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