MCQSS.com bietet kostenlose Fragen und Antworten zum maschinellen Lernen, die eine Vielzahl von Themen abdecken. Unser interaktives Format ermöglicht es dir, sofort herauszufinden, ob du die Fragen richtig beantwortet hast. Entdecke unsere Sammlung von Multiple-Choice-Fragen und teste dein Wissen über das maschinelle Lernen noch heute! Es ist keine Mitgliedschaft oder Registrierung erforderlich, du kannst unsere Website kostenlos nutzen. Verpasse nicht die Gelegenheit, deine Fähigkeiten zu verbessern und dich auf Prüfungen vorzubereiten mit MCQSS.com.
A. Das Verhalten einer ANN hängt von den für die Einheiten angegebenen Gewichte ab.
B. Das Verhalten einer ANN hängt von der für die Einheiten spezifischen Übertragungsfunktion ab.
C. Nur (dis korrekt.
D. Nur (ii) ist korrekt.
E. Sowohl (i) als auch (ii) sind korrekt.
F. Weder (i) noch (ii) sind korrekt
A. Es erlaubt nicht die Verwendung nichtlinearer Merkmale.
B. Es kann als Option für maschinelles Lernen in Microsoft Azure verwendet werden.
C. Beide Optionen A und B
D. Weder Option 8 noch B
A. Ersetzen menschlicher Entscheidungsträger.
B. Vorhersage von Ergebnissen.
C. Ihr eigenes Wissen verfeinern
D. Menschliche Fähigkeiten besitzen.
A. Es erfordert keinen menschlichen Experten oder Programmierer.
B. Es ist billig und flexibel.
C. Es erfordert keine beschrifteten Daten.
D. Es wird in der Mustererkennung verwendet.
A. Wenn die Kosten Einsparungen überschreiten.
B. Wenn ein Plan mit animierter Simulation visualisiert wird.
C. Wenn Ressource/Zeit nicht verfügbar ist.
D. Wenn das Systemverhalten sehr komplex ist.
A. DeepLearning4J
B. Libsvm
C. Waffeln
D. Geh `Lernen
A. WAHR
B. FALSCH
A. Wahres positiv/ (wahr positiv + falsch negativ)
B. Richtig positiv/ (falsch positiv + falsch negativ)
C. Richtig positiv/ (wahres positiv + falsch positiv)
D. Wahres positiv/ (wahr negativ + falsch negativ)
A. Numerische Daten
B. Kategoriale Daten
C. Sowohl numerische als auch kategoriale Daten
A. Hybridsimulator
B. Kontinuierlicher Simulator
C. Diskreter Ereignissimulator
D. Agentenbasierter Simulator
A. 80,11%
B. 82,53%
C. 84,60%
D. 86,27%
A. SVM
B. Erhöhen
C. Sowohl SVM als auch Boosting
A. Mine -Eigenschaften [als [MUSTER_NAME)]
B. {Matching {metapattern}}
C. Mine -Eigenschaften [als Muster_Name]
D. Analysieren Sie klassifizieren_attribute_or_dimension
E. O Minenmerkmale [als mustername] analysieren [Maß)}
F. Minenmerkmale [als mustername] Analysieren Sie die Vorhersage_attribute_or_dimension
G. {set [Attribute_or_dimension_i = value_i}]
A. Mehrere Leistungsmetriken zur Analyse von Systemkonfigurationen.
B. Identifizierung von Engpässen im Informationsfluss.
C. Testen Sie Hypothesen des Systems auf Machbarkeit.
D. Hervorragende Zeitplan- und Budgetplanung.
E. Entscheidungsbaumalgorithmus ist eine Art von:
F. Entscheidungsbaumalgorithmus ist eine Art von:
G. Überwachtes Lernen.
H. unbeaufsichtigtes Lernen.
I. Verstärkungslernen.
A. Seine Algorithmen lernen, die Ausgabe aus Eingabedaten vorherzusagen.
B. Seine Algorithmen lernen, die Struktur aus Eingabedaten zu inhärent.
