A.   Perilaku JST tergantung pada bobot yang ditentukan untuk unit.

B.   Perilaku JST tergantung pada fungsi transfer yang ditentukan untuk unit.

C.   Hanya (tidak benar.

D.   Hanya (ii) yang benar.

F.   Baik (i) maupun (ii) tidak benar

A.   Itu tidak memungkinkan penggunaan fitur non-linear.

C.   Kedua opsi A dan B

D.   Baik opsi 8 maupun b

A.   Mengganti pembuat keputusan manusia.

C.   Memperbaiki pengetahuan mereka sendiri

D.   Memiliki kemampuan manusia.

A.   Itu tidak membutuhkan ahli atau programmer manusia.

B.   Itu murah dan fleksibel.

D.   Ini digunakan dalam pengenalan pola.

A.   Jika biaya melebihi penghematan.

C.   Jika sumber daya/waktu tidak tersedia.

D.   Jika perilaku sistem sangat kompleks.

A.   DEEPEEDEARNING4J

C.   Wafel

D.   Golearn

A.   BENAR

B.   True Positive/ (False Positive + False Negative)

C.   True Positive/ (True Positive + False Positive)

D.   True Positive/ (True Negatif + False Negative)

A.   Data numerik

B.   Kategori data

A.   Simulator hibrida

B.   Simulator kontinu

D.   Simulator berbasis agen

A.   80,11%

B.   82,53%

D.   86,27%

A.   SVM

B.   Meningkatkan

A.   Karakteristik Tambang [sebagai [pola_name)]

B.   {pencocokan {metapattern}}

C.   Karakteristik tambang [sebagai pola_name]

D.   Analisis classifying_attribute_or_dimension

F.   Karakteristik Tambang [AS POLAT_NAME] Analisis prediksi_attribute_or_dimension

G.   {set [attribute_or_dimension_i = value_i}]

A.   Beberapa metrik kinerja untuk menganalisis konfigurasi sistem.

B.   Identifikasi bottleneck dalam aliran informasi.

C.   Uji hipotesis sistem untuk kelayakan.

D.   Jadwal yang sangat baik dan perencanaan anggaran.

E.   Algoritma Pohon Keputusan adalah jenis dari:

F.   Algoritma Pohon Keputusan adalah jenis dari:

H.   Pembelajaran tanpa pengawasan.

I.   Pembelajaran Penguatan.

A.   Algoritme -algoritmanya belajar memprediksi output dari data input.

C.   Ini digunakan untuk melawan data yang memiliki label historis.

D.   Baik B dan C benar.

A.   Bilangan bulat

B.   Mengambang

D.   Semua yang di atas.

B.   Adaboost

C.   Boost gradien

D.   Tak satu pun dari yang di atas.

A.   78,93%

B.   83,25%

D.   86,72%

B.   Ini dapat digunakan untuk kumpulan data kecil maupun besar.

C.   Ini memiliki waktu pemrosesan yang rendah.

D.   Semua yang di atas.

A.   Libleinear

B.   Vowpal wabbit

D.   Semua skala di atas sangat baik untuk kumpulan data besar.

A.   Menggunakan regularisasi L1.

C.   Itu menyusut koefisien menjadi nol.

D.   Ini menggunakan nilai absolut dalam fungsi penalti.

A.   BENAR

B.   Itu tidak menjalankan kode.

C.   Ini melibatkan pemeriksaan file dan dokumen berbasis manusia.

D.   Ini adalah mekanisme statis.

A.   Perceptrons multilayer (MLP)

B.   Convolutional Neural Networks (CNNS)

D.   Bukan dari salah satu di atas.

A.   Ini digunakan dalam komputasi hands-free.

B.   Ini bertujuan untuk memahami dan memahami kata yang diucapkan.

C.   Ini digunakan dalam navigasi menu.

A.   membutuhkan hubungan linier antara variabel independen dan dependen.

B.   Mendukung multi-kolinearitas.

C.   membutuhkan ukuran sampel yang kecil.

A.   F -score = recall x precision / (recall - precision) / 2

B.   F-score = | [relevan} f‌l {diambil} l / l [diambil] l

