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