C. Es wird gegen Daten mit historischen Etiketten verwendet.
D. Sowohl B als auch C sind korrekt.
A. Ganze Zahl
B. Schweben
C. Binär (ja/nein antwort)
D. Alles das oben Genannte.
A. Xgboost
B. Adaboost
C. Gradientenschub
D. Keiner der oben genannten.
A. 78,93%
B. 83,25%
C. 80.11%
D. 86,72%
A. Es kann sowohl mit kontinuierlichen als auch mit diskreten Funktionen umgehen.
B. Es kann sowohl für kleine als auch für große Datensätze verwendet werden.
C. Es hat eine geringe Verarbeitungszeit.
D. Alles das oben Genannte.
A. Liblinear
B. Vowpal Wabbit
C. Libsvm
D. Alle oben genannten Skala für große Datensätze sehr gut.
A. Es verwendet L1 -Regularisierung.
B. Es wird verwendet, wenn Daten unter Multikollinearität leiden.
C. Es schrumpft die Koeffizienten auf Null.
D. Es verwendet absolute Werte in der Straffunktion.
A. WAHR
B. FALSCH
A. Es verwendet Black-Box- und White-Box-Tests.
B. Es führt keinen Code aus.
C. Es beinhaltet die von Menschen basierende Überprüfung von Dateien und Dokumenten.
D. Es ist ein statischer Mechanismus.
A. Mehrschichtiger Perceptrons (MLPs)
B. Faltungsnetzwerke (CNNs)
C. Wiederkehrende neuronale Netzwerke (RNNs)
D. Nichts des oben Genannten.
A. Es wird im Freisprechgesetz verwendet.
B. Es zielt darauf ab, das gesprochene Wort zu verstehen und zu verstehen.
C. Es wird in der Menünavigation verwendet.
D. Es ist sprecherabhängig.
A. Erfordert eine lineare Beziehung zwischen unabhängigen und abhängigen Variablen.
B. Unterstützt Multikollinearität.
C. erfordert kleine Stichprobengrößen.
D. wird für Klassifizierungsprobleme verwendet.
A. F -Score = Rückruf x Präzision / (Rückruf - Präzision) / 2
B. F-score = | [relevant} fl {abgerufen} l / l [abgerufen] l
C. F-score = | {relevant} fl [abgerufen} l / l [relevant] |
D. F-Score = Rückruf x Präzision / (Rückruf + Präzision) / 2
A. Klassifizierung von Spam- und Nicht-Spam-E-Mails
B. Klassifizierung von Erntearten
C. Klassifizierung der Stimmung
D. Alle oben genannten sind Multi-Class-Identifikationen.
A. Finite Cyclic Graph.
B. Inf -zyklischer Diagramm
C. Inf -azyklische Grafik
D. Finite Acyclic Graph.
A. Einheitliche Verteilung
B. Dreieckige Verteilung
C. Logistische Verteilung
D. Binomiale Verteilung
A. Eins
B. Zwei
C. Drei
D. Vier
A. Keras.io
B. Accors.net
C. Schneller Bergmann
D. Shogun
A. Tensorflow
B. Pytorch
C. Theano
D. Keras
A. Vorhersage
B. Einstufung
C. Sowohl A als auch B
D. Weder A noch B
A. Natürliche probabilistische Sichtweise der Klassenvorhersagen.
B. Lineare Entscheidungsgrenze.
C. Unabhängige Beobachtungsbedarf.
D. Überanpassung des Modells.
A. C ++
B. Java
C. Python
D. R
A. Unabhängige Variablen in der linearen Regression können kontinuierlich oder diskret sein.
B. Eine abhängige Variable in der linearen Regression ist diskret.
C. Die lineare Regression ist empfindlich gegenüber Ausreißern.
D. Es schätzt die realen Werte, die auf kontinuierlichen Variablen basieren.
A. Es ist eine Sprache
B. Es ist ein Werkzeug.
C. Es ist deklarativ.
D. Es ist objektorientiert.
A. Sie sind nicht deterministisch.
B. Sie können sich niederlassen, um Attraktoren zu zeigen.
