A.   O comportamento de uma RNA depende dos pesos especificados para as unidades.

B.   O comportamento de uma RNA depende da função de transferência especificada para as unidades.

C.   Apenas (dis correto.

D.   Somente (ii) está correto.

F.   Nem (i) nem (ii) estão corretos

A.   Não permite o uso de recursos não lineares.

C.   As opções A e B

D.   Nem a opção 8 nem B

A.   Substituindo os tomadores de decisão humanos.

C.   Refinando seu próprio conhecimento

D.   Possuindo capacidades humanas.

A.   Não requer um especialista ou programador humano.

B.   É barato e f‌lexível.

D.   É usado no reconhecimento de padrões.

A.   Se o custo exceder a economia.

C.   Se o recurso/tempo não estiver disponível.

D.   Se o comportamento do sistema for muito complexo.

A.   Deeplearning4J

C.   Waff‌les

D.   Golearn

A.   Verdadeiro

B.   Verdadeiro positivo/ (falso positivo + falso negativo)

C.   Verdadeiro positivo/ (verdadeiro positivo + falso positivo)

D.   Verdadeiro positivo/ (verdadeiro negativo + falso negativo)

A.   Dados numéricos

B.   Dados categóricos

A.   Simulador híbrido

B.   Simulador contínuo

D.   Simulador baseado em agente

A.   80,11%

B.   82,53%

D.   86,27%

A.   Svm

B.   Impulsionando

A.   Características da mina [como [Pattern_name)]

B.   {correspondência {metapattern}}

C.   Características da mina [AS Pattern_name]

D.   Analise Classificação_attribute_or_dimension

F.   Características da mina [AS Pattern_Name] Analise Preciction_attribute_or_dimension

G.   {set [attribute_or_dimension_i = value_i}]

A.   Métricas de desempenho múltiplas para analisar as configurações do sistema.

B.   Identificação de gargalos no fluxo de informações.

C.   Teste hipóteses do sistema para viabilidade.

D.   Excelente cronograma e planejamento orçamentário.

E.   Algoritmo de árvore de decisão é um tipo de:

F.   Algoritmo de árvore de decisão é um tipo de:

H.   aprendizado não supervisionado.

I.   Aprendizagem de reforço.

A.   Seus algoritmos aprendem a prever a saída dos dados de entrada.

C.   É usado contra dados que possuem rótulos históricos.

D.   B e C estão corretos.

A.   Inteiro

B.   Flutuador

D.   Tudo o que precede.

B.   Adaboost

C.   Boost de gradiente

D.   Nenhuma das acima.

A.   78,93%

B.   83,25%

D.   86,72%

B.   Pode ser usado para conjuntos de dados pequenos e grandes.

C.   Tem baixo tempo de processamento.

D.   Tudo o que precede.

A.   Liblinear

B.   Vowpal Wabbit

D.   Todas as escalas acima muito bem para grandes conjuntos de dados.

A.   Ele usa regularização de L1.

C.   Encolher coeficientes para zero.

D.   Ele usa valores absolutos na função de penalidade.

A.   Verdadeiro

B.   Ele não executa um código.

C.   Envolve a verificação humana de arquivos e documentos.

D.   É um mecanismo estático.

A.   Perceptrons multicamadas (MLPs)

B.   Redes neurais convolucionais (CNNs)

D.   Nenhuma das acima.

A.   É usado na computação sem mãos.

B.   O objetivo é entender e compreender a palavra falada.

C.   É usado na navegação de menu.

A.   requer uma relação linear entre variáveis ​​independentes e dependentes.

B.   Suporta multi-colinearidade.

C.   requer pequenos tamanhos de amostra.

A.   F -score = Recall x Precision / (Recall - Precision) / 2

B.   F-score = | [relevante} f‌l {recuperado} l / l [recuperado] l

