A.   El comportamiento de una ANN depende de los pesos que se especifican para las unidades.

B.   El comportamiento de una ANN depende de la función de transferencia que se especifica para las unidades.

C.   Solo (dis correcto.

D.   Solo (ii) es correcto.

F.   Ni (i) ni (ii) es correcto

A.   No permite el uso de características no lineales.

C.   Ambas opciones A y B

D.   Ni la opción 8 ni B

A.   Sustituyendo a los tomadores de decisiones humanas.

C.   Refinar su propio conocimiento

D.   Poseer capacidades humanas.

A.   No requiere un experto o programador humano.

B.   Es barato y f‌lexible.

D.   Se usa en el reconocimiento de patrones.

A.   Si el costo excede los ahorros.

C.   Si el recurso/tiempo no está disponible.

D.   Si el comportamiento del sistema es muy complejo.

A.   Deeplearning4J

C.   Gafas

D.   Gol

A.   Verdadero

B.   Verdadero positivo/ (falso positivo + falso negativo)

C.   Verdadero positivo/ (verdadero positivo + falso positivo)

D.   Verdadero positivo/ (verdadero negativo + falso negativo)

A.   Datos numéricos

B.   Datos categóricos

A.   Simulador híbrido

B.   Simulador continuo

D.   Simulador de agente

A.   80.11%

B.   82.53%

D.   86.27%

A.   SVM

B.   Impulso

A.   Características de la mina [como [Pattern_Name)]

B.   {coincidencia {metapatrn}}

C.   Características de la mina [como Pattern_Name]

D.   Analizar clasificando_attribute_or_dimension

F.   Características de la mina [como patrón_name] Analizar predicción_attribute_or_dimension

G.   {set [attribute_or_dimension_i = value_i}]

A.   Múltiples métricas de rendimiento para analizar las configuraciones del sistema.

B.   Identificación de cuellos de botella en el flujo de información.

C.   Pruebe las hipótesis del sistema para la viabilidad.

D.   Excelente horario y planificación del presupuesto.

E.   El algoritmo de árbol de decisión es un tipo de:

F.   El algoritmo de árbol de decisión es un tipo de:

H.   aprendizaje sin supervisión.

I.   aprendizaje reforzado.

A.   Sus algoritmos aprenden a predecir la salida de los datos de entrada.

C.   Se utiliza contra datos que tienen etiquetas históricas.

D.   Tanto B como C son correctos.

A.   Entero

B.   Flotar

D.   Todo lo anterior.

B.   Adaboost

C.   Impulso de gradiente

D.   Ninguno de los anteriores.

A.   78.93%

B.   83.25%

D.   86.72%

B.   Se puede usar para conjuntos de datos pequeños y grandes.

C.   Tiene un tiempo de procesamiento bajo.

D.   Todo lo anterior.

A.   Liblinar

B.   Vowpal Wabbit

D.   Todo lo anterior escala muy bien para grandes conjuntos de datos.

A.   Utiliza regularización L1.

C.   Se encoge coeficientes a cero.

D.   Utiliza valores absolutos en la función de penalización.

A.   Verdadero

B.   No ejecuta un código.

C.   Implica la marca de archivos y documentos basados ​​en humanos.

D.   Es un mecanismo estático.

A.   Perceptrones multicapa (MLP)

B.   Redes neuronales convolucionales (CNNS)

D.   Ninguna de las anteriores.

A.   Se usa en computación con manos libres.

B.   Su objetivo es comprender y comprender la palabra hablada.

C.   Se utiliza en la navegación del menú.

A.   requiere una relación lineal entre variables independientes y dependientes.

B.   Admite múltiples colineidades.

C.   Requiere pequeños tamaños de muestra.

A.   F -score = recuperar x precisión / (recuperación - precisión) / 2

B.   F-score = | [relevante} f‌l {recuperado} l / l [recuperado] l