C.   F-score = | {relevan} fl [diambil} l / l [relevan] |

B.   Klasifikasi jenis tanaman

C.   Klasifikasi suasana hati

D.   Semua hal di atas adalah pengenal multi-kelas.

A.   Grafik siklik yang terbatas.

B.   Grafik siklik yang tidak terbatas

C.   Grafik asiklik yang tidak terbatas

A.   Distribusi seragam

B.   Distribusi segitiga

D.   Distribusi binomial

B.   Dua

C.   Tiga

D.   Empat

B.   Accors.net

C.   Penambang cepat

D.   Shogun

A.   Tensorf‌low

B.   Pytorch

C.   Theano

B.   Klasifikasi

C.   Baik A dan B

D.   Baik A maupun b

B.   Batas keputusan linier.

C.   Persyaratan Pengamatan Independen.

D.   Overfitting model.

A.   C ++

B.   Jawa

D.   R

A.   Variabel independen dalam regresi linier dapat kontinu atau diskrit.

C.   Regresi linier sensitif terhadap outlier.

D.   Ini memperkirakan nilai nyata yang didasarkan pada variabel kontinu.

A.   Itu adalah bahasa

C.   Itu deklaratif.

D.   Itu berorientasi objek.

B.   Mereka bisa puas dengan penarik.

C.   Mereka bisa terungkap.

D.   Mereka memiliki setidaknya satu koneksi umpan balik.

A.   Visi komputer

C.   NLP

D.   Semua yang di atas.

A.   Lapisan input

B.   Lapisan tersembunyi pertama

C.   Lapisan tersembunyi terakhir

A.   Mereka digunakan dalam kenangan konten yang dapat dialamatkan.

B.   Loop umpan balik diperbolehkan.

C.   Aliran informasi adalah dua arah.

A.   Loop umpan balik tidak diizinkan.

B.   Aliran informasi adalah searah.

D.   Mereka digunakan dalam generasi pola.

A.   C ++

C.   Python

D.   C

A.   Pernyataan1 benar.

C.   Kedua pernyataan 1 dan 2 itu benar.

D.   Kedua pernyataan 1 dan 2 salah.

A.   Satu input dan banyak output.

C.   Satu input dan satu output.

D.   Banyak input dan banyak output.

A.   tidak bisa menderita dengan penyusutan ganda.

B.   mencegah efek kelompok dalam kasus variabel yang sangat berkorelasi.

C.   adalah hibrida teknik regresi linier dan linier.

A.   Kekelompokan

B.   Contoh

C.   Histogram

A.   Properti

B.   Deskriptor

D.   Baik A dan C

A.   Xgboost

B.   Meningkatkan gradien

C.   Adaboost

B.   TIDAK

A.   Simulasi deterministik

C.   Baik A dan B

D.   Baik A maupun 0

A.   0.5924

B.   0.5171

C.   0.6518

A.   0.6737

B.   0.5180

D.   0.6275

A.   GPU

C.   Baik GPU dan API

A.   Akurasi: 2 (True Positive + True Negatif) I Total Populasi

C.   Akurasi: (True Positive + True Negatif) / 2 (Populasi Total)

D.   Akurasi: (True Positive X True negatif) / total populasi

A.   Metode berbasis grid

C.   Metode Partisi

D.   Metode hierarkis

A.   Kernel polinomial

B.   Kernel fungsi basis radial

D.   Bukan dari salah satu di atas.

A.   SGD Classif‌ier

B.   Perkiraan kernel

D.   Bukan dari salah satu di atas.

B.   Dukungan Mesin Vektor (SVM)

C.   Jaringan saraf

D.   Baik A dan C

A.   Perceptrons multilayer (MLP)

C.   Jaringan saraf berulang (RNNs)

D.   Kedua opsi B dan C

C.   Ini hanya cocok untuk proyek besar atau prototipe.

D.   Itu tidak mengandung model pra -terlatih.

C.   Ini membutuhkan sejumlah kecil hiper-parameter.

D.   Sulit untuk menampilkan penskalaan.

A.   Ini menggunakan data yang tidak diketahui untuk menentukan bagaimana data baru diklasifikasikan ke dalam satu set kategori yang ada.

