A) Apprendimento non supervisionato. B) Apprendimento supervisionato. C) Apprendimento per rinforzo. D) Apprendimento semi-supervisionato.
A) Riconoscimento e classificazione dei modelli. B) Sicurezza della rete. C) Memorizzazione dei dati. D) Scrivere codice.
A) Un modello troppo complesso che si comporta male con i nuovi dati. B) Un modello che si generalizza bene. C) Un modello che impara più velocemente. D) Un modello senza parametri.
A) Discesa del gradiente. B) Macchine vettoriali di supporto. C) Algoritmi genetici. D) Clustering K-means.
A) Per mappare direttamente gli ingressi alle uscite. B) Per ottimizzare le equazioni lineari. C) Apprendere i comportamenti attraverso prove ed errori. D) Classificare i dati in categorie.
A) La capacità di una macchina di mostrare un comportamento intelligente equivalente a quello di un essere umano. B) Il consumo di energia di un sistema. C) La capacità di memorizzazione di un computer. D) La velocità di elaborazione di un computer.
A) Richiede meno dati rispetto ai metodi tradizionali. B) Più facile da implementare rispetto agli algoritmi standard. C) Funziona meglio con piccoli insiemi di dati. D) Capacità di apprendere automaticamente le caratteristiche dai dati.
A) K-means. B) Regressione lineare. C) Foreste casuali. D) Alberi decisionali.
A) Crittografia dei dati per la sicurezza. B) Estrazione di modelli e informazioni da grandi insiemi di dati. C) Memorizzazione di grandi quantità di dati nei database. D) Pulizia dei dati per l'analisi.
A) Reti neurali convoluzionali (CNN). B) Reti di funzioni a base radiale. C) Reti neurali feedforward. D) Reti neurali ricorrenti (RNN).
A) Entropia B) Produttività C) Varianza D) Precisione
A) Finestre B) MySQL C) TensorFlow D) Git
A) Dati privati dell'utente raccolti dalle app. B) Insiemi di dati grandi e complessi che richiedono strumenti avanzati per essere elaborati. C) Dati memorizzati in un database relazionale. D) Dati troppo piccoli per l'analisi.
A) Raggruppamento B) Previsione C) Classificazione D) Regressione
A) Elaborazione testi. B) Fogli di calcolo. C) Elaborazione del linguaggio naturale. D) Calcoli aritmetici di base.
A) Pitone. B) C++. C) Montaggio. D) HTML.
A) La sopravvivenza del più adatto attraverso l'evoluzione. B) Ordinamento tramite quicksort. C) Iterazione tramite campionamento casuale. D) Approssimazione di funzioni.
A) Utilizza le conoscenze acquisite in un compito per migliorare le prestazioni in un compito correlato. B) Trasferisce i modelli da un set di dati a un altro senza modifiche. C) Sposta le applicazioni software tra le piattaforme. 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) Larghezza di banda B) Overfitting C) Latenza D) Produttività
A) Algoritmi genetici B) Alberi decisionali C) Discesa graduale D) Simulazione Monte Carlo
A) Per valutare le prestazioni del modello durante l'addestramento. B) Per rendere i modelli più felici. C) Per sostituire i set di test. D) Per aumentare la dimensione dei dati di addestramento.
A) Una bella zuppa. B) Pygame. C) Scikit-learn. D) Pallone.
A) Clustering K-means. B) Regressione lineare. C) Apprendimento a Q. D) Macchina vettoriale di supporto.
A) Limitazioni hardware. B) Troppo interesse pubblico. C) Bias nei dati e negli algoritmi. D) Standard di codifica uniformi.
A) Trasformazioni geometriche. B) Modelli statistici. C) Internet. D) Struttura e funzioni del cervello umano.
A) Apprendimento per rinforzo. B) Clustering K-means. C) Algoritmi genetici. D) Regressione lineare. |