A.   Bir YSA'nın davranışı, birimler için belirtilen ağırlıklara bağlıdır.

B.   Bir YSA'nın davranışı, birimler için belirtilen transfer fonksiyonuna bağlıdır.

C.   Sadece (DIS DOĞRU.

D.   Sadece (ii) doğrudur.

F.   Ne (i) ne de (ii) doğru değil

A.   Doğrusal olmayan özelliklerin kullanılmasına izin vermez.

C.   Hem A hem de B seçeneği

D.   Ne seçenek 8 ne de b

A.   İnsan karar vericilerinin yerine geçme.

C.   Kendi bilgilerini geliştirmek

D.   İnsan yeteneklerine sahip olmak.

A.   Bir insan uzmanı veya programcı gerektirmez.

B.   Ucuz ve fleksildir.

D.   Desen tanımada kullanılır.

A.   Maliyet tasarrufu aşarsa.

C.   Kaynak/zaman mevcut değilse.

D.   Sistem davranışı çok karmaşıksa.

A.   Deeplearning4J

C.   Gofretler

D.   Golearn

A.   Doğru

B.   Doğru pozitif/ (yanlış pozitif + yanlış negatif)

C.   Doğru pozitif/ (gerçek pozitif + yanlış pozitif)

D.   Doğru pozitif/ (gerçek negatif + yanlış negatif)

A.   Sayısal veri

B.   Kategorik veriler

A.   Hibrit simülatör

B.   Sürekli simülatör

D.   Ajan tabanlı simülatör

A.   % 80.11

B.   % 82.53

D.   % 86.27

A.   SVM

B.   Güçlendirme

A.   Maden Özellikleri [[desen_name)]

B.   {eşleşen {metapattern}}

C.   Maden özellikleri [desen_name olarak]

D.   Classificing_attribute_or_Dimension Analize

F.   Maden Özellikleri [Pattern_Name olarak] Prectiction_attribute_or_Dimension analizi analiz edin

G.   {set [attribute_or_dimension_i = value_i}]

A.   Sistem konfigürasyonlarını analiz etmek için çoklu performans metrikleri.

B.   Bilgi akışında darboğazların tanımlanması.

C.   Fizibilite için sistemin hipotezlerini test edin.

D.   Mükemmel program ve bütçe planlaması.

E.   Karar ağacı algoritması bir türdür:

F.   Karar ağacı algoritması bir türdür:

H.   denetimsiz öğrenme.

I.   Takviye öğrenimi.

A.   Algoritmaları, giriş verilerinden çıktıyı tahmin etmeyi öğrenir.

C.   Geçmiş etiketleri olan verilere karşı kullanılır.

D.   Hem B hem de C doğrudur.

A.   Tamsayı

B.   Batmadan yüzmek

D.   Yukarıdakilerin hepsi.

B.   Adaboost

C.   Gradyan artışı

D.   Yukarıdakilerin hiçbiri.

A.   % 78.93

B.   % 83.25

D.   % 86.72

B.   Küçük ve büyük veri kümeleri için kullanılabilir.

C.   Düşük işlem süresine sahiptir.

D.   Yukarıdakilerin hepsi.

A.   Çok

B.   Vowpal Wabbit

D.   Büyük veri kümeleri için yukarıdaki ölçeğin tümü çok iyi.

A.   L1 düzenlemesi kullanır.

C.   Katsayıları sıfıra indirir.

D.   Penaltı işlevinde mutlak değerler kullanır.

A.   Doğru

B.   Bir kod yürütmez.

C.   İnsan tabanlı dosyaların ve belgelerin kontrolünü içerir.

D.   Statik bir mekanizmadır.

A.   Çok katmanlı algılayıcı (MLP)

B.   Konvolüsyon sinir ağları (CNN'ler)

D.   Yukarıdakilerin hiçbiri.

A.   Eller serbest bilgi işlemde kullanılır.

B.   Sözlü kelimeyi anlamayı ve anlamayı amaçlamaktadır.

C.   Menü navigasyonunda kullanılır.

A.   Bağımsız ve bağımlı değişkenler arasında doğrusal bir ilişki gerektirir.

B.   Çoklu-toplu bağlılığı destekler.

C.   küçük örnek boyutları gerektirir.

A.   F -skor = hatırlama x hassasiyeti / (hatırlama - hassasiyet) / 2

B.   F-skore = | [alakalı} f‌l {Alındı} l / l [Erişim] l

C.   F-score = | {alakalı} fl [geri alındı} l / l [alakalı] |

B.   Mahsul tiplerinin sınıflandırılması

C.   Ruh halinin sınıflandırılması

