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