C.   F-score = | {relevante} fl [recuperado} l / l [relevante] |

B.   Classificação dos tipos de culturas

C.   Classificação do humor

D.   Todos os itens acima são identificadores de várias classes.

A.   Gráfico cíclico finito.

B.   Gráfico cíclico infinito

C.   Gráfico acíclico ininito

A.   Distribuição uniforme

B.   Distribuição triangular

D.   Distribuição binomial

B.   Dois

C.   Três

D.   Quatro

B.   Accors.net

C.   Mineiro rápido

D.   Shogun

A.   Tensorf‌low

B.   Pytorch

C.   Theano

B.   Classificação

C.   Ambos a e B

D.   Nem A nem B

B.   Limite de decisão linear.

C.   Requisito de observações independentes.

D.   Excedente ajuste o modelo.

A.   C ++

B.   Java

D.   R

A.   Variáveis ​​independentes na regressão linear podem ser contínuas ou discretas.

C.   A regressão linear é sensível a outliers.

D.   Ele estima os valores reais que são baseados em variáveis ​​contínuas.

A.   É uma linguagem

C.   É declarativo.

D.   É orientado a objetos.

B.   Eles podem se contentar em apontar atratores.

C.   Eles podem oscilar.

D.   Eles têm pelo menos uma conexão de feedback.

A.   Visão computacional

C.   NLP

D.   Tudo o que precede.

A.   Camada de entrada

B.   Primeira camada oculta

C.   Última camada oculta

A.   Eles são usados ​​em memórias endereçáveis ​​de conteúdo.

B.   Loops de feedback são permitidos.

C.   O fluxo de informação é bidirecional.

A.   Loops de feedback não são permitidos.

B.   O fluxo de informação é unidirecional.

D.   Eles são usados ​​na geração de padrões.

A.   C ++

C.   Pitão

D.   C

A.   Declaração1 é verdadeiro.

C.   Ambas as declarações 1 e 2 são verdadeiras.

D.   Ambas as declarações 1 e 2 são falsas.

A.   Uma entrada e muitas saídas.

C.   Uma entrada e uma saída.

D.   Muitos insumos e muitas saídas.

A.   não pode sofrer com encolhimento duplo.

B.   desencoraja o efeito do grupo em caso de variáveis ​​altamente correlacionadas.

C.   é um híbrido de técnicas de regressão linear e linear.

A.   Clustering

B.   Amostragem

C.   Histogramas

A.   Propriedades

B.   Descritores

D.   A e C

A.   Xgboost

B.   Gradiente aumentando

C.   Adaboost

B.   Não

A.   Simulações determinísticas

C.   Ambos a e B

D.   Nem um nem 0

A.   0,5924

B.   0,5171

C.   0,6518

A.   0,6737

B.   0,5180

D.   0,6275

A.   GPU

C.   GPU e API

A.   Precisão: 2 (verdadeiro positivo + verdadeiro negativo) I População total

C.   Precisão: (verdadeiro positivo + verdadeiro negativo) / 2 (população total)

D.   Precisão: (verdadeiro positivo x verdadeiro negativo) / população total

A.   Método baseado em grade

C.   Método de particionamento

D.   Método hierárquico

A.   Kernel polinomial

B.   Kernel de função de base radial

D.   Nenhuma das acima.

A.   SGD Classif‌ier

B.   Aproximação do kernel

D.   Nenhuma das acima.

B.   Máquinas vetoriais de suporte (SVMS)

C.   Redes neurais

D.   A e C

A.   Perceptrons multicamadas (MLPs)

C.   Redes neurais recorrentes (RNNs)

D.   Ambas as opções B e C

C.   É adequado apenas para grandes projetos ou protótipos.

D.   Não contém nenhum modelo pré -treinado.

C.   Requer um número muito pequeno de hiper-parâmetros.

D.   É indiferente apresentar escala.

A.   Ele usa dados desconhecidos para determinar como novos dados são classificados em um conjunto de categorias existentes.

