MCQSS.com propose des questions et réponses gratuites sur l'apprentissage automatique couvrant une large gamme de sujets. Notre format interactif vous permet de savoir immédiatement si vous avez répondu correctement aux questions. Explorez notre collection de questions à choix multiple et mettez à l'épreuve vos connaissances en apprentissage automatique dès aujourd'hui ! Aucun achat d'adhésion ou inscription n'est requis, vous pouvez utiliser notre site gratuitement. Ne manquez pas l'occasion d'améliorer vos compétences et de vous préparer aux examens avec MCQSS.com.
A. Le comportement d'un ANN dépend des poids spécifiés pour les unités.
B. Le comportement d'un ANN dépend de la fonction de transfert spécifiée pour les unités.
C. Seulement (DIS correct.
D. Uniquement (ii) est correct.
E. (I) et (ii) sont corrects.
F. Ni (i) ni (ii) n'est correct
A. Il ne permet pas d'utiliser des fonctionnalités non linéaires.
B. Il peut être utilisé comme option d'apprentissage automatique dans Microsoft Azure.
C. Les deux options A et B
D. Ni l'option 8 ni B
A. Remplacer les décideurs humains.
B. Prédire les résultats.
C. Affiner leurs propres connaissances
D. Possédant des capacités humaines.
A. Il ne nécessite pas d'expert humain ou de programmeur.
B. Il est bon marché et flicable.
C. Il ne nécessite pas de données étiquetées.
D. Il est utilisé dans la reconnaissance des modèles.
A. Si le coût dépasse les économies.
B. Si un plan est visualisé avec une simulation animée.
C. Si la ressource / le temps n'est pas disponible.
D. Si le comportement du système est très complexe.
A. Deeplearning4j
B. Libsvm
C. Gaufres
D. Golearn
A. Vrai
B. FAUX
A. Vrai positif / (vrai positif + faux négatif)
B. Vrai positif / (faux positif + faux négatif)
C. Vrai positif / (vrai positif + faux positif)
D. Vrai Positif / (vrai négatif + faux négatif)
A. Donnees numeriques
B. Données catégoriques
C. Données numériques et catégorielles
A. Simulateur hybride
B. Simulateur continu
C. Simulateur d'événement discret
D. Simulateur d'agent
A. 80,11%
B. 82,53%
C. 84,60%
D. 86,27%
A. SVM
B. Renforcement
C. SVM et Boosting
A. Caractéristiques des mines [comme [Pattern_name)]
B. {correspondant {metapattern}}
C. Caractéristiques des mines [comme patron_name]
D. Analyser la classification_attribute_or_dimension
E. O Caractéristiques de la mine [comme motive_name] analyser [mesurer (s)}
F. Caractéristiques de la mine [comme Pattern_name] Analyser la prédiction_attribute_or_dimension
G. {set [attribut_or_dimension_i = value_i}]
A. Plusieurs mesures de performances pour analyser les configurations du système.
B. Identification des goulots d'étranglement dans le flux d'informations.
C. Tester les hypothèses du système pour la faisabilité.
D. Excellent calendrier et planification budgétaire.
E. L'algorithme d'arbre de décision est un type de:
F. L'algorithme d'arbre de décision est un type de:
G. Enseignement supervisé.
H. apprentissage non supervisé.
I. apprentissage par renforcement.
A. Ses algorithmes apprennent à prédire la sortie des données d'entrée.
B. Ses algorithmes apprennent à inhérent à la structure à partir des données d'entrée.
C. Il est utilisé contre des données qui ont des étiquettes historiques.
D. B et C sont corrects.
A. Entier
B. Flotter
C. Binary (oui / non réponse)
D. Tout ce qui précède.
A. Xgboost
B. Adaboost
C. Boost de dégradé
D. Aucun de ce qui précède.
A. 78,93%
B. 83,25%
C. 80,11%
D. 86,72%
A. Il peut gérer à la fois des fonctionnalités continues ainsi que des fonctionnalités discrètes.
B. Il peut être utilisé pour les petits ensembles de données et les grands.
C. Il a un faible temps de traitement.
D. Tout ce qui précède.
A. Liblinaire
B. Vowpal wabbit
C. Libsvm
D. Toute l'échelle ci-dessus très bien pour les grands ensembles de données.
A. Il utilise la régularisation L1.
B. Il est utilisé lorsque les données souffrent de multi-colinéarités.
C. Il réduit les coefficients à zéro.