D.   Yukarıdakilerin tümü çok sınıflı kimliklerdir.

A.   Sonlu döngüsel grafik.

B.   inf‌inite döngüsel grafik

C.   inf‌inite asiklik grafik

A.   Üniforma dağıtımı

B.   Üçgen dağılım

D.   Binom dağılımı

B.   İki

C.   Üç

D.   Dört

B.   Accors.net

C.   Hızlı madenci

D.   Shogun

A.   Tensorf‌low

B.   Pytorch

C.   Teano

B.   Sınıflandırma

C.   Hem A hem de B

D.   Ne bir ne de b

B.   Doğrusal karar sınırı.

C.   Bağımsız gözlem gereksinimi.

D.   Modeli aşırı takmak.

A.   C ++

B.   Java

D.   R

A.   Doğrusal regresyondaki bağımsız değişkenler sürekli veya ayrık olabilir.

C.   Doğrusal regresyon aykırı değerlere duyarlıdır.

D.   Sürekli değişkenlere dayanan gerçek değerleri tahmin eder.

A.   Bu bir dil

C.   Bildirici.

D.   Nesne odaklıdır.

B.   Çekmecelere yerleşebilirler.

C.   Salınabilirler.

D.   En az bir geri besleme bağlantısı var.

A.   Bilgisayar görüşü

C.   NLP

D.   Yukarıdakilerin hepsi.

A.   Giriş katmanı

B.   İlk Gizli Katman

C.   Son gizli katman

A.   İçerik adreslenebilir anılarda kullanılırlar.

B.   Geri bildirim döngülerine izin verilir.

C.   Bilgi akışı iki yönlüdür.

A.   Geri bildirim döngülerine izin verilmez.

B.   Bilgi akışı tek yönlüdür.

D.   Desen üretiminde kullanılırlar.

A.   C ++

C.   Piton

D.   C

A.   İfade1 doğrudur.

C.   Her iki ve 2 ifadesi de doğrudur.

D.   Hem 1 hem de 2 ifadeleri yanlıştır.

A.   Bir giriş ve birçok çıkış.

C.   Bir giriş ve bir çıkış.

D.   Birçok giriş ve birçok çıkış.

A.   Çift büzülme ile acı çekemez.

B.   yüksek korelasyonlu değişkenler durumunda grup etkisini caydırır.

C.   keman ve doğrusal regresyon tekniklerinin bir melezidir.

A.   Kümeleme

B.   Örnekleme

C.   Histogramlar

A.   Özellikler

B.   Tanımlayıcılar

D.   Hem A hem de C

A.   Xgboost

B.   Gradyan arttırma

C.   Adaboost

B.   HAYIR

A.   Deterministik simülasyonlar

C.   Hem A hem de B

D.   Ne bir ne de 0

A.   0.5924

B.   0.5171

C.   0.6518

A.   0.6737

B.   0.5180

D.   0.6275

A.   GPU

C.   Hem GPU hem de API

A.   Doğruluk: 2 (gerçek pozitif + gerçek negatif) I Toplam nüfus

C.   Doğruluk: (gerçek pozitif + gerçek negatif) / 2 (toplam nüfus)

D.   Doğruluk: (gerçek pozitif x gerçek negatif) / toplam nüfus

A.   Izgara tabanlı yöntem

C.   Bölümleme yöntemi

D.   Hiyerarşik yöntem

A.   Polinom çekirdeği

B.   Radyal temel işlev çekirdeği

D.   Yukarıdakilerin hiçbiri.

A.   SGD classif‌ier

B.   Çekirdek yaklaşımı

D.   Yukarıdakilerin hiçbiri.

B.   Destek Vektör Makineleri (SVMS)

C.   Nöral ağlar

D.   Hem A hem de C

A.   Çok katmanlı algılayıcı (MLP)

C.   Tekrarlayan sinir ağları (RNN'ler)

D.   Hem B hem de C seçeneği

C.   Sadece büyük projeler veya prototipler için uygundur.

D.   Önceden eğitimli herhangi bir model içermez.

C.   Çok az sayıda hiper parametre gerektirir.

D.   Ölçeklendirme özelliğine kayıtsızdır.

A.   Yeni verilerin bir dizi mevcut kategoriye nasıl sınıflandırıldığını belirlemek için bilinmeyen verileri kullanır.

D.   Denetimsiz bir öğrenme biçimidir.

C.   Piton

D.   R

C.   EL OCT görüntüsü elde etmek kolaydır.

B.   Karmaşık modeller çok kolay oluşturabilir.

C.   Çok yüksek görselleştirme ve ihracat yetenekleri sağlar.

C.   Olasılık

D.   1-2 deneyin

C.   3 boyutlu

D.   Beş boyutlu

B.   Pytorch

