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