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