δάση.
B) Γραμμική παλινδρόμηση.
C) K-means.
D) Δέντρα αποφάσεων.

A) Καθαρισμός δεδομένων για ανάλυση.
B) Αποθήκευση μεγάλου όγκου δεδομένων σε βάσεις δεδομένων.
C) Κρυπτογράφηση δεδομένων για ασφάλεια.
D) Εξαγωγή μοτίβων και πληροφοριών από μεγάλα σύνολα δεδομένων.

A) Νευρωνικά δίκτυα τροφοδότησης.
B) Δίκτυα συναρτήσεων ακτινικής βάσης.
C) Επαναλαμβανόμενα νευρωνικά δίκτυα (RNN).
D) Συνελικτικά νευρωνικά δίκτυα (CNN).

A) Ταξινόμηση μέσω quicksort.
B) Επανάληψη μέσω τυχαίας δειγματοληψίας.
C) Προσέγγιση συνάρτησης.
D) Επιβίωση του ισχυρότερου μέσω της εξέλιξης.

A) Ιδιωτικά δεδομένα χρηστών που συλλέγονται από εφαρμογές.
B) Δεδομένα αποθηκευμένα σε σχεσιακή βάση δεδομένων.
C) Μεγάλα και πολύπλοκα σύνολα δεδομένων που απαιτούν προηγμένα εργαλεία για την επεξεργασία τους.
D) Δεδομένα που είναι πολύ μικρά για ανάλυση.

A) Το Διαδίκτυο.
B) Η δομή και οι λειτουργίες του ανθρώπινου εγκεφάλου.
C) Γεωμετρικοί μετασχηματισμοί.
D) Στατιστικά μοντέλα.

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) Scikit-learn.
C) Pygame.
D) Όμορφη σούπα.

A) Ελαχιστοποίηση της απόστασης μεταξύ όλων των σημείων.
B) Χρήση βαθιάς μάθησης για ταξινόμηση.
C) Μεγιστοποίηση του όγκου του συνόλου δεδομένων.
D) Εύρεση του υπερεπιπέδου που διαχωρίζει καλύτερα τα σημεία δεδομένων.

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) Πολύ μεγάλο δημόσιο ενδιαφέρον.
B) Μεροληψία σε δεδομένα και αλγόριθμους.
C) Περιορισμοί υλικού.
D) Ενιαία πρότυπα κωδικοποίησης.

A) Python.
B) Συναρμολόγηση.
C) C++.
D) HTML.

A) Πρόβλεψη
B) Ταξινόμηση
C) Συσταδοποίηση
D) Παλινδρόμηση

A) Προσομοίωση Monte Carlo
B) Κατάβαση κλίσης
C) Γενετικοί αλγόριθμοι
D) Δέντρα απόφασης

A) Απόδοση
B) Ακρίβεια
C) Απόκλιση
D) Εντροπία

A) Git
B) TensorFlow
C) MySQL
D) Windows

A) Εύρος ζώνης
B) Υπερπροσαρμογή
C) Απόδοση
D) Καθυστέρηση

A) Βασικοί αριθμητικοί υπολογισμοί.
B) Υπολογιστικά φύλλα.
C) Επεξεργασία φυσικής γλώσσας.
D) Επεξεργασία κειμένου.

A) Ενισχυτική μάθηση.
B) Ομαδοποίηση K-means.
C) Γενετικοί αλγόριθμοι.
D) Γραμμική παλινδρόμηση.

A) Γραμμική παλινδρόμηση.
B) Ομαδοποίηση K-means.
C) Μηχανή διανυσμάτων υποστήριξης.
D) Q-learning.