C.   F-score = | {relevante} fl [recuperado} l / l [relevante] |

B.   Clasificación de tipos de cultivos

C.   Clasificación del estado de ánimo

D.   Todos los anteriores son identificadores de múltiples clases.

A.   Gráfico cíclico finito.

B.   gráfico cíclico inf‌inito

C.   gráfico acíclico inf‌inito

A.   Distribución uniforme

B.   Distribución triangular

D.   Distribución binomial

B.   Dos

C.   Tres

D.   Cuatro

B.   Acors.net

C.   Minero rápido

D.   Shogun

A.   Tensorf‌low

B.   Pytorch

C.   Eano

B.   Clasificación

C.   Tanto a como B

D.   Ni a ni B

B.   Límite de decisión lineal.

C.   Requisito de observaciones independientes.

D.   Sobrecargador del modelo.

A.   C ++

B.   Java

D.   Riñonal

A.   Las variables independientes en la regresión lineal pueden ser continuas o discretas.

C.   La regresión lineal es sensible a los valores atípicos.

D.   Estima los valores reales que se basan en variables continuas.

A.   Es un idioma

C.   Es declarativo.

D.   Está orientado a objetos.

B.   Pueden conformarse con apuntar a los atractores.

C.   Pueden oscilar.

D.   Tienen al menos una conexión de retroceso.

A.   Visión por computador

C.   PNLP

D.   Todo lo anterior.

A.   Capa de entrada

B.   Primera capa oculta

C.   Última capa oculta

A.   Se utilizan en recuerdos direccionables de contenido.

B.   Se permiten bucles de retroalimentación.

C.   El flujo de información es bidireccional.

A.   No se permiten bucles de retroalimentación.

B.   El flujo de información es unidireccional.

D.   Se utilizan en la generación de patrones.

A.   C ++

C.   Pitón

D.   C

A.   La declaración1 es verdadera.

C.   Ambas declaraciones 1 y 2 son verdaderas.

D.   Ambas declaraciones 1 y 2 son falsas.

A.   Una entrada y muchas salidas.

C.   Una entrada y una salida.

D.   Muchas entradas y muchas salidas.

A.   no puede sufrir con doble contracción.

B.   Desaliente el efecto grupal en caso de variables altamente correlacionadas.

C.   es un híbrido de las técnicas de regresión lineal y lazo.

A.   Agrupación

B.   Muestreo

C.   Histogramas

A.   Propiedades

B.   Descriptores

D.   Tanto A como C

A.   Xgboost

B.   Aumento de gradiente

C.   Adaboost

B.   No

A.   Simulaciones deterministas

C.   Tanto a como B

D.   Ni a ni 0

A.   0.5924

B.   0.5171

C.   0.6518

A.   0.6737

B.   0.5180

D.   0.6275

A.   GPU

C.   Tanto GPU como API

A.   Precisión: 2 (verdadero positivo + verdadero negativo) I Total Población

C.   Precisión: (verdadero positivo + verdadero negativo) / 2 (población total)

D.   Precisión: (verdadero positivo x verdadero negativo) / población total

A.   Método basado en la cuadrícula

C.   Método de partición

D.   Método jerárquico

A.   Núcleo polinómico

B.   Núcleo de función de base radial

D.   Ninguna de las anteriores.

A.   Sgd classif‌ier

B.   Aproximación del núcleo

D.   Ninguna de las anteriores.

B.   Máquinas de vectores de soporte (SVM)

C.   Redes neuronales

D.   Tanto A como C

A.   Perceptrones multicapa (MLP)

C.   Redes neuronales recurrentes (RNN)

D.   Ambas opciones B y C

C.   Solo es adecuado para grandes proyectos o prototipos.

D.   No contiene ningún modelo pre -entrenado.

C.   Requiere un número muy pequeño de hiper-parametros.

D.   Es indiferente a la escala de características.

A.   Utiliza datos desconocidos para determinar cómo se clasifican los nuevos datos en un conjunto de categorías existentes.

