A) Aprendizagem semi-supervisionada. B) Aprendizagem supervisionada. C) Aprendizagem por reforço. D) Aprendizagem não supervisionada.
A) Segurança da rede. B) Escrever código. C) Armazenamento de dados. D) Reconhecimento e classificação de padrões.
A) Um modelo sem parâmetros. B) Um modelo demasiado complexo e com fraco desempenho com novos dados. C) Um modelo que aprende mais depressa. D) Um modelo que generaliza bem.
A) Algoritmos genéticos. B) Máquinas de vetor de suporte. C) Agrupamento K-means. D) Descida de gradiente.
A) Para classificar os dados em categorias. B) Para mapear diretamente as entradas para as saídas. C) Para otimizar equações lineares. D) Aprender comportamentos por tentativa e erro.
A) A capacidade de armazenamento de um computador. B) A capacidade de uma máquina apresentar um comportamento inteligente equivalente ao de um ser humano. C) A velocidade de processamento de um computador. D) O consumo de energia de um sistema.
A) Mais fácil de implementar do que os algoritmos padrão. B) Capacidade de aprender automaticamente caraterísticas a partir de dados. C) Requer menos dados do que os métodos tradicionais. D) Funciona melhor com pequenos conjuntos de dados.
A) Florestas aleatórias. B) Regressão linear. C) K-means. D) Árvores de decisão.
A) Encriptação de dados para segurança. B) Armazenamento de grandes quantidades de dados em bases de dados. C) Extração de padrões e informações de grandes conjuntos de dados. D) Limpeza dos dados para análise.
A) Redes Neuronais Recorrentes (RNNs). B) Redes Neuronais Convolucionais (CNNs). C) Redes neurais feedforward. D) Redes de funções de base radial.
A) Classificação B) Regressão C) Agrupamento D) Previsão
A) Algoritmos genéticos. B) Aprendizagem por reforço. C) Regressão linear. D) Agrupamento K-means.
A) Q-learning. B) Máquina de vetor de suporte. C) Agrupamento K-means. D) Regressão linear.
A) Latência B) Rendimento C) Largura de banda D) Sobreajuste
A) Rendimento B) Entropia C) Exatidão D) Desvio
A) Aproximação de funções. B) A sobrevivência do mais apto através da evolução. C) Iteração por amostragem aleatória. D) Ordenação através de quicksort.
A) Dados armazenados numa base de dados relacional. B) Dados demasiado pequenos para serem analisados. C) Dados privados do utilizador recolhidos por aplicações. D) Conjuntos de dados grandes e complexos que requerem ferramentas avançadas para serem processados.
A) C++. B) Python. C) HTML. D) Montagem.
A) Frasco. B) Scikit-learn. C) Pygame. D) Bela sopa.
A) Processamento de texto. B) Cálculos aritméticos de base. C) Folhas de cálculo. D) Processamento de linguagem natural.
A) Git B) TensorFlow C) MySQL D) Janelas
A) Descida de gradiente B) Simulação de Monte Carlo C) Árvores de decisão D) Algoritmos genéticos
A) A Internet. B) A estrutura e as funções do cérebro humano. C) Modelos estatísticos. D) Transformações geométricas.
A) Para aumentar o tamanho dos dados de treino. B) Para substituir os conjuntos de teste. C) Para tornar os modelos mais felizes. D) Para avaliar o desempenho do modelo durante o treino.
A) Utiliza os conhecimentos adquiridos numa tarefa para melhorar o desempenho numa tarefa relacionada. B) Transfere aplicações de software entre plataformas. C) Transfere dados entre diferentes utilizadores. D) Transfere modelos de um conjunto de dados para outro sem alterações.
A) Demasiado interesse público. B) Limitações de hardware. C) Enviesamento dos dados e dos algoritmos. D) Normas de codificação uniformes.
A) Maximizar o volume do conjunto de dados. B) Minimizar a distância entre todos os pontos. C) Encontrar o hiperplano que melhor separa os pontos de dados. D) Utilização da aprendizagem profunda para classificação. |