MCQSS.com ofrece preguntas y respuestas gratuitas sobre aprendizaje automático que abarcan una amplia gama de temas. Nuestro formato interactivo te permite saber al instante si has respondido correctamente las preguntas. ¡Explora nuestra colección de preguntas de opción múltiple y pon a prueba tus conocimientos sobre aprendizaje automático hoy mismo! No es necesario comprar una membresía o registrarte, puedes usar nuestro sitio de forma gratuita. No pierdas la oportunidad de mejorar tus habilidades y prepararte para los exámenes con MCQSS.com.
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.
E. Tanto (i) como (ii) son correctos.
F. Ni (i) ni (ii) es correcto
A. No permite el uso de características no lineales.
B. Se puede usar como una opción de aprendizaje automático en Microsoft Azure.
C. Ambas opciones A y B
D. Ni la opción 8 ni B
A. Sustituyendo a los tomadores de decisiones humanas.
B. Predicción de resultados.
C. Refinar su propio conocimiento
D. Poseer capacidades humanas.
A. No requiere un experto o programador humano.
B. Es barato y flexible.
C. No requiere datos etiquetados.
D. Se usa en el reconocimiento de patrones.
A. Si el costo excede los ahorros.
B. Si se visualiza un plan con simulación animada.
C. Si el recurso/tiempo no está disponible.
D. Si el comportamiento del sistema es muy complejo.
A. Deeplearning4J
B. Libsvm
C. Gafas
D. Gol
A. Verdadero
B. FALSO
A. Verdadero positivo/ (verdadero positivo + falso negativo)
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
C. Datos numéricos y categóricos
A. Simulador híbrido
B. Simulador continuo
C. Simulador de eventos discretos
D. Simulador de agente
A. 80.11%
B. 82.53%
C. 84.60%
D. 86.27%
A. SVM
B. Impulso
C. Tanto SVM como Boosting
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
E. O Características de la mina [como patrón_name] analizar [medida (s)}
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:
G. Aprendizaje supervisado.
H. aprendizaje sin supervisión.
I. aprendizaje reforzado.
A. Sus algoritmos aprenden a predecir la salida de los datos de entrada.
B. Sus algoritmos aprenden a inherente a la estructura 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
C. Binario (respuesta sí/no)
D. Todo lo anterior.
A. Xgboost
B. Adaboost
C. Impulso de gradiente
D. Ninguno de los anteriores.
A. 78.93%
B. 83.25%
C. 80.11%
D. 86.72%
A. Puede tratar con características continuas y características discretas.
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
C. Libsvm
D. Todo lo anterior escala muy bien para grandes conjuntos de datos.
A. Utiliza regularización L1.
B. Se usa cuando los datos sufren de múltiples colinealidad.
C. Se encoge coeficientes a cero.
D. Utiliza valores absolutos en la función de penalización.
A. Verdadero
B. FALSO
A. Utiliza pruebas de caja negra y caja blanca.
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)
C. Redes neuronales recurrentes (RNN)
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.
D. Depende del altavoz.
A. requiere una relación lineal entre variables independientes y dependientes.
B. Admite múltiples colineidades.
C. Requiere pequeños tamaños de muestra.
D. se usa para problemas de clasificación.
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] |
D. F-score = recuperar x precisión / (recuperar + precisión) / 2
A. Clasificación de correos electrónicos de spam y no spam
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
D. Gráfico acíclico finito.
A. Distribución uniforme
B. Distribución triangular
C. Distribución logística
D. Distribución binomial
A. Uno
B. Dos
C. Tres
D. Cuatro
A. Keras.io
B. Acors.net
C. Minero rápido
D. Shogun
A. Tensorflow
B. Pytorch
C. Eano
D. Keras
A. Predicción
B. Clasificación
C. Tanto a como B
D. Ni a ni B
A. Vista probabilística natural de las predicciones de clase.
B. Límite de decisión lineal.
C. Requisito de observaciones independientes.
D. Sobrecargador del modelo.
A. C ++
B. Java
C. Python
D. Riñonal
A. Las variables independientes en la regresión lineal pueden ser continuas o discretas.
B. Una variable dependiente en la regresión lineal es discreta.
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
B. Es una herramienta.
C. Es declarativo.
D. Está orientado a objetos.
A. Son no deterministas.
B. Pueden conformarse con apuntar a los atractores.
C. Pueden oscilar.
D. Tienen al menos una conexión de retroceso.
A. Visión por computador
B. Datos tabulados
C. PNLP
D. Todo lo anterior.
A. Capa de entrada
B. Primera capa oculta
C. Última capa oculta
D. Capa de salida
A. Se utilizan en recuerdos direccionables de contenido.
B. Se permiten bucles de retroalimentación.
C. El flujo de información es bidireccional.
D. Las redes de retroalimentación son estáticas.
A. No se permiten bucles de retroalimentación.
B. El flujo de información es unidireccional.
C. No tienen entradas y salidas fijas.
D. Se utilizan en la generación de patrones.
A. C ++
B. Java
C. Pitón
D. C
¿Cuál de las siguientes afirmaciones es verdadera?
Declaración 1: El aprendizaje de refuerzo es una técnica fuera de línea.
Declaración 2: La técnica de aprendizaje de refuerzo se utiliza en la programación de ascensores.
A. La declaración1 es verdadera.
B. La declaración 2 es verdadera.
C. Ambas declaraciones 1 y 2 son verdaderas.
D. Ambas declaraciones 1 y 2 son falsas.
A. Una entrada y muchas salidas.
B. Muchas entradas y una salida
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.
D. no tiene ninguna limitación en el número de variables seleccionadas.
A. Agrupación
B. Muestreo
C. Histogramas
D. Huffman
A. Propiedades
B. Descriptores
C. Variables latentes no lineales
D. Tanto A como C
A. Xgboost
B. Aumento de gradiente
C. Adaboost
D. Ligero GB