A) A mesterséges intelligencia egyik ága, amely lehetővé teszi a gépek számára, hogy tanuljanak az adatokból. B) Fizikai gépek emberi bevitellel történő vezérlésének módszere. C) A videojátékokhoz használt szoftver típusa. D) Számítógépes chipek tervezésére használt programozási nyelv.
A) Osztályozás B) Lineáris regresszió C) Klaszterezés D) Döntési fák
A) A nemlinearitás bevezetése a hálózatba. B) A bemenet közvetlen konvertálása kimenetté. C) A hálózat betanítása visszaszaporítással. D) Információk tárolása későbbi használatra.
A) Random Forest B) Q-Learning C) K-Means D) SVM
A) Főkomponens-elemzés (PCA) B) Gradiens Descent C) Döntési fák D) Naiv Bayes
A) Számszerűsíti a becsült és a tényleges értékek közötti különbséget. B) Edzés előtt normalizálja az adatokat. C) Kiválasztja a modell legjobb tulajdonságait. D) Optimalizálja a modellt visszaszaporítással.
A) Modell betanítása adatok nélkül. B) A bemeneti jellemzők kiválasztásának és átalakításának folyamata a modell teljesítményének javítása érdekében. C) A modell rendszerezése a túlillesztés elkerülése érdekében. D) A modell értékelése keresztellenőrzéssel.
A) Különböző osztályok elkülönítése a beviteli térben. B) A veszteség funkció minimalizálása edzés közben. C) A modell tanulási sebességének szabályozására. D) Zaj hozzáadásához az adatokhoz.
A) Főkomponens-elemzés (PCA) B) A K-csoportosulást jelent C) Támogatja a vektorgépet (SVM) D) Lineáris regresszió
A) Döntési fa B) Főkomponens analízis C) Lineáris regresszió D) K-csoportosulást jelent
A) Kompromisszum a pontosság és a precizitás között. B) Az alul- és túlillesztés közötti kompromisszum. C) Az edzési idő és a modell teljesítménye közötti egyensúly. D) A modell összetettsége és az általánosíthatóság egyensúlya.
A) Hiperparaméterek véletlenszerű kiválasztása B) A hiperparaméterek figyelmen kívül hagyása C) Rács keresés D) Egyetlen hiperparaméterre összpontosítva
A) K-legközelebbi szomszédok (KNN) B) SMOTE (Synthetic Minority Over-sampling Technique) C) AdaBoost D) PCA (főkomponens-elemzés)
A) Dimenziócsökkentés B) Klaszterezés C) Osztályozás D) Regresszió
A) Root Mean Squared Error (RMSE) B) Log Loss C) Keresztentrópia D) Átlagos négyzetes hiba (MSE)
A) A K-csoportosulást jelent B) Elszigetelő erdő C) Naiv Bayes D) SVM (Support Vector Machine)
A) Funkció méretezése B) Kötegelt normalizálás C) Kidobni D) Gradiens Descent
A) A legfontosabb jellemzők eltávolítása B) A modell betanítása több adatra C) A modell összetettségének növelése D) Szabályozás
A) Imputáció B) A hiányzó adatok figyelmen kívül hagyása C) Zaj hozzáadása az adatokhoz D) Az adatok megkettőzése
A) Véletlenszerű inicializálás B) Korai megállás C) Kötegelt normalizálás D) Visszaszaporítás
A) Átlagos abszolút hiba B) R-négyzet C) Átlagos négyzetes hiba D) Pontosság
A) Számítási komplexitás ellenőrzése B) Keresztellenőrzés C) Találgatás D) Csak edzésadatok használata |