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) Lineáris regresszió B) Döntési fák C) Osztályozás D) Klaszterezés
A) A hálózat betanítása visszaszaporítással. B) A bemenet közvetlen konvertálása kimenetté. C) Információk tárolása későbbi használatra. D) A nemlinearitás bevezetése a hálózatba.
A) SVM B) Q-Learning C) Random Forest D) K-Means
A) Főkomponens-elemzés (PCA) B) Gradiens Descent C) Naiv Bayes D) Döntési fák
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) Zaj hozzáadásához az adatokhoz. C) A modell tanulási sebességének szabályozására. D) Különböző osztályok elkülönítése a beviteli térben.
A) Számítási komplexitás ellenőrzése B) Csak edzésadatok használata C) Keresztellenőrzés D) Találgatás
A) Keresztentrópia B) Log Loss C) Átlagos négyzetes hiba (MSE) D) Root Mean Squared Error (RMSE)
A) AdaBoost B) K-legközelebbi szomszédok (KNN) C) PCA (főkomponens-elemzés) D) SMOTE (Synthetic Minority Over-sampling Technique)
A) Lineáris regresszió B) Főkomponens analízis C) K-csoportosulást jelent D) Döntési fa
A) Támogatja a vektorgépet (SVM) B) Lineáris regresszió C) A K-csoportosulást jelent D) Főkomponens-elemzés (PCA)
A) Regresszió B) Osztályozás C) Klaszterezés D) Dimenziócsökkentés
A) A hiányzó adatok figyelmen kívül hagyása B) Zaj hozzáadása az adatokhoz C) Imputáció D) Az adatok megkettőzése
A) Pontosság B) Átlagos abszolút hiba C) R-négyzet D) Átlagos négyzetes hiba
A) Egyetlen hiperparaméterre összpontosítva B) Rács keresés C) A hiperparaméterek figyelmen kívül hagyása D) Hiperparaméterek véletlenszerű kiválasztása
A) SVM (Support Vector Machine) B) Naiv Bayes C) A K-csoportosulást jelent D) Elszigetelő erdő
A) Véletlenszerű inicializálás B) Kötegelt normalizálás C) Visszaszaporítás D) Korai megállás
A) A modell betanítása több adatra B) A modell összetettségének növelése C) Szabályozás D) A legfontosabb jellemzők eltávolítása
A) Funkció méretezése B) Kidobni C) Kötegelt normalizálás D) Gradiens Descent
A) A modell összetettsége és az általánosíthatóság egyensúlya. B) Az edzési idő és a modell teljesítménye közötti egyensúly. C) Az alul- és túlillesztés közötti kompromisszum. D) Kompromisszum a pontosság és a precizitás között. |