C. Sie können schwingen.
D. Sie haben mindestens eine Feed-Back-Verbindung.
A. Computer Vision
B. Tabellendaten
C. NLP
D. Alles das oben Genannte.
A. Eingangsschicht
B. Erste versteckte Schicht
C. Letzte versteckte Schicht
D. Ausgangsschicht
A. Sie werden in inhaltsadressierbaren Erinnerungen verwendet.
B. Feedback -Schleifen sind erlaubt.
C. Informationsfluss ist bidirektional.
D. Feedback -Netzwerke sind statisch.
A. Feedback -Schleifen sind nicht erlaubt.
B. Informationsfluss ist unidirektional.
C. Sie haben keine festen Eingänge und Ausgänge.
D. Sie werden in der Mustererzeugung verwendet.
A. C ++
B. Java
C. Python
D. C
Welche der folgenden Aussagen ist wahr?
Aussage 1: Verstärkungslernen ist eine Offline-Technik.
A. Statement1 ist wahr.
B. Aussage 2 ist wahr.
C. Beide Aussagen 1 und 2 sind wahr.
D. Beide Aussagen 1 und 2 sind falsch.
A. Ein Eingang und viele Ausgänge.
B. Viele Eingänge und ein Ausgang
C. Ein Eingang und ein Ausgang.
D. Viele Eingänge und viele Ausgänge.
A. kann nicht mit doppelter Schrumpfung leiden.
B. Entmutigt Gruppeneffekt bei stark korrelierten Variablen.
C. ist eine Mischung aus Lasso- und linearen Regressionstechniken.
D. hat keine Einschränkungen für die Anzahl ausgewählter Variablen.
A. Clustering
B. Probenahme
C. Histogramme
D. Huffman
A. Eigenschaften
B. Deskriptoren
C. Nichtlineare latente Variablen
D. Sowohl a als auch c
A. Xgboost
B. Gradientenverstärkung
C. Adaboost
D. Leichtes GB
A. Ja
B. NEIN
A. Deterministische Simulationen
B. Stochastische Simulationen
C. Sowohl A als auch B
D. Weder ein noch 0
A. 0,5924
B. 0,5171
C. 0,6518
D. 0,6275
A. 0,6737
B. 0,5180
C. 0,5224
D. 0,6275
A. GPU
B. API
C. Sowohl GPU als auch API
A. Genauigkeit: 2 (wahres positives + wahres Negativ) I Gesamtbevölkerung
B. Genauigkeit: (wahres positiv + wahres negativer) / Gesamtpopulation
C. Genauigkeit: (wahres positives + wahres negatives) / 2 (Gesamtbevölkerung)
D. Genauigkeit: (wahres positives x wahres Negativ) / Gesamtpopulation
A. Gitterbasierte Methode
B. Modellbasierte Methode
C. Partitionierungsmethode
D. Hierarchische Methode
A. Polynomkern
B. Radiale Basisfunktionskernel
C. Sigmoid Kernel
D. Nichts des oben Genannten.
A. SGD Classifier
B. Kernelannäherung
C. Linearer SVC
D. Nichts des oben Genannten.
A. Naive Bayes -Klassifizierer
B. Unterstützen Sie Vektormaschinen (SVMs)
C. Neuronale Netze
D. Sowohl a als auch c
A. Mehrschichtiger Perceptrons (MLPs)
B. Faltungsnetzwerke (CNNs)
C. Wiederkehrende neuronale Netzwerke (RNNs)
D. Beide Optionen B und C.
A. Es unterstützt die Datenparallelität.
B. Es unterstützt das verteilte Lernmodell.
C. Es ist nur für große Projekte oder Prototypen geeignet.
D. Es enthält kein vorgezogenes Modell.
A. Es unterstützt viele Verlustfunktionen und Strafen für die Klassifizierung.
B. Es ist einfach und effizient zu implementieren.
C. Es erfordert eine sehr kleine Anzahl von Hyperparametern.
D. Es ist gleichgültig zu Skalierung.
A. Es verwendet unbekannte Daten, um festzustellen, wie neue Daten in eine Reihe vorhandener Kategorien eingestuft werden.
