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