A) Um ramo da inteligência artificial que permite às máquinas aprenderem com os dados. B) Um método de controlo de máquinas físicas com recurso a input humano. C) Um tipo de software utilizado para jogar jogos de vídeo. D) Uma linguagem de programação utilizada para a conceção de chips de computador.
A) Regressão linear B) Classificação C) Árvores de decisão D) Agrupamento
A) Introduzir a não linearidade na rede. B) Armazenamento de informações para utilização futura. C) Conversão direta de entrada em saída. D) Treinar a rede utilizando a retropropagação.
A) K-Means B) SVM C) Floresta aleatória D) Q-Learning
A) Descida de gradiente B) Árvores de decisão C) Análise de componentes principais (PCA) D) Naive Bayes
A) Seleciona as melhores caraterísticas para o modelo. B) Quantifica a diferença entre os valores previstos e reais. C) Normaliza os dados antes do treino. D) Optimiza o modelo utilizando a retropropagação.
A) Regularização do modelo para evitar o sobreajuste. B) Treinar um modelo sem quaisquer dados. 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) Ignorar os hiperparâmetros B) Pesquisa na grelha C) Concentrar-se num único hiperparâmetro D) Seleção aleatória de hiperparâmetros
A) Aumentar a complexidade do modelo B) Treinar o modelo com mais dados C) Regularização D) Remoção de caraterísticas-chave
A) Abandono B) Normalização de lotes C) Descida de gradiente D) Escala de caraterísticas
A) Árvore de decisão B) Regressão linear C) Análise de componentes principais D) Agrupamento K-means
A) Retropropagação B) Inicialização aleatória C) Paragem antecipada D) Normalização de lotes
A) AdaBoost B) PCA (Análise de Componentes Principais) C) SMOTE (Synthetic Minority Over-sampling Technique) D) K-nearest Neighbors (KNN)
A) Utilizar apenas dados de treino B) Validação cruzada C) Verificação da complexidade computacional D) Adivinhação
A) O equilíbrio entre o tempo de formação e o desempenho do modelo. B) O equilíbrio entre a complexidade do modelo e a generalização. C) O compromisso entre exatidão e precisão. D) O compromisso entre subadaptação e sobreadaptação.
A) Duplicação dos dados B) Adicionar ruído aos dados C) Ignorar os dados em falta D) Imputação
A) Redução da dimensionalidade B) Classificação C) Agrupamento D) Regressão
A) Raiz do erro quadrático médio (RMSE) B) Perda de registos C) Erro médio quadrático (MSE) D) Entropia cruzada
A) Regressão linear B) Análise de componentes principais (PCA) C) Agrupamento K-means D) Máquina de vetor de suporte (SVM)
A) Erro médio quadrático B) Erro Absoluto Médio C) Exatidão D) R-quadrado
A) Naive Bayes B) Floresta de isolamento C) SVM (Máquina de Vetor de Suporte) D) Agrupamento K-means |