A) Apprendimento supervisionato. B) Apprendimento non supervisionato. C) Apprendimento per rinforzo. D) Apprendimento semi-supervisionato.
A) Riconoscimento e classificazione dei modelli. B) Scrivere codice. C) Sicurezza della rete. D) Memorizzazione dei dati.
A) Un modello che si generalizza bene. B) Un modello senza parametri. C) Un modello troppo complesso che si comporta male con i nuovi dati. D) Un modello che impara più velocemente.
A) Algoritmi genetici. B) Clustering K-means. C) Discesa del gradiente. D) Macchine vettoriali di supporto.
A) Per mappare direttamente gli ingressi alle uscite. B) Classificare i dati in categorie. C) Apprendere i comportamenti attraverso prove ed errori. D) Per ottimizzare le equazioni lineari.
A) La velocità di elaborazione di un computer. B) La capacità di una macchina di mostrare un comportamento intelligente equivalente a quello di un essere umano. C) La capacità di memorizzazione di un computer. D) Il consumo di energia di un sistema.
A) Richiede meno dati rispetto ai metodi tradizionali. B) Più facile da implementare rispetto agli algoritmi standard. C) Capacità di apprendere automaticamente le caratteristiche dai dati. D) Funziona meglio con piccoli insiemi di dati.
A) Regressione lineare. B) Foreste casuali. C) K-means. D) Alberi decisionali.
A) Memorizzazione di grandi quantità di dati nei database. B) Estrazione di modelli e informazioni da grandi insiemi di dati. C) Crittografia dei dati per la sicurezza. D) Pulizia dei dati per l'analisi.
A) Reti neurali feedforward. B) Reti neurali ricorrenti (RNN). C) Reti di funzioni a base radiale. D) Reti neurali convoluzionali (CNN).
A) Entropia B) Precisione C) Varianza D) Produttività
A) TensorFlow B) Finestre C) Git D) MySQL
A) Insiemi di dati grandi e complessi che richiedono strumenti avanzati per essere elaborati. B) Dati memorizzati in un database relazionale. C) Dati privati dell'utente raccolti dalle app. D) Dati troppo piccoli per l'analisi.
A) Classificazione B) Raggruppamento C) Previsione D) Regressione
A) Elaborazione testi. B) Elaborazione del linguaggio naturale. C) Calcoli aritmetici di base. D) Fogli di calcolo.
A) Montaggio. B) Pitone. C) HTML. D) C++.
A) Ordinamento tramite quicksort. B) Approssimazione di funzioni. C) Iterazione tramite campionamento casuale. D) La sopravvivenza del più adatto attraverso l'evoluzione.
A) Trasferimento di dati tra diversi utenti. B) Utilizza le conoscenze acquisite in un compito per migliorare le prestazioni in un compito correlato. C) Sposta le applicazioni software tra le piattaforme. D) Trasferisce i modelli da un set di dati a un altro senza modifiche.
A) Massimizzare il volume del set di dati. B) Trovare l'iperpiano che separa meglio i punti dati. C) Utilizzo dell'apprendimento profondo per la classificazione. D) Minimizzazione della distanza tra tutti i punti.
A) Produttività B) Larghezza di banda C) Latenza D) Overfitting
A) Discesa graduale B) Algoritmi genetici C) Alberi decisionali D) Simulazione Monte Carlo
A) Per rendere i modelli più felici. B) Per sostituire i set di test. C) Per aumentare la dimensione dei dati di addestramento. D) Per valutare le prestazioni del modello durante l'addestramento.
A) Una bella zuppa. B) Scikit-learn. C) Pallone. D) Pygame.
A) Apprendimento a Q. B) Macchina vettoriale di supporto. C) Regressione lineare. D) Clustering K-means.
A) Limitazioni hardware. B) Troppo interesse pubblico. C) Bias nei dati e negli algoritmi. D) Standard di codifica uniformi.
A) Struttura e funzioni del cervello umano. B) Internet. C) Modelli statistici. D) Trasformazioni geometriche.
A) Regressione lineare. B) Algoritmi genetici. C) Clustering K-means. D) Apprendimento per rinforzo. |