MCQSS.com では、機械学習に関するさまざまなトピックをカバーした無料の多肢選択問題を提供しています。当社のインタラクティブな形式により、問題に正しく回答したかどうかを即座に確認することができます。機械学習の多肢選択問題のコレクションを探索し、今すぐ自身の知識を試してみましょう!会員登録や購入は不要です。MCQSS.com を無料でご利用いただけます。スキルを向上させ、試験の準備に役立てましょう。
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。
E. (i)と(ii)の両方が正しいです。
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。
B. Microsoft Azureの機械学習オプションとして使用できます。
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。
B. 結果の予測。
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。
C. ラベル付きデータは必要ありません。
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。
B. プランがアニメーションシミュレーションで視覚化されている場合。
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
B. libsvm
C. ワッフル
D. ゴリアン
A. 真実
B. 間違い
A. True Positive/(True Position + Falseネガティブ)
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
C. 数値データとカテゴリデータの両方
A. ハイブリッドシミュレーター
B. 連続シミュレーター
C. 離散イベントシミュレーター
D. エージェントベースのシミュレーター
A. 80.11%
B. 82.53%
C. 84.60%
D. 86.27%
A. SVM
B. ブースト
C. SVMとブーストの両方
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
E. o鉱山の特性[as pattern_name]分析[測定(s)}
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。
G. 監視された学習。
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。
B. そのアルゴリズムは、入力データから構造を固有することを学習します。
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
C. バイナリ(はい/いいえ応答)
D. 上記のすべて。
A. xgboost
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%
C. 80.11%
D. 86.72%
A. 継続的な機能と個別の機能の両方を扱うことができます。
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
C. libsvm
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。
B. それは、データが多コリアン性に苦しんでいるときに使用されます。
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. 間違い
A. ブラックボックスとホワイトボックスのテストを使用します。
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)
C. 再発性ニューラルネットワーク(RNNS)
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。
D. スピーカーに依存します。
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。
D. 分類の問題に使用されます。
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] |
D. f-score = recall x precision /(recall + precision) / 2
A. スパムとスパム以外の電子メールの分類
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
D. 有限の非環式グラフ。
A. 均一な分布
B. 三角分布
C. ロジスティック分布
D. 二項分布
A. 一
B. 二
C. 三つ
D. 四
A. keras.io
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
D. ケラス
A. 予測
B. 分類
C. AもBも
D. AもBもありません
A. クラス予測の自然な確率的見解。
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
C. python
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。
B. 線形回帰の従属変数は個別です。
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
B. それはツールです。
C. それは宣言的です。
D. それはオブジェクト指向です。
A. 彼らは非決定的です。
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
B. 表形式データ
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
D. 出力層
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。
D. フィードバックネットワークは静的です。
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。
C. 固定入力と出力はありません。
D. それらはパターン生成で使用されます。
A. C ++
B. Java
C. Python
D. c
次のステートメントのどれが真実ですか?
ステートメント1:補強学習はオフライン手法です。
ステートメント2:補強学習手法は、エレベータースケジューリングで使用されます。
A. ステートメント1は真です。
B. ステートメント2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。
B. 多くの入力と1つの出力
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。
D. 選択した変数の数に制限はありません。
A. クラスタリング
B. サンプリング
C. ヒストグラム
D. ハフマン
A. プロパティ
B. 記述子
C. 非線形潜在変数
D. AとCの両方
A. xgboost
B. 勾配ブースト
C. adaboost
D. ライトGB