A.   ANNの動作は、ユニットに指定されている重みに依存します。

B.   ANNの動作は、単位に指定されている転送関数に依存します。

C.   のみ（正しい。

D.   （ii）のみが正しいです。

F.   （i）も（ii）も正しくありません

A.   非線形機能の使用は許可されていません。

C.   オプションAとBの両方

D.   オプション8もbもありません

A.   人間の意思決定者に代わる。

C.   自分の知識を洗練する

D.   人間の能力を所有しています。

A.   人間の専門家やプログラマーは必要ありません。

B.   安くて柔軟性がありません。

D.   パターン認識で使用されます。

A.   コストが節約を超える場合。

C.   リソース/時間が利用できない場合。

D.   システムの動作が非常に複雑な場合。

A.   deeplearning4j

C.   ワッフル

D.   ゴリアン

A.   真実

B.   True position/（false陽性 +偽陰性）

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

D.   TRUE POSICE/（TRUE NEGATION + FALSEネガティブ）

A.   数値データ

B.   カテゴリデータ

A.   ハイブリッドシミュレーター

B.   連続シミュレーター

D.   エージェントベースのシミュレーター

A.   80.11％

B.   82.53％

D.   86.27％

A.   SVM

B.   ブースト

A.   鉱山の特性[[pattern_name）]]

B.   {matching {metapattern}}

C.   鉱山の特性[pattern_nameとして]

D.   classifying_attribute_or_dimensionを分析します

F.   鉱山の特性[as pattern_name] prediction_attribute_or_dimensionを分析します

G.   {set [attribute_or_dimension_i = value_i}]

A.   システム構成を分析する複数のパフォーマンスメトリック。

B.   情報の流れにおけるボトルネックの識別。

C.   システムの仮説を実行可能性のためにテストします。

D.   優れたスケジュールと予算計画。

E.   意思決定ツリーアルゴリズムは次のタイプです。

F.   意思決定ツリーアルゴリズムは次のタイプです。

H.   監視されていない学習。

I.   強化学習。

A.   そのアルゴリズムは、入力データから出力を予測することを学びます。

C.   履歴ラベルを持つデータに対して使用されます。

D.   BとCの両方が正しいです。

A.   整数

B.   浮く

D.   上記のすべて。

B.   adaboost

C.   グラデーションブースト

D.   どちらも上記ではありません。

A.   78.93％

B.   83.25％

D.   86.72％

B.   小さなデータセットと大規模なデータセットに使用できます。

C.   処理時間が少ない。

D.   上記のすべて。

A.   liblinear

B.   Vowpal Wabbit

D.   上記のすべては、大きなデータセットに非常によくスケールします。

A.   L1正規化を使用します。

C.   係数をゼロに縮小します。

D.   ペナルティ関数で絶対値を使用します。

A.   真実

B.   コードを実行しません。

C.   これには、ファイルとドキュメントの人間ベースのチェックが含まれます。

D.   それは静的メカニズムです。

A.   多層パーセプロン（MLP）

B.   畳み込みニューラルネットワーク（CNNS）

D.   上記のどれでもない。

A.   ハンズフリーコンピューティングで使用されます。

B.   話し言葉を理解し、理解することを目指しています。

C.   メニューナビゲーションで使用されます。

A.   独立変数と従属変数の間の線形関係が必要です。

B.   多重共線性をサポートします。

C.   小さなサンプルサイズが必要です。

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

B.   f-score = | [requant} f‌l {取得} l / l [取得] l

C.   f-score = | {requant} fl [取得} l / l [relavant] |

B.   作物の種類の分類

C.   気分の分類

D.   上記はすべて、マルチクラスの識別子です。

A.   有限環状グラフ。

B.   inteinite環状グラフ

C.   無効な非環式グラフ

A.   均一な分布

B.   三角分布

D.   二項分布

B.   二

C.   三つ

D.   四

B.   accors.net

C.   ラピッドマイナー

D.   将軍

A.   テンソルフラウ

B.   Pytorch

C.   シーノ

B.   分類

C.   AもBも

D.   AもBもありません

B.   線形決定境界。

C.   独立した観察要件。

D.   モデルに過剰塗装します。

A.   C ++

B.   Java

D.   r

A.   線形回帰の独立変数は、連続的または離散的である場合があります。

C.   線形回帰は外れ値に敏感です。

D.   連続変数に基づいている実際の値を推定します。

A.   それは言語です

C.   それは宣言的です。

D.   それはオブジェクト指向です。

B.   彼らはアトラクタをポイントするために落ち着くことができます。

C.   彼らは振動することができます。

D.   少なくとも1つのフィードバック接続があります。

A.   コンピュータビジョン

C.   NLP

D.   上記のすべて。

A.   入力レイヤー

B.   最初の隠されたレイヤー

C.   最後の隠されたレイヤー

A.   それらはコンテンツアドレス可能なメモリで使用されます。

B.   フィードバックループが許可されています。

C.   情報の流れは双方向です。

A.   フィードバックループは許可されていません。

B.   情報の流れは一方向です。

D.   それらはパターン生成で使用されます。

A.   C ++

C.   Python

D.   c

A.   ステートメント1は真です。

C.   両方のステートメント1と2は真です。

D.   ステートメント1と2の両方が偽です。

A.   1つの入力と多くの出力。

