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