A) Um tipo de software utilizado para jogar jogos de vídeo. B) Um método de controlo de máquinas físicas com recurso a input humano. C) Uma linguagem de programação utilizada para a conceção de chips de computador. D) Um ramo da inteligência artificial que permite às máquinas aprenderem com os dados.
A) Árvores de decisão B) Classificação C) Regressão linear D) Agrupamento
A) Armazenamento de informações para utilização futura. B) Conversão direta de entrada em saída. C) Introduzir a não linearidade na rede. D) Treinar a rede utilizando a retropropagação.
A) Q-Learning B) Floresta aleatória C) SVM D) K-Means
A) Árvores de decisão B) Análise de componentes principais (PCA) C) Descida de gradiente D) Naive Bayes
A) Quantifica a diferença entre os valores previstos e reais. B) Optimiza o modelo utilizando a retropropagação. C) Seleciona as melhores caraterísticas para o modelo. D) Normaliza os dados antes do treino.
A) Treinar um modelo sem quaisquer dados. B) Regularização do modelo para evitar o sobreajuste. C) O processo de seleção e transformação das caraterísticas de entrada para melhorar o desempenho do modelo. D) Avaliação do modelo através de validação cruzada.
A) Para adicionar ruído aos dados. B) Para minimizar a função de perda durante a formação. C) Para separar diferentes classes no espaço de entrada. D) Para controlar a taxa de aprendizagem do modelo.
A) Pesquisa na grelha B) Concentrar-se num único hiperparâmetro C) Seleção aleatória de hiperparâmetros D) Ignorar os hiperparâmetros
A) Regularização B) Remoção de caraterísticas-chave C) Treinar o modelo com mais dados D) Aumentar a complexidade do modelo
A) Normalização de lotes B) Descida de gradiente C) Escala de caraterísticas D) Abandono
A) Regressão linear B) Análise de componentes principais C) Árvore de decisão D) Agrupamento K-means
A) Retropropagação B) Inicialização aleatória C) Normalização de lotes D) Paragem antecipada
A) AdaBoost B) K-nearest Neighbors (KNN) C) SMOTE (Synthetic Minority Over-sampling Technique) D) PCA (Análise de Componentes Principais)
A) Utilizar apenas dados de treino B) Validação cruzada C) Verificação da complexidade computacional D) Adivinhação
A) O compromisso entre subadaptação e sobreadaptação. B) O compromisso entre exatidão e precisão. C) O equilíbrio entre a complexidade do modelo e a generalização. D) O equilíbrio entre o tempo de formação e o desempenho do modelo.
A) Ignorar os dados em falta B) Adicionar ruído aos dados C) Duplicação dos dados D) Imputação
A) Redução da dimensionalidade B) Classificação C) Agrupamento D) Regressão
A) Perda de registos B) Entropia cruzada C) Erro médio quadrático (MSE) D) Raiz do erro quadrático médio (RMSE)
A) Máquina de vetor de suporte (SVM) B) Análise de componentes principais (PCA) C) Agrupamento K-means D) Regressão linear
A) Erro médio quadrático B) R-quadrado C) Exatidão D) Erro Absoluto Médio
A) Naive Bayes B) SVM (Máquina de Vetor de Suporte) C) Agrupamento K-means D) Floresta de isolamento |