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