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