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