D. Il utilise des valeurs absolues dans la fonction de pénalité.
A. Vrai
B. FAUX
A. Il utilise des tests de boîte noire et de boîte blanche.
B. Il n'exécute pas de code.
C. Cela implique une vérification humaine des fichiers et des documents.
D. C'est un mécanisme statique.
A. Perceptrons multicouches (MLP)
B. Réseaux de neurones convolutionnels (CNNS)
C. Réseaux de neurones récurrents (RNNS)
D. Aucune de ces réponses.
A. Il est utilisé dans l'informatique mains libres.
B. Il vise à comprendre et à comprendre la parole.
C. Il est utilisé dans la navigation par menu.
D. Il dépend du locuteur.
A. nécessite une relation linéaire entre les variables indépendantes et dépendantes.
B. Prend en charge la multicollinéarité.
C. nécessite de petites tailles d'échantillon.
D. est utilisé pour les problèmes de classification.
A. F-score = rappel x précision / (rappel - précision) / 2
B. F-score = | [pertinent} fl {récupéré} l / l [récupéré] l
C. F-score = | {pertinent} fl [récupéré} l / l [pertinent] |
D. F-score = rappel x précision / (rappel + précision) / 2
A. Classification des e-mails de spam et de non-spam
B. Classification des types de cultures
C. Classification de l'humeur
D. Tous ce qui précède sont des identifiants multi-classes.
A. graphique cyclique fini.
B. graphique cyclique infinite
C. graphique acyclique infinite
D. graphique acyclique fini.
A. Distribution uniforme
B. Distribution triangulaire
C. Distribution logistique
D. Distribution binomiale
A. Un
B. Deux
C. Trois
D. Quatre
A. Keras.io
B. Accors.net
C. Mineur rapide
D. Chagrin
A. Tensorflow
B. Pytorch
C. Theano
D. Keras
A. Prédiction
B. Classification
C. Les deux, A et B
D. Ni A ni B
A. Vue probabiliste naturelle des prédictions de classe.
B. Boucaire de décision linéaire.
C. Exigence d'observations indépendantes.
D. Sur-ajustement du modèle.
A. C ++
B. Java
C. Python
D. R
A. Les variables indépendantes de la régression linéaire peuvent être continues ou discrètes.
B. Une variable dépendante de la régression linéaire est discrète.
C. La régression linéaire est sensible aux valeurs aberrantes.
D. Il estime les valeurs réelles basées sur des variables continues.
A. C'est une langue
B. C'est un outil.
C. C'est déclaratif.
D. Il est orienté objet.
A. Ils sont non déterministes.
B. Ils peuvent s'installer pour pointer des attracteurs.
C. Ils peuvent osciller.
D. Ils ont au moins une connexion à dos de restauration.
A. Vision par ordinateur
B. Données tabulaires
C. PNL
D. Tout ce qui précède.
A. Couche d'entrée
B. Première couche cachée
C. Dernière couche cachée
D. Couche de sortie
A. Ils sont utilisés dans des souvenirs adressables de contenu.
B. Des boucles de rétroaction sont autorisées.
C. Le flux d'informations est bidirectionnel.
D. Les réseaux de rétroaction sont statiques.
A. Les boucles de rétroaction ne sont pas autorisées.
B. Le flux d'informations est unidirectionnel.
C. Ils n'ont pas d'entrées et de sorties fixes.
D. Ils sont utilisés dans la génération de modèles.
A. C ++
B. Java
C. Python
D. C
Laquelle des affirmations suivantes est vraie?
Énoncé 1: L'apprentissage du renforcement est une technique hors ligne.
Énoncé 2: La technique d'apprentissage du renforcement est utilisée dans la planification de l'ascenseur.
A. La déclaration1 est vraie.
B. L'énoncé 2 est vrai.
C. Les deux déclarations 1 et 2 sont vraies.
D. Les deux instructions 1 et 2 sont fausses.
A. Une entrée et de nombreuses sorties.
B. De nombreuses entrées et une sortie
C. Une entrée et une sortie.
D. De nombreuses entrées et de nombreuses sorties.
A. ne peut pas souffrir de double retrait.
B. décourage l'effet de groupe en cas de variables hautement corrélées.
C. est un hybride de lasso et de techniques de régression linéaire.
D. N'a pas de limites au nombre de variables sélectionnées.
A. Regroupement
B. Échantillonnage
C. Histogrammes
D. Huffman
A. Propriétés
B. Descripteurs
C. Variables latentes non linéaires
D. A et C
A. Xgboost
B. Boîtement de gradient
C. Adaboost
D. Light gb