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

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

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

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

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

A) Η αποθηκευτική ικανότητα ενός υπολογιστή.
B) Η ταχύτητα επεξεργασίας ενός υπολογιστή.
C) Η ικανότητα μιας μηχανής να επιδεικνύει ευφυή συμπεριφορά ισοδύναμη με εκείνη ενός ανθρώπου.
D) Η κατανάλωση ισχύος ενός συστήματος.

A) Λειτουργεί καλύτερα με μικρά σύνολα δεδομένων.
B) Ευκολότερη εφαρμογή από τους τυπικούς αλγορίθμους.
C) Δυνατότητα αυτόματης εκμάθησης χαρακτηριστικών από δεδομένα.
D) Απαιτεί λιγότερα δεδομένα από τις παραδοσιακές μεθόδους.

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

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

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

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

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

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

A) Για να κάνει τα μοντέλα πιο ευτυχισμένα.
B) Για να αντικαταστήσετε σύνολα δοκιμών.
C) Για να αυξήσετε το μέγεθος των δεδομένων εκπαίδευσης.
D) Αξιολόγηση της απόδοσης του μοντέλου κατά τη διάρκεια της εκπαίδευσης.

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

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

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

A) Μεταφέρει δεδομένα μεταξύ διαφορετικών χρηστών.
B) Μεταφέρει τα μοντέλα από ένα σύνολο δεδομένων σε ένα άλλο χωρίς αλλαγές.
C) Μετακινεί εφαρμογές λογισμικού μεταξύ πλατφορμών.
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) Ενιαία πρότυπα κωδικοποίησης.
B) Μεροληψία σε δεδομένα και αλγόριθμους.
C) Περιορισμοί υλικού.
D) Πολύ μεγάλο δημόσιο ενδιαφέρον.

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

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

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

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

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

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

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