D.   Ini adalah bentuk pembelajaran tanpa pengawasan.

C.   Python

D.   R

C.   El mudah untuk mendapatkan gambar OCT.

B.   Ini dapat membangun model yang rumit dengan sangat mudah.

C.   Ini memberikan kemampuan visualisasi dan ekspor yang sangat tinggi.

C.   Kemungkinan

B.   dua dimensi

C.   Tiga dimensi

D.   Lima dimensi

B.   Pytorch

D.   Coba 1-2

A.   C

C.   Jawa

B.   SCIPY

D.   Panda

C.   Ini memiliki perpustakaan yang dipelihara dengan implementasi inti di Java.

D.   Ini memiliki dokumentasi terperinci.

C.   Itu tidak memerlukan penyetelan parameter apa pun.

D.   Sulit untuk menampilkan penskalaan.

C.   Pylearn2

D.   DEEPEEDEARNING4J

B.   Memprediksi jenis kelamin seseorang dengan menganalisis gaya tulisan tangannya.

C.   Memprediksi apakah salju turun akan normal tahun ini.

A.   Ini memberikan kinerja run-time yang sangat baik.

A.   Regresi logistik

B.   Native Bayes Classif‌ier

A.   Ini meningkatkan f‌itting berlebihan.

C.   Itu sulit diimplementasikan.

D.   Ini adalah algoritma yang kompleks.

A.   Ini dapat bekerja secara efektif dengan ekspresi matematika yang melibatkan array multi-dimensi.

C.   Ini tidak efisien dalam pengaturan multi-GPU.

D.   Ini berjalan pada satu sistem CPU. GPU. dan perangkat seluler.

C.   Mudah berlebihan.

D.   Ini mengimplementasikan pemungutan suara tanpa bobot untuk prediksi akhir

A.   Hanya sejumlah kecil data pelatihan yang diperlukan untuk memperkirakan parameter yang diperlukan.

B.   Ini sangat cocok untuk spam f‌iltering

D.   Ini adalah penaksir yang sangat baik.

B.   Klasifikasi multi-kelas

C.   Regresi

D.   Klasifikasi multi-level

A.   Gunakan fungsi kernel Gaussian

D.   Gunakan algoritma pembelajaran serakah

A.   Ini mendukung optimasi global.

B.   Mudah dimengerti.

D.   Itu tidak bisa menangani nilai yang hilang.

A.   Persiapan data

D.   Visualisasi

A.   Diagram Klasifikasi Multiclass

C.   Tabel pivot

D.   Diagram kluster K-Means

A.   Produk akan mencari pola baru dalam pesan spam.

B.   Produk bisa melalui daftar kata kunci lebih cepat.

C.   Produk dapat memiliki daftar kata kunci yang jauh lebih lama.

A.   Cluster Data

B.   Set yang diawasi

C.   Data besar

A.   Pola

B.   Program

C.   Aturan

B.   Itu salah secara tidak konsisten.

C.   Itu secara konsisten benar.

D.   Itu sama -sama benar -benar salah.

A.   Temukan data berlabel hari yang cerah sehingga mesin akan belajar mengidentifikasi cuaca buruk.

C.   Buat satu set pelatihan pola yang tidak biasa dan minta algoritma pembelajaran mesin untuk mengklasifikasikannya.

D.   Buat satu set pelatihan cuaca normal dan minta mesin mencari pola yang sama.

A.   Regresi

B.   Meningkatkan

C.   Mengantongi

B.   K-Means Clustering

C.   Data besar

D.   Pembelajaran tanpa pengawasan

A.   Sistem entri data

B.   Sistem gudang data

C.   Repositori data besar -besaran

A.   Algoritma akan membantu meter mengakses internet.

B.   Algoritma akan meningkatkan konektivitas nirkabel.

D.   Dengan menggunakan algoritma pembelajaran mesin, Anda membuat perangkat IoT.

B.   Kekelompokan

C.   Klasifikasi

D.   Pengurangan dimensi

A.   Secara naif mengasumsikan bahwa Anda tidak akan memiliki data.

B.   Bahkan tidak mencoba membuat prediksi yang akurat.

D.   Secara naif mengasumsikan bahwa semua prediktor saling bergantung.

A.   Kecerdasan buatan berfokus pada klasifikasi, sementara pembelajaran mesin adalah tentang pengelompokan data.

C.   Kecerdasan buatan adalah bentuk pembelajaran mesin yang tidak diawasi.

D.   Pembelajaran mesin dan kecerdasan buatan adalah hal yang sama.

A.   Algoritma biasanya menjalankan server yang lebih kuat.

C.   Server pembelajaran mesin dapat meng -host database yang lebih besar.

D.   Algoritma dapat berjalan pada data yang tidak terstruktur.