A) Un ramo dell'intelligenza artificiale che consente alle macchine di imparare dai dati. B) Un tipo di software utilizzato per giocare ai videogiochi. C) Un metodo per controllare macchine fisiche utilizzando l'input umano. D) Un linguaggio di programmazione utilizzato per la progettazione di chip per computer.
A) Classificazione B) Alberi decisionali C) Regressione lineare D) Raggruppamento
A) Memorizzare le informazioni per un uso futuro. B) Conversione diretta dell'ingresso in uscita. C) Introdurre la non linearità nella rete. D) Addestramento della rete mediante backpropagation.
A) SVM B) Foresta casuale C) Q-Learning D) K-Means
A) Analisi delle componenti principali (PCA) B) Baia ingenua C) Discesa graduale D) Alberi decisionali
A) Ottimizza il modello utilizzando la retropropagazione. B) Quantifica la differenza tra i valori previsti e quelli effettivi. C) Normalizza i dati prima dell'addestramento. D) Seleziona le caratteristiche migliori per il modello.
A) Valutazione del modello mediante convalida incrociata. B) Addestramento di un modello senza dati. C) Regolarizzazione del modello per evitare l'overfitting. D) Il processo di selezione e trasformazione delle caratteristiche di input per migliorare le prestazioni del modello.
A) Per aggiungere rumore ai dati. B) Per separare le diverse classi nello spazio di input. C) Per minimizzare la funzione di perdita durante l'addestramento. D) Per controllare il tasso di apprendimento del modello.
A) Utilizzando solo i dati di addestramento B) Verifica della complessità computazionale C) Convalida incrociata D) Indovinare
A) Normalizzazione dei lotti B) Scala delle caratteristiche C) Abbandono D) Discesa graduale
A) Regressione lineare B) Macchina vettoriale di supporto (SVM) C) Analisi delle componenti principali (PCA) D) Raggruppamento K-means
A) Vicini di K (KNN) B) AdaBoost C) SMOTE (Tecnica di sovracampionamento della minoranza sintetica) D) PCA (Analisi delle componenti principali)
A) Raggruppamento K-means B) Analisi delle componenti principali C) Albero decisionale D) Regressione lineare
A) Baia ingenua B) SVM (macchina vettoriale di supporto) C) Foresta di isolamento D) Raggruppamento K-means
A) Perdita di tronco B) Errore quadratico medio (MSE) C) Errore quadratico medio (RMSE) D) Entropia incrociata
A) Addestramento del modello su più dati B) Regolarizzazione C) Rimozione delle funzioni chiave D) Aumentare la complessità del modello
A) Imputazione B) Aggiunta di rumore ai dati C) Ignorare i dati mancanti D) Duplicazione dei dati
A) Inizializzazione casuale B) Normalizzazione dei lotti C) Arresto anticipato D) Retropropagazione
A) Riduzione della dimensionalità B) Classificazione C) Regressione D) Raggruppamento
A) Il compromesso tra underfitting e overfitting. B) Il compromesso tra accuratezza e precisione. C) L'equilibrio tra tempo di formazione e prestazioni del modello. D) L'equilibrio tra complessità del modello e generalizzabilità.
A) Ignorare gli iperparametri B) Concentrarsi su un singolo iperparametro C) Ricerca a griglia D) Selezione casuale degli iperparametri
A) Errore assoluto medio B) Quadrato R C) Errore quadratico medio D) Precisione |