A) A videojátékokhoz használt szoftver típusa. B) Fizikai gépek emberi bevitellel történő vezérlésének módszere. C) A mesterséges intelligencia egyik ága, amely lehetővé teszi a gépek számára, hogy tanuljanak az adatokból. D) Számítógépes chipek tervezésére használt programozási nyelv.
A) Osztályozás B) Döntési fák C) Lineáris regresszió D) Klaszterezés
A) Információk tárolása későbbi használatra. B) A nemlinearitás bevezetése a hálózatba. C) A bemenet közvetlen konvertálása kimenetté. D) A hálózat betanítása visszaszaporítással.
A) Q-Learning B) Random Forest C) SVM D) K-Means
A) Naiv Bayes B) Főkomponens-elemzés (PCA) C) Gradiens Descent D) Döntési fák
A) Edzés előtt normalizálja az adatokat. B) Optimalizálja a modellt visszaszaporítással. C) Kiválasztja a modell legjobb tulajdonságait. D) Számszerűsíti a becsült és a tényleges értékek közötti különbséget.
A) A modell rendszerezése a túlillesztés elkerülése érdekében. B) A bemeneti jellemzők kiválasztásának és átalakításának folyamata a modell teljesítményének javítása érdekében. C) A modell értékelése keresztellenőrzéssel. D) Modell betanítása adatok nélkül.
A) A modell tanulási sebességének szabályozására. B) Különböző osztályok elkülönítése a beviteli térben. C) A veszteség funkció minimalizálása edzés közben. D) Zaj hozzáadásához az adatokhoz.
A) Támogatja a vektorgépet (SVM) B) Lineáris regresszió C) Főkomponens-elemzés (PCA) D) A K-csoportosulást jelent
A) K-csoportosulást jelent B) Főkomponens analízis C) Döntési fa D) Lineáris regresszió
A) A modell összetettsége és az általánosíthatóság egyensúlya. B) Az edzési idő és a modell teljesítménye közötti egyensúly. C) Az alul- és túlillesztés közötti kompromisszum. D) Kompromisszum a pontosság és a precizitás között.
A) Rács keresés B) Hiperparaméterek véletlenszerű kiválasztása C) A hiperparaméterek figyelmen kívül hagyása D) Egyetlen hiperparaméterre összpontosítva
A) PCA (főkomponens-elemzés) B) AdaBoost C) K-legközelebbi szomszédok (KNN) D) SMOTE (Synthetic Minority Over-sampling Technique)
A) Dimenziócsökkentés B) Regresszió C) Osztályozás D) Klaszterezés
A) Root Mean Squared Error (RMSE) B) Keresztentrópia C) Log Loss D) Átlagos négyzetes hiba (MSE)
A) Elszigetelő erdő B) Naiv Bayes C) SVM (Support Vector Machine) D) A K-csoportosulást jelent
A) Funkció méretezése B) Kötegelt normalizálás C) Gradiens Descent D) Kidobni
A) Szabályozás B) A modell összetettségének növelése C) A legfontosabb jellemzők eltávolítása D) A modell betanítása több adatra
A) A hiányzó adatok figyelmen kívül hagyása B) Zaj hozzáadása az adatokhoz C) Imputáció D) Az adatok megkettőzése
A) Kötegelt normalizálás B) Véletlenszerű inicializálás C) Visszaszaporítás D) Korai megállás
A) Pontosság B) R-négyzet C) Átlagos abszolút hiba D) Átlagos négyzetes hiba
A) Keresztellenőrzés B) Csak edzésadatok használata C) Találgatás D) Számítási komplexitás ellenőrzése |