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