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