A) Une branche de l'intelligence artificielle qui permet aux machines d'apprendre à partir de données. B) Un type de logiciel utilisé pour jouer à des jeux vidéo. C) Une méthode de contrôle des machines physiques à l'aide d'une entrée humaine. D) Langage de programmation utilisé pour la conception de puces électroniques.
A) Classification B) Régression linéaire C) Arbres de décision D) Regroupement
A) Conversion directe de l'entrée en sortie. B) Stockage d'informations en vue d'une utilisation ultérieure. C) Formation du réseau par rétropropagation. D) Introduire la non-linéarité dans le réseau.
A) K-Means B) Q-Learning C) SVM D) Forêt aléatoire
A) Arbres de décision B) Analyse en composantes principales (ACP) C) Descente en gradient D) Naive Bayes
A) Sélectionne les meilleures caractéristiques pour le modèle. B) Optimise le modèle en utilisant la rétropropagation. C) Normalise les données avant la formation. D) Quantifie la différence entre les valeurs prédites et les valeurs réelles.
A) Formation d'un modèle sans données. B) Évaluation du modèle à l'aide de la validation croisée. C) Régularisation du modèle pour éviter l'ajustement excessif. D) Le processus de sélection et de transformation des caractéristiques d'entrée afin d'améliorer la performance du modèle.
A) Pour minimiser la fonction de perte pendant la formation. B) Ajouter du bruit aux données. C) Séparer différentes classes dans l'espace d'entrée. D) Pour contrôler le taux d'apprentissage du modèle.
A) Erreur quadratique moyenne (EQM) B) L'entropie croisée C) Perte de logs D) Erreur quadratique moyenne (RMSE)
A) Suppression d'éléments clés B) Entraînement du modèle sur un plus grand nombre de données C) Régularisation D) Augmenter la complexité du modèle
A) Ajouter du bruit aux données B) Imputation C) Duplication des données D) Ignorer les données manquantes
A) Se concentrer sur un seul hyperparamètre B) Recherche de grille C) Ignorer les hyperparamètres D) Sélection aléatoire des hyperparamètres
A) Descente en gradient B) Mise à l'échelle des caractéristiques C) Normalisation par lots D) Abandon
A) Regroupement par K-moyennes B) Forêt d'isolement C) SVM (Support Vector Machine) D) Naive Bayes
A) Précision B) R au carré C) Erreur absolue moyenne D) Erreur quadratique moyenne
A) Rétropropagation B) Initialisation aléatoire C) Normalisation par lots D) Arrêt précoce
A) SMOTE (Synthetic Minority Over-sampling Technique) B) AdaBoost C) K-voisins les plus proches (KNN) D) ACP (analyse en composantes principales)
A) Deviner B) Vérification de la complexité des calculs C) Utiliser uniquement des données d'apprentissage D) Validation croisée
A) Régression linéaire B) Machine à vecteurs de support (SVM) C) Regroupement par K-moyennes D) Analyse en composantes principales (ACP)
A) Regroupement par K-moyennes B) Analyse en composantes principales C) Régression linéaire D) Arbre de décision
A) Réduction de la dimensionnalité B) Classification C) Regroupement D) Régression
A) Le compromis entre l'ajustement insuffisant et l'ajustement excessif. B) L'équilibre entre la complexité du modèle et la généralisation. C) Le compromis entre l'exactitude et la précision. D) L'équilibre entre le temps de formation et la performance du modèle. |