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