MCQSS.com oferece questões e respostas gratuitas sobre Aprendizado de Máquina abrangendo uma ampla gama de tópicos. Nosso formato interativo permite que você saiba imediatamente se respondeu corretamente às questões. Explore nossa coleção de questões de múltipla escolha e teste seus conhecimentos sobre Aprendizado de Máquina hoje mesmo! Não é necessário comprar uma assinatura ou se inscrever, você pode usar nosso site gratuitamente. Não perca a oportunidade de melhorar suas habilidades e se preparar para exames com o MCQSS.com.
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.
E. Ambos (i) e (ii) estão corretos.
F. Nem (i) nem (ii) estão corretos
A. Não permite o uso de recursos não lineares.
B. Pode ser usado como uma opção de aprendizado de máquina no Microsoft Azure.
C. As opções A e B
D. Nem a opção 8 nem B
A. Substituindo os tomadores de decisão humanos.
B. Prevendo resultados.
C. Refinando seu próprio conhecimento
D. Possuindo capacidades humanas.
A. Não requer um especialista ou programador humano.
B. É barato e flexível.
C. Não requer dados rotulados.
D. É usado no reconhecimento de padrões.
A. Se o custo exceder a economia.
B. Se um plano for visualizado com simulação animada.
C. Se o recurso/tempo não estiver disponível.
D. Se o comportamento do sistema for muito complexo.
A. Deeplearning4J
B. Libsvm
C. Waffles
D. Golearn
A. Verdadeiro
B. Falso
A. Verdadeiro positivo/ (verdadeiro positivo + falso negativo)
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
C. Dados numéricos e categóricos
A. Simulador híbrido
B. Simulador contínuo
C. Simulador de eventos discretos
D. Simulador baseado em agente
A. 80,11%
B. 82,53%
C. 84,60%
D. 86,27%
A. Svm
B. Impulsionando
C. Tanto SVM quanto melhorando
A. Características da mina [como [Pattern_name)]
B. {correspondência {metapattern}}
C. Características da mina [AS Pattern_name]
D. Analise Classificação_attribute_or_dimension
E. O Mine características [como padrão_name] analisam [medidas (s)}
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:
G. Aprendizado supervisionado.
H. aprendizado não supervisionado.
I. Aprendizagem de reforço.
A. Seus algoritmos aprendem a prever a saída dos dados de entrada.
B. Seus algoritmos aprendem a inerente à estrutura a partir dos dados de entrada.
C. É usado contra dados que possuem rótulos históricos.
D. B e C estão corretos.
A. Inteiro
B. Flutuador
C. Binário (sim/não resposta)
D. Tudo o que precede.
A. Xgboost
B. Adaboost
C. Boost de gradiente
D. Nenhuma das acima.
A. 78,93%
B. 83,25%
C. 80,11%
D. 86,72%
A. Ele pode lidar com recursos contínuos e recursos discretos.
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
C. Libsvm
D. Todas as escalas acima muito bem para grandes conjuntos de dados.
A. Ele usa regularização de L1.
B. É usado quando os dados sofrem de multi-colinearidade.
C. Encolher coeficientes para zero.
D. Ele usa valores absolutos na função de penalidade.
A. Verdadeiro
B. Falso
A. Ele usa testes de caixa preta e caixa branca.
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)
C. Redes neurais recorrentes (RNNs)
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.
D. É dependente do alto-falante.
A. requer uma relação linear entre variáveis independentes e dependentes.
B. Suporta multi-colinearidade.
C. requer pequenos tamanhos de amostra.
D. é usado para problemas de classificação.
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] |
D. F-Score = Recall x Precision / (Recall + Precision) / 2
A. Classificação de spam e e-mails não spam
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
D. Gráfico aciclico finito.
A. Distribuição uniforme
B. Distribuição triangular
C. Distribuição logística
D. Distribuição binomial
A. Um
B. Dois
C. Três
D. Quatro
A. Keras.io
B. Accors.net
C. Mineiro rápido
D. Shogun
A. Tensorflow
B. Pytorch
C. Theano
D. Keras
A. Predição
B. Classificação
C. Ambos a e B
D. Nem A nem B
A. Visão probabilística natural das previsões de classes.
B. Limite de decisão linear.
C. Requisito de observações independentes.
D. Excedente ajuste o modelo.
A. C ++
B. Java
C. Pitão
D. R
A. Variáveis independentes na regressão linear podem ser contínuas ou discretas.
B. Uma variável dependente na regressão linear é discreta.
C. A regressão linear é sensível a outliers.
D. Ele estima os valores reais que são baseados em variáveis contínuas.
A. É uma linguagem
B. É uma ferramenta.
C. É declarativo.
D. É orientado a objetos.
A. Eles não são determinísticos.
B. Eles podem se contentar em apontar atratores.
C. Eles podem oscilar.
D. Eles têm pelo menos uma conexão de feedback.
A. Visão computacional
B. Dados tabulares
C. NLP
D. Tudo o que precede.
A. Camada de entrada
B. Primeira camada oculta
C. Última camada oculta
D. Camada de saída
A. Eles são usados em memórias endereçáveis de conteúdo.
B. Loops de feedback são permitidos.
C. O fluxo de informação é bidirecional.
D. As redes de feedback são estáticas.
A. Loops de feedback não são permitidos.
B. O fluxo de informação é unidirecional.
C. Eles não têm entradas e saídas fixos.
D. Eles são usados na geração de padrões.
A. C ++
B. Java
C. Pitão
D. C
Qual das seguintes afirmações é verdadeira?
Declaração 1: A aprendizagem de reforço é uma técnica off-line.
Declaração 2: A técnica de aprendizado de reforço é usada na programação do elevador.
A. Declaração1 é verdadeiro.
B. A declaração 2 é verdadeira.
C. Ambas as declarações 1 e 2 são verdadeiras.
D. Ambas as declarações 1 e 2 são falsas.
A. Uma entrada e muitas saídas.
B. Muitos insumos e uma saída
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.
D. não possui limitações no número de variáveis selecionadas.
A. Clustering
B. Amostragem
C. Histogramas
D. Huffman
A. Propriedades
B. Descritores
C. Variáveis latentes não lineares
D. A e C
A. Xgboost
B. Gradiente aumentando
C. Adaboost
D. Light GB