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