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