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