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