D.   Es una forma de aprendizaje no supervisado.

C.   Pitón

D.   Riñonal

C.   El Es fácil obtener una imagen OCT.

B.   Puede construir modelos complicados muy fácilmente.

C.   Proporciona capacidades de visualización y exportación muy altas.

C.   Probabilidad

C.   Tridimensional

D.   Cinco dimensiones

B.   Pytorch

D.   Prueba 1-2

A.   C

C.   Java

B.   Bisagro

D.   Pandas

C.   Tiene una biblioteca mantenida con implementación central en Java.

D.   Tiene documentación detallada.

C.   No requiere el ajuste de ningún parámetro.

D.   Es indiferente a la escala de características.

C.   Pylearn2

D.   Deeplearning4J

B.   Predecir el género de una persona analizando su estilo de escritura a mano.

C.   Predecir si las nevadas serán normales este año.

A.   Proporciona un excelente rendimiento en tiempo de ejecución.

A.   Regresión logística

B.   Bayes nativo clasificador

A.   Aumenta el exceso de ajuste.

C.   Es difícil implementar.

D.   Es un algoritmo complejo.

A.   Puede funcionar de manera eficiente con expresiones matemáticas que involucran matrices multidimensionales.

C.   No es eficiente en la configuración de múltiples GPU.

D.   Se ejecuta en un solo sistema de CPU. GPU. y dispositivos móviles.

C.   Es fácil de más.

D.   Implementa la votación no ponderada para la predicción final

A.   Solo se requiere una pequeña cantidad de datos de capacitación para estimar los parámetros necesarios.

B.   Es muy adecuado para el spam f‌iltering

D.   Es un excelente estimador.

B.   Clasificación múltiple

C.   Regresión

D.   Clasificación multinivel

A.   Use la función de núcleo gaussiano

D.   Use algoritmo de aprendizaje codicioso

A.   Admite la optimización global.

B.   Es fácil de entender.

D.   No puede manejar valores faltantes.

A.   Preparación de datos

D.   Visualización

A.   Diagrama de clasificación multiclase

C.   Tabla dinámica

D.   Diagrama de clúster k-means

A.   El producto buscaría nuevos patrones en mensajes de spam.

B.   El producto podría pasar por la lista de palabras clave mucho más rápidamente.

C.   El producto podría tener una lista de palabras clave mucho más larga.

A.   Clúster de datos

B.   Set supervisado

C.   Big data

A.   Patrones

B.   Programas

C.   Normas

B.   Estaba inconsistentemente equivocado.

C.   Era consistentemente correcto.

D.   Era igualmente el final correcto.

A.   Encuentre datos etiquetados de días soleados para que la máquina aprenda a identificar el mal tiempo.

C.   Cree un conjunto de entrenamiento de patrones inusuales y solicite a los algoritmos de aprendizaje automático que los clasifiquen.

D.   Cree un conjunto de entrenamiento de clima normal y haga que la máquina busque patrones similares.

A.   Regresión

B.   Impulso

C.   Harpillera

B.   Clúster K-means

C.   Big data

D.   Aprendizaje sin supervisión

A.   Un sistema de entrada de datos

B.   Un sistema de almacén de datos

C.   Un repositorio de datos masivo

A.   Los algoritmos ayudarían a los medidores a acceder a Internet.

B.   Los algoritmos mejorarán la conectividad inalámbrica.

D.   Al usar algoritmos de aprendizaje automático, está creando un dispositivo IoT.

B.   Agrupación

C.   Clasificación

D.   Reducción de dimensionalidad

A.   Asume ingenuamente que no tendrá datos.

B.   Ni siquiera intenta crear predicciones precisas.

D.   Asume ingenuamente que todos los predictores dependen entre sí.

A.   La inteligencia artificial se centra en la clasificación, mientras que el aprendizaje automático se trata de agrupar datos.

C.   La inteligencia artificial es una forma de aprendizaje automático no supervisado.

D.   El aprendizaje automático y la inteligencia artificial son lo mismo.

A.   Los algoritmos suelen ejecutar servidores más potentes.

C.   Los servidores de aprendizaje automático pueden alojar bases de datos más grandes.

D.   Los algoritmos pueden ejecutarse en datos no estructurados.