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