B. Es verwendet bekannte Daten, um festzustellen, wie neue Daten in eine Reihe vorhandener Kategorien eingestuft werden.
C. Es ist eine Form des überwachten Lernens.
D. Es ist eine Form des unbeaufsichtigten Lernens.
A. C
B. C ++
C. Python
D. R
A. Es hat eine sehr begrenzte Oktobertiefe.
B. Es ist schwer, ein OCT -Bild zu interpretieren.
C. El Es ist einfach, ein OCT -Bild zu erhalten.
A. Es kann den Code von Programmiersprachen wie C, C ++, R und Java usw. integrieren.
B. Es kann komplizierte Modelle sehr leicht erstellen.
C. Es bietet sehr hohe Visualisierungs- und Exportfunktionen.
D. Die Bereitstellung und Installation ist sehr einfach.
A. Entropie
B. Informationsgewinn
C. Wahrscheinlichkeit
D. Versuchen Sie 1-2
A. Eindimensional
B. Zweidimensionaler
C. Dreidimensional
D. Fünftdimensional
A. Tensorflow
B. Pytorch
C. Caffe2
D. Versuchen Sie 1-2
A. C
B. C ++
C. Java
D. Python
A. Gensim
B. Scipy
C. Nltk
D. Pandas
A. Es ist Open-Source.
B. Es ist plattformübergreifend und api orientiert.
C. Es verfügt über eine gepflegte Bibliothek mit Kernimplementierung in Java.
D. Es hat eine detaillierte Dokumentation.
A. Es kann nichtlineare Modelle lernen.
B. Es kann Modelle in Echtzeit lernen.
C. Es erfordert keine Abstimmung eines Parameters.
D. Es ist gleichgültig zu Skalierung.
A. Waffeln
B. Weka Maschinelles Lernen Workbench
C. Pylearn2
D. DeepLearning4J
A. Vorhersage des Preises eines Geschäfts, der auf der Region basiert.
B. Vorhersage des Geschlechts einer Person durch Analyse ihres Handschriftstils.
C. Vorhersage, ob der Schneefall in diesem Jahr normal sein wird.
D. Vorhersage der Anzahl der Kopien eines Buches, das nächste vierzehn Tage verkauft wird
A. Es bietet eine hervorragende Laufzeitleistung.
B. Die Berechnungskomplexität ist sehr niedrig.
C. Es ist einfach zu implementieren.
D. Es ist robust für laute Trainingsdaten.
A. Logistische Regression
B. Native Bayes Classifier
C. Vektormaschine für am wenigsten quadratische Unterstützung
D. Zufälliger Wald
A. Es erhöht das Überfassen.
B. Die Echtzeitvorhersage ist schnell.
C. Es ist schwierig zu implementieren.
D. Es ist ein komplexer Algorithmus.
A. Es kann effizient mit mathematischen Ausdrücken funktionieren, die mehrdimensionale Arrays beinhalten.
B. TensorFlow wird nur von Google unterstützt.
C. Es ist in der Multi-GPU-Einstellung nicht effizient.
D. Es läuft auf einem einzelnen CPU -System. GPUS. und mobile Geräte.
A. In dieser Technik erfolgt das Training parallel.
B. Es ist schwer zu stimmen.
C. Es ist leicht zu übertreiben.
D. Es implementiert die unzureichende Abstimmung für die endgültige Vorhersage
A. Für die Schätzung der erforderlichen Parameter sind nur eine geringe Anzahl von Schulungsdaten erforderlich.
B. Es eignet sich gut für Spam -Filtering
C. Es ist schnell im Vergleich zu ausgefeilten Methoden.
D. Es ist ein ausgezeichneter Schätzer.
A. Binärklassifizierung
B. Klassifizierung mit mehreren Klassen
C. Regression
D. Multi-Level-Klassifizierung
A. Verwenden Sie Gaußsche Kernelfunktion
B. Verwenden Sie CRADHOLL-C4.5 TRAM
