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