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