C.   1つの入力と1つの出力。

D.   多くの入力と多くの出力。

A.   二重収縮に苦しむことはできません。

B.   高度に相関した変数がある場合のグループ効果を阻止します。

C.   ラッソと線形回帰技術のハイブリッドです。

A.   クラスタリング

B.   サンプリング

C.   ヒストグラム

A.   プロパティ

B.   記述子

D.   AとCの両方

A.   xgboost

B.   勾配ブースト

C.   adaboost

B.   いいえ

A.   決定論的シミュレーション

C.   AもBも

D.   Aまたは0のいずれでもありません

A.   0.5924

B.   0.5171

C.   0.6518

A.   0.6737

B.   0.5180

D.   0.6275

A.   GPU

C.   GPUとAPIの両方

A.   精度：2（真のポジティブ +トゥルーネガティブ）I総人口

C.   精度：（真の肯定 +真のネガティブ） / 2（総人口）

D.   精度：（真のポジティブXトゥルーネガティブ） /総人口

A.   グリッドベースの方法

C.   分割方法

D.   階層法

A.   多項式カーネル

B.   ラジアル基底関数カーネル

D.   上記のどれでもない。

A.   sgd classif‌ier

B.   カーネル近似

D.   上記のどれでもない。

B.   サポートベクターマシン（SVM）

C.   ニューラルネットワーク

D.   AとCの両方

A.   多層パーセプロン（MLP）

C.   再発性ニューラルネットワーク（RNNS）

D.   オプションBとCの両方

C.   大規模なプロジェクトやプロトタイプにのみ適しています。

D.   事前に訓練されたモデルは含まれていません。

C.   非常に少数のハイパーパラメーターが必要です。

D.   スケーリングを特徴とすることは無関心です。

A.   未知のデータを使用して、既存のカテゴリのセットに新しいデータがどのように分類されるかを判断します。

D.   それは監視されていない学習の一形態です。

C.   Python

D.   r

C.   El OCT画像を簡単に入手できます。

A.   C、C ++、R、Javaなどのプログラミング言語のコードを統合できます。

B.   複雑なモデルを非常に簡単に構築できます。

C.   非常に高い視覚化とエクスポート機能を提供します。

C.   確率

C.   3次元

D.   5次元

B.   Pytorch

D.   1-2を試してみてください

A.   c

C.   Java

B.   scipy

D.   パンダ

C.   Javaにコア実装を備えたライブラリが維持されています。

D.   詳細なドキュメントがあります。

C.   パラメーターのチューニングは必要ありません。

D.   スケーリングを特徴とすることは無関心です。

C.   Pylearn2

D.   deeplearning4j

B.   手書きスタイルを分析することにより、人の性別を予測します。

C.   降雪が今年正常になるかどうかを予測します。

A.   優れたランタイムパフォーマンスを提供します。

A.   ロジスティック回帰

B.   ネイティブベイズクラシエル

A.   それは過剰なフィットを増加させます。

C.   実装することは困難です。

D.   複雑なアルゴリズムです。

A.   多次元アレイを含む数学的式で効率的に機能する可能性があります。

C.   マルチGPU設定では効率的ではありません。

D.   単一のCPUシステムで実行されます。 GPU。およびモバイルデバイス。

C.   それは簡単に過ごすのは簡単です。

D.   最終的な予測のために加入のない投票を実装します

A.   必要なパラメーターを推定するには、少量のトレーニングデータのみが必要です。

B.   スパムフィルタリングに適しています

D.   優れた推定器です。

B.   マルチクラス分類

C.   回帰

D.   マルチレベルの分類

A.   ガウスカーネル関数を使用します

D.   貪欲な学習アルゴリズムを使用します

A.   グローバルな最適化をサポートします。

B.   理解しやすいです。

D.   欠損値を処理できません。

A.   データの準備

D.   視覚化

A.   マルチクラス分類図

C.   ピボットテーブル

D.   k-meansクラスター図

A.   製品は、スパムメッセージで新しいパターンを探します。

B.   この製品は、キーワードリストをより迅速に実行できます。

C.   製品には、はるかに長いキーワードリストがあります。

A.   データクラスター

B.   監視セット

C.   ビッグデータ

A.   パターン

B.   プログラム

C.   ルール

B.   それは一貫して間違っていました。

C.   一貫して正しかった。

D.   それも同様に正しい終わりでした。

A.   マシンが悪天候を識別することを学ぶように、晴れた日のラベル付きデータを見つけます。

C.   異常なパターンのトレーニングセットを作成し、機械学習アルゴリズムにそれらを分類するように依頼します。

D.   通常の天候のトレーニングセットを作成し、マシンに同様のパターンを探してもらいます。

A.   回帰

B.   ブースト

C.   袋詰め

B.   k-meansクラスタリング

C.   ビッグデータ

D.   監視されていない学習

A.   データ入力システム

B.   データウェアハウスシステム

C.   大規模なデータリポジトリ

A.   アルゴリズムは、メーターがインターネットにアクセスするのに役立ちます。

B.   アルゴリズムはワイヤレス接続を改善します。

D.   機械学習アルゴリズムを使用することにより、IoTデバイスを作成しています。

B.   クラスタリング

C.   分類

D.   次元削減

A.   それはあなたがデータを持っていないことを素朴に想定しています。

B.   正確な予測を作成しようとさえしません。

D.   それは、すべての予測因子が互いに依存していることを単純に想定しています。

A.   人工知能は分類に焦点を当て、機械学習はデータのクラスタリングに関するものです。

C.   人工知能は、教師のない機械学習の形式です。

D.   機械学習と人工知能は同じことです。

A.   アルゴリズムは通常、より強力なサーバーを実行します。

C.   機械学習サーバーは、より大きなデータベースをホストできます。

D.   アルゴリズムは、非構造化データで実行できます。