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