A) Video oyunları oynamak için kullanılan bir yazılım türü. B) İnsan girdisi kullanarak fiziksel makineleri kontrol etme yöntemi. C) Makinelerin verilerden öğrenmesini sağlayan bir yapay zeka dalı. D) Bilgisayar çipleri tasarlamak için kullanılan bir programlama dili.
A) Kümeleme B) Doğrusal regresyon C) Karar ağaçları D) Sınıflandırma
A) Ağa doğrusal olmama özelliğinin eklenmesi. B) Girişi doğrudan çıkışa dönüştürme. C) Geriye yayılım kullanarak ağın eğitilmesi. D) Bilgilerin ileride kullanılmak üzere saklanması.
A) Q-Learning B) Rastgele Orman C) K-Ortalamalar D) SVM
A) Naive Bayes B) Temel Bileşen Analizi (PCA) C) Karar Ağaçları D) Gradyan İniş
A) Tahmin edilen ve gerçek değerler arasındaki farkı ölçer. B) Geriye yayılım kullanarak modeli optimize eder. C) Eğitimden önce verileri normalleştirir. D) Model için en iyi özellikleri seçer.
A) Herhangi bir veri olmadan bir modelin eğitilmesi. B) Aşırı uyumu önlemek için modelin düzenli hale getirilmesi. C) Model performansını iyileştirmek için girdi özelliklerini seçme ve dönüştürme süreci. D) Çapraz doğrulama kullanarak modelin değerlendirilmesi.
A) Verilere gürültü eklemek için. B) Giriş uzayında farklı sınıfları ayırmak için. C) Modelin öğrenme hızını kontrol etmek için. D) Eğitim sırasında kayıp fonksiyonunu en aza indirmek için.
A) Yetersiz uyum ve aşırı uyum arasındaki denge. B) Eğitim süresi ve model performansı arasındaki denge. C) Doğruluk ve hassasiyet arasındaki denge. D) Model karmaşıklığı ve genelleştirilebilirlik arasındaki denge.
A) Doğrusal Regresyon B) K-ortalamalar kümeleme C) Destek Vektör Makinesi (SVM) D) Temel Bileşen Analizi (PCA)
A) Hesaplama karmaşıklığının kontrol edilmesi B) Yalnızca eğitim verilerini kullanma C) Tahmin D) Çapraz Doğrulama
A) İmputasyon B) Eksik verilerin göz ardı edilmesi C) Verilerin çoğaltılması D) Verilere gürültü ekleme
A) Ortalama Mutlak Hata B) Doğruluk C) R-kare D) Ortalama karesel hata
A) Temel özelliklerin kaldırılması B) Modeli daha fazla veri üzerinde eğitmek C) Düzenli hale getirme D) Model karmaşıklığının artırılması
A) Toplu normalizasyon B) Erken durdurma C) Geriye Yayılım D) Rastgele başlatma
A) Izgara Arama B) Rastgele hiperparametrelerin seçilmesi C) Hiperparametreleri yok sayma D) Tek bir hiperparametreye odaklanma
A) K-ortalamalar kümeleme B) Karar ağacı C) Doğrusal regresyon D) Temel bileşen analizi
A) Ortalama Karesel Hata (MSE) B) Günlük Kaybı C) Ortalama Karesel Hata Kökü (RMSE) D) Çapraz entropi
A) Sınıflandırma B) Kümeleme C) Boyutsallık azaltma D) Regresyon
A) PCA (Temel Bileşen Analizi) B) SMOTE (Sentetik Azınlık Aşırı Örnekleme Tekniği) C) K-En Yakın Komşular (KNN) D) AdaBoost
A) K-ortalamalar kümeleme B) Naive Bayes C) İzolasyon Ormanı D) SVM (Destek Vektör Makinesi)
A) Okulu Bırakma B) Toplu Normalizasyon C) Gradyan İniş D) Özellik Ölçeklendirme |