D.   1-2 deneyin

A.   C

C.   Java

B.   Slipy

D.   Pandalar

C.   Java'da çekirdek uygulamaya sahip korunmuş bir kütüphaneye sahiptir.

D.   Ayrıntılı belgeleri var.

C.   Herhangi bir parametrenin ayarlanmasını gerektirmez.

D.   Ölçeklendirme özelliğine kayıtsızdır.

C.   Pylearn2

D.   Deeplearning4J

B.   El yazısı stilini analiz ederek bir kişinin cinsiyetini tahmin etmek.

C.   Bu yıl kar yağışı normal olup olmayacağını tahmin etmek.

A.   Mükemmel çalışma zamanı performansı sağlar.

A.   Lojistik regresyon

B.   Native Bayes classif‌ier

A.   Aşırı firtayı arttırır.

C.   Uygulamak zordur.

D.   Karmaşık bir algoritmadır.

A.   Çok boyutlu diziler içeren matematiksel ifadelerle yeterince çalışabilir.

C.   Çoklu GPU ayarında etkili değildir.

D.   Tek bir CPU sisteminde çalışır. GPUS. ve mobil cihazlar.

C.   Aşırı çıkmak kolaydır.

D.   Nihai tahmin için ağırlıksız oylama uygular

A.   Gerekli parametreleri tahmin etmek için sadece az miktarda eğitim verisi gereklidir.

B.   Spam f‌ilting için çok uygundur

D.   Mükemmel bir tahmincidir.

B.   Çok sınıflı sınıflandırma

C.   Gerileme

D.   Çok seviyeli sınıflandırma

A.   Gauss çekirdek işlevini kullanın

D.   Açgözlü öğrenme algoritmasını kullanın

A.   Global optimizasyonu destekler.

B.   Anlaması kolaydır.

D.   Eksik değerleri işleyemez.

A.   Veri Hazırlama

D.   Görselleştirme

A.   Çok sınıflı sınıflandırma diyagramı

C.   Pivot tablo

D.   K-ortalama küme diyagramı

A.   Ürün spam mesajlarında yeni desenler arayacaktır.

B.   Ürün anahtar kelime listesinden çok daha hızlı geçebilir.

C.   Ürün çok daha uzun bir anahtar kelime listesine sahip olabilir.

A.   Veri kümesi

B.   Denetimli set

C.   Büyük veri

A.   Desen

B.   Programlar

C.   Tüzük

B.   Tutarsız bir şekilde yanlıştı.

C.   Sürekli olarak haklıydı.

D.   Eşit derecede doğru son yanlıştı.

A.   Makine kötü havayı tanımlamayı öğrenecek şekilde güneşli günlerin etiketli verilerini bulun.

C.   Olağandışı desenlerden oluşan bir eğitim seti oluşturun ve makine öğrenme algoritmalarından bunları sınıflandırmasını isteyin.

D.   Normal hava koşullarından oluşan bir eğitim seti oluşturun ve makinenin benzer desenleri aramasını sağlayın.

A.   Gerileme

B.   Güçlendirme

C.   Torbalama

B.   K-ortalama kümeleme

C.   Büyük veri

D.   Denetimsiz öğrenme

A.   Bir Veri Giriş Sistemi

B.   Bir Veri Ambarı Sistemi

C.   Büyük bir veri deposu

A.   Algoritmalar sayaçların internete erişmesine yardımcı olacaktır.

B.   Algoritmalar kablosuz bağlantıyı geliştirecektir.

D.   Makine öğrenimi algoritmalarını kullanarak bir IoT cihazı oluşturuyorsunuz.

B.   Kümeleme

C.   Sınıflandırma

D.   Boyutsal küçülme

A.   Naif olarak verileriniz olmayacağını varsayar.

B.   Doğru tahminler oluşturmaya bile çalışmaz.

D.   Saf olarak, tüm öngörücülerin birbirine bağlı olduğunu varsayar.

A.   Yapay zeka sınıflandırmaya odaklanırken, makine öğrenimi verileri kümeleme ile ilgilidir.

C.   Yapay zeka, denetimsiz makine öğreniminin biçimidir.

D.   Makine öğrenimi ve yapay zeka aynı şeydir.

A.   Algoritmalar tipik olarak daha güçlü sunucular çalıştırılır.

C.   Makine öğrenme sunucuları daha büyük veritabanlarına ev sahipliği yapabilir.

D.   Algoritmalar yapılandırılmamış veriler üzerinde çalışabilir.