D.   É uma forma de aprendizado não supervisionado.

C.   Pitão

D.   R

C.   El é fácil obter uma imagem da OCT.

B.   Ele pode construir modelos complicados com muita facilidade.

C.   Ele fornece recursos de visualização e exportação muito altos.

C.   Probabilidade

B.   bidimensional

C.   Tridimensional

D.   Cincodimensionais

B.   Pytorch

D.   Tente 1-2

A.   C

C.   Java

B.   Scipy

D.   Pandas

C.   Possui uma biblioteca mantida com implementação principal em Java.

D.   Tem documentação detalhada.

C.   Não requer o ajuste de nenhum parâmetro.

D.   É indiferente apresentar escala.

C.   Pylearn2

D.   Deeplearning4J

B.   Prevendo o sexo de uma pessoa analisando seu estilo de caligrafia.

C.   Prevendo se a queda de neve for normal este ano.

A.   Ele fornece excelente desempenho em tempo de execução.

A.   Regressão logística

B.   Classificação de Bayes nativos

A.   Aumenta o excesso.

C.   É difícil implementar.

D.   É um algoritmo complexo.

A.   Pode funcionar eficientemente com expressões matemáticas que envolvem matrizes multidimensionais.

C.   Não é eficiente na configuração multi-GPU.

D.   Ele é executado em um único sistema CPU. GPUs. e dispositivos móveis.

C.   É fácil demais.

D.   Ele implementa votação não ponderada para a previsão final

A.   Somente uma pequena quantidade de dados de treinamento é necessária para estimar os parâmetros necessários.

B.   É adequado para spam f‌iltering

D.   É um excelente estimador.

B.   Classificação de várias classes

C.   Regressão

D.   Classificação de vários níveis

A.   Use a função do kernel gaussiano

D.   Use algoritmo de aprendizado ganancioso

A.   Ele suporta otimização global.

B.   É fácil de entender.

D.   Não pode lidar com valores ausentes.

A.   Preparação de dados

D.   Visualização

A.   Diagrama de classificação multiclasse

C.   Tabela de articulação

D.   Diagrama de cluster-means

A.   O produto procuraria novos padrões nas mensagens de spam.

B.   O produto pode passar pela lista de palavras -chave muito mais rapidamente.

C.   O produto pode ter uma lista de palavras -chave muito mais longa.

A.   Cluster de dados

B.   Conjunto supervisionado

C.   Big data

A.   Padrões

B.   Programas

C.   Regras

B.   Estava inconsistentemente errado.

C.   Estava sempre certo.

D.   Era igualmente certo o errado.

A.   Encontre dados rotulados de dias ensolarados para que a máquina aprenda a identificar o mau tempo.

C.   Crie um conjunto de treinamento de padrões incomuns e peça aos algoritmos de aprendizado de máquina para classificá -los.

D.   Crie um conjunto de treinamento de clima normal e peça à máquina que procure padrões semelhantes.

A.   Regressão

B.   Impulsionando

C.   Ensacamento

B.   Cluster de k-means

C.   Big data

D.   Aprendizado não supervisionado

A.   Um sistema de entrada de dados

B.   Um sistema de armazém de dados

C.   Um enorme repositório de dados

A.   Os algoritmos ajudariam os medidores a acessar a Internet.

B.   Os algoritmos melhorarão a conectividade sem fio.

D.   Ao usar algoritmos de aprendizado de máquina, você está criando um dispositivo IoT.

B.   Clustering

C.   Classificação

D.   Redução de dimensionalidade

A.   Ingenamente assume que você não terá dados.

B.   Ele nem tenta criar previsões precisas.

D.   Ingenuamente assume que todos os preditores dependem um do outro.

A.   A inteligência artificial se concentra na classificação, enquanto o aprendizado de máquina é sobre agrupamento de dados.

C.   A inteligência artificial é a forma de aprendizado de máquina não supervisionado.

D.   O aprendizado de máquina e a inteligência artificial são a mesma coisa.

A.   Os algoritmos geralmente são executados servidores mais poderosos.

C.   Os servidores de aprendizado de máquina podem hospedar bancos de dados maiores.

D.   Os algoritmos podem ser executados com dados não estruturados.