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