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