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