C. Verwenden Sie einen erweiterten Algorithmus mit Taylor -Formel
D. Verwenden Sie einen gierigen Lernalgorithmus
A. Es unterstützt die globale Optimierung.
B. Es ist leicht zu verstehen.
C. Es unterstützt die Rückverfolgungssuche.
D. Es kann keine fehlenden Werte verarbeiten.
A. Datenaufbereitung
B. Klassifizierung
C. Modellauswahl
D. Visualisierung
A. Multiclas -Klassifizierungsdiagramm
B. Lineare Regression und Streudiagramme
C. Pivot -Tabelle
D. K-Means Cluster-Diagramm
A. Das Produkt würde nach neuen Mustern in Spam -Nachrichten suchen.
B. Das Produkt könnte die Keyword -Liste viel schneller durchlaufen.
C. Das Produkt könnte eine viel längere Keyword -Liste haben.
D. Das Produkt könnte Spam -Nachrichten mit weitaus weniger Schlüsselwörtern finden.
A. Datencluster
B. Überwachungsset
C. Große Daten
D. Testdaten
A. Muster
B. Programme
C. Regeln
D. Daten
A. Es war durchweg falsch.
B. Es war uneinheitlich falsch.
C. Es war durchweg richtig.
D. Es war ebenso richtiges Ende falsch.
A. Finden Sie beschriftete Daten von sonnigen Tagen, damit die Maschine das schlechte Wetter identifiziert.
B. Verwenden Sie unbeaufsichtigtes Lernen. Lassen Sie die Maschine in einer massiven Wetterdatenbank nach Anomalien suchen.
C. Erstellen Sie einen Trainingssatz ungewöhnlicher Muster und bitten Sie die Algorithmen für maschinelles Lernen, sie zu klassifizieren.
D. Erstellen Sie einen Trainingssatz von normalem Wetter und lassen Sie sich nach ähnlichen Mustern suchen.
A. Regression
B. Erhöhen
C. Eintacken
D. Stapel
A. Regressionsanalyse
B. K-Means Clustering
C. Große Daten
D. Unbeaufsichtigtes Lernen
A. Ein Dateneingabesystem
B. Ein Data Warehouse -System
C. Ein massives Datenrepository
D. Ein Produktempfehlungssystem
A. Die Algorithmen würden den Messgeräten helfen, auf das Internet zuzugreifen.
B. Die Algorithmen verbessern die drahtlose Konnektivität.
C. Die Algorithmen würden Ihrer Organisation helfen, Muster der Daten zu sehen.
D. Durch die Verwendung von Algorithmen für maschinelles Lernen erstellen Sie ein IoT -Gerät.
A. Regression
B. Clustering
C. Einstufung
D. Dimensionsreduzierung
A. Es wird naiv davon ausgegangen, dass Sie keine Daten haben.
B. Es versucht nicht einmal, genaue Vorhersagen zu erstellen.
C. Es geht naiv davon aus, dass die Prädiktoren voneinander unabhängig sind.
D. Es wird naiv angenommen, dass alle Prädiktoren voneinander abhängen.
A. Künstliche Intelligenz konzentriert sich auf die Klassifizierung, während es mit maschinellem Lernen um Clustering -Daten geht.
B. Maschinelles Lernen ist eine Art künstliche Intelligenz, die auf dem Lernen durch Daten beruht.
C. Künstliche Intelligenz ist eine Form des unbeaufsichtigten maschinellen Lernens.
D. Maschinelles Lernen und künstliche Intelligenz sind dasselbe.
A. Die Algorithmen werden in der Regel leistungsstärkere Server ausgeführt.
B. Die Algorithmen sind besser darin, Muster in den Daten zu sehen.
C. Server für maschinelles Lernen können größere Datenbanken hosten.
D. Die Algorithmen können auf unstrukturierten Daten ausgeführt werden.