A) Görüntüleri görüntülemek için bilgisayar ekranlarının kullanılması.
B) Bilgisayarların gerçek dünyadan gelen görsel bilgileri yorumlamasını ve anlamasını sağlayan çalışma alanı.
C) Görsel görüntüleri filtreleme ve iyileştirme süreci.
D) İnsan görüşünün nasıl çalıştığının incelenmesi.

A) Görüntüleri rastgele bozma.
B) Sanatsal etki için görüntüleri bulanıklaştırma.
C) Görüntü boyutlarını değiştirme.
D) Daha iyi analiz için görüntü kalitesini artırma ve gürültüyü azaltma.

A) Birden fazla görüntüyü bir araya getirme.
B) Bir görüntünün analiz için anlamlı bölgelere veya nesnelere bölünmesi.
C) Orijinalin ayna görüntüsünü oluşturmak.
D) Bir görüntüden renkleri kaldırma.

A) R-kare
B) F1 Skoru
C) Doğruluk
D) Ortalama Karesel Hata

A) Öğrenme oranının artırılması
B) Ağa daha fazla katman ekleme
C) Bırakma düzenlemesi
D) Daha küçük parti boyutları kullanma

A) Görüntü piksellerinin yeni bir görüntüye aktarılması.
B) Önceden eğitilmiş modellerin kullanılması ve belirli bir görev için ince ayar yapılması.
C) Geriye yayılma sırasında gradyanların aktarılması.
D) Görüntüleri farklı cihazlar arasında aktarma.

A) Parametre sayısının artırılması.
B) Ağa doğrusal olmama özelliğinin eklenmesi.
C) Girdinin uzamsal boyutlarının azaltılması.
D) Giriş değerlerini normalleştirme.

A) Doğrusal
B) ReLU (Doğrultulmuş Lineer Birim)
C) Tanh
D) Sigmoid

A) Görüntüleri gri tonlamaya dönüştürme.
B) Doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif değerlerini kullanarak bir sınıflandırma modelinin performansını özetleme.
C) Kompozit görüntüler oluşturma.
D) Gizlilik koruması için görüntüleri bulanıklaştırma.

A) Görüntü histogramlarını normalleştirme.
B) Bir görüntünün başka bir görüntü düzlemine eşlenmesi.
C) Nesne kenarlarını algılama.
D) Görüntü sınırlarını bulanıklaştırma.

A) Piksel yoğunluklarını yumuşatma.
B) Görüntüleri siyah beyaza dönüştürme.
C) Görüntülere renk filtreleri uygulama.
D) Bir sahne içindeki nesnelerin tek tek tanımlanması ve tasvir edilmesi.

A) Görüntü segmentasyonu
B) Özellik çıkarma
C) Nesne algılama
D) Görüntü sınıflandırma

A) Tanh
B) Softmax
C) Sigmoid
D) ReLU

A) Seçici Görüntü Filtreleme Tekniği
B) Ölçekle Değişmeyen Özellik Dönüşümü
C) Görüntü Özelliklerinin ve Dokularının Segmentasyonu
D) Yarı Entegre Yüz İzleme

A) InceptionNet
B) VGGNet
C) ResNet (Artık Ağ)
D) AlexNet

A) Fourier dönüşümü
B) Gauss bulanıklığı
C) Histogram eşitleme
D) Lucas-Kanade yöntemi

A) Dönen görüntüler
B) Görüntülere gürültü ekleme
C) Yerel olmayan araçlar denoising
D) Görüntü çözünürlüğünü artırma

A) Bilgisayarlı Nöron Ağı
B) Karmaşık Nöron Ağı
C) Kontrollü Sinir Ağı
D) Evrişimli Sinir Ağı

A) Spam veri kümesi
B) ImageNet
C) Hava durumu veri seti
D) Şarkı sözleri veri kümesi

A) Konvolüsyonel katman
B) Tam bağlantılı katman
C) Aktivasyon katmanı
D) Havuzlama katmanı

A) Temel Bileşen Analizi (PCA)
B) Evrişimsel Sinir Ağları (CNN'ler)
C) Destek Vektör Makineleri (SVM)
D) K-En Yakın Komşular (KNN)

A) Gürültü Enjeksiyonu
B) Transfer Öğrenimi
C) PCA Boyut Azaltma
D) Görüntü Kırpma

A) Çapraz Entropi Kaybı
B) L1 Kaybı
C) İkili Çapraz Entropi Kaybı
D) Ortalama Karesel Hata