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