A) Apprendimento semi-supervisionato.
B) Apprendimento non supervisionato.
C) Apprendimento per rinforzo.
D) Apprendimento supervisionato.

A) Sicurezza della rete.
B) Riconoscimento e classificazione dei modelli.
C) Memorizzazione dei dati.
D) Scrivere codice.

A) Un modello che si generalizza bene.
B) Un modello senza parametri.
C) Un modello troppo complesso che si comporta male con i nuovi dati.
D) Un modello che impara più velocemente.

A) Discesa del gradiente.
B) Clustering K-means.
C) Algoritmi genetici.
D) Macchine vettoriali di supporto.

A) Per mappare direttamente gli ingressi alle uscite.
B) Per ottimizzare le equazioni lineari.
C) Classificare i dati in categorie.
D) Apprendere i comportamenti attraverso prove ed errori.

A) La capacità di memorizzazione di un computer.
B) La capacità di una macchina di mostrare un comportamento intelligente equivalente a quello di un essere umano.
C) La velocità di elaborazione di un computer.
D) Il consumo di energia di un sistema.

A) Più facile da implementare rispetto agli algoritmi standard.
B) Funziona meglio con piccoli insiemi di dati.
C) Capacità di apprendere automaticamente le caratteristiche dai dati.
D) Richiede meno dati rispetto ai metodi tradizionali.

A) Regressione lineare.
B) Foreste casuali.
C) Alberi decisionali.
D) K-means.

A) Estrazione di modelli e informazioni da grandi insiemi di dati.
B) Pulizia dei dati per l'analisi.
C) Memorizzazione di grandi quantità di dati nei database.
D) Crittografia dei dati per la sicurezza.

A) Reti neurali feedforward.
B) Reti di funzioni a base radiale.
C) Reti neurali convoluzionali (CNN).
D) Reti neurali ricorrenti (RNN).

A) Produttività
B) Varianza
C) Precisione
D) Entropia

A) MySQL
B) TensorFlow
C) Finestre
D) Git

A) Dati memorizzati in un database relazionale.
B) Dati troppo piccoli per l'analisi.
C) Dati privati dell'utente raccolti dalle app.
D) Insiemi di dati grandi e complessi che richiedono strumenti avanzati per essere elaborati.

A) Regressione
B) Previsione
C) Classificazione
D) Raggruppamento

A) Calcoli aritmetici di base.
B) Elaborazione testi.
C) Fogli di calcolo.
D) Elaborazione del linguaggio naturale.

A) Montaggio.
B) Pitone.
C) HTML.
D) C++.

A) Ordinamento tramite quicksort.
B) La sopravvivenza del più adatto attraverso l'evoluzione.
C) Approssimazione di funzioni.
D) Iterazione tramite campionamento casuale.

A) Trasferisce i modelli da un set di dati a un altro senza modifiche.
B) Sposta le applicazioni software tra le piattaforme.
C) Utilizza le conoscenze acquisite in un compito per migliorare le prestazioni in un compito correlato.
D) Trasferimento di dati tra diversi utenti.

A) Massimizzare il volume del set di dati.
B) Trovare l'iperpiano che separa meglio i punti dati.
C) Minimizzazione della distanza tra tutti i punti.
D) Utilizzo dell'apprendimento profondo per la classificazione.

A) Latenza
B) Larghezza di banda
C) Produttività
D) Overfitting

A) Alberi decisionali
B) Algoritmi genetici
C) Simulazione Monte Carlo
D) Discesa graduale

A) Per aumentare la dimensione dei dati di addestramento.
B) Per valutare le prestazioni del modello durante l'addestramento.
C) Per sostituire i set di test.
D) Per rendere i modelli più felici.

A) Pallone.
B) Scikit-learn.
C) Pygame.
D) Una bella zuppa.

A) Regressione lineare.
B) Clustering K-means.
C) Macchina vettoriale di supporto.
D) Apprendimento a Q.

A) Standard di codifica uniformi.
B) Limitazioni hardware.
C) Bias nei dati e negli algoritmi.
D) Troppo interesse pubblico.

A) Struttura e funzioni del cervello umano.
B) Trasformazioni geometriche.
C) Internet.
D) Modelli statistici.

A) Clustering K-means.
B) Algoritmi genetici.
C) Apprendimento per rinforzo.
D) Regressione lineare.