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