A) Галузь штучного інтелекту, яка дозволяє машинам навчатися на основі даних. B) Тип програмного забезпечення, що використовується для гри у відеоігри. C) Мова програмування, що використовується для проектування комп'ютерних мікросхем. D) Метод управління фізичними машинами за допомогою людського втручання.
A) Лінійна регресія B) Дерева рішень C) Класифікація D) Кластеризація
A) Безпосереднє перетворення вхідних даних у вихідні. B) Внесення нелінійності в мережу. C) Зберігання інформації для подальшого використання. D) Навчання мережі за допомогою зворотного поширення.
A) SVM B) Випадковий ліс C) К-середній показник. D) Q-Learning
A) Аналіз головних компонент (PCA) B) Наївний Байєс C) Градієнтний спуск D) Дерева рішень
A) Кількісно визначає різницю між прогнозованими та фактичними значеннями. B) Оптимізує модель за допомогою зворотного розповсюдження. C) Вибирає найкращі функції для моделі. D) Нормалізує дані перед тренуванням.
A) Оцінка моделі за допомогою перехресної перевірки. B) Процес вибору та перетворення вхідних даних для покращення продуктивності моделі. C) Навчання моделі без даних. D) Регулювання моделі, щоб запобігти надмірному приляганню.
A) Відокремити різні класи у вхідному просторі. B) Додавання шуму до даних. C) Контролювати швидкість навчання моделі. D) Мінімізувати функцію втрат під час тренувань.
A) Втрата журналу B) Середньоквадратична похибка (MSE) C) Перехресна ентропія D) Середньоквадратична похибка (RMSE)
A) Баланс між часом навчання та продуктивністю моделі. B) Компроміс між недостатньою та надмірною підгонкою. C) Компроміс між точністю та акуратністю. D) Баланс між складністю моделі та можливістю її узагальнення.
A) Наївний Байєс B) Кластеризація K-середніх C) SVM (машина опорних векторів) D) Ізоляційний ліс
A) PCA (аналіз головних компонент) B) K-найближчі сусіди (KNN) C) AdaBoost D) SMOTE (метод надмірної вибірки синтетичної меншини)
A) Використовуючи лише навчальні дані B) Перехресна перевірка C) Перевірка обчислювальної складності D) Здогадуюсь.
A) Точність B) R-квадрат C) Середня квадратична похибка D) Середня абсолютна похибка
A) Рання зупинка B) Випадкова ініціалізація C) Розмноження D) Нормалізація партії
A) Навчання моделі на більшій кількості даних B) Збільшення складності моделі C) Регулювання D) Видалення ключових функцій
A) Лінійна регресія B) Дерево рішень C) Кластеризація K-середніх D) Аналіз головних компонент
A) Фокусування на одному гіперпараметрі B) Випадковий вибір гіперпараметрів C) Сітковий пошук D) Ігнорування гіперпараметрів
A) Класифікація B) Зменшення розмірності C) Регресія D) Кластеризація
A) Ігнорування відсутніх даних B) Додавання шуму до даних C) Дублювання даних D) Приписування
A) Аналіз головних компонент (PCA) B) Лінійна регресія C) Кластеризація K-середніх D) Машина опорних векторів (SVM)
A) Відсів B) Градієнтний спуск C) Нормалізація пакетів D) Масштабування функцій |