Quiz: Ml indo (information technology and communication)


Ml indoOnline version Memilih jawaban yg benar by Marsimah 1 Jenis ML yang paling umum untuk prediksi berurutan adalah: a Pembelajaran supervisi penuh tanpa data sekuensial b Pembelajaran penguatan c Pembelajaran berurutan/Sequence learning (mis. RNN, LSTM) d Pembelajaran tanpa pengawasan 2 Apa perbedaan supervised dan unsupervised learning? a Keduanya sama, hanya istilahnya b Supervised menggunakan label; unsupervised tidak menggunakan label c Supervised tidak membutuhkan data sama sekali d Unsupervised selalu lebih akurat 3 Kapan kita menggunakan k-nearest neighbors (KNN)? a Untuk pelatihan sangat besar dengan GPU b Tidur data secara otomatis c Saat tidak ada data sama sekali d Untuk klasifikasi/regresi sederhana dengan dataset kecil 4 Apa itu overfitting? a Model tidak belajar apa-apa b Model generalisasi terlalu luas c Model selalu salah prediksi pada data pelatihan d Model terlalu menyesuaikan data pelatihan sehingga buruk pada data baru 5 Apa fungsi cross-validation? a Mengoptimalkan hardware untuk training b Menilai kinerja model dengan membagi data menjadi subset latih/ujian c Mengubah arsitektur algoritma menjadi lebih rumit d Menghapus data penting dari dataset 6 Mana lisensi penggunaan dataset yang umum dipakai untuk ML? a Creative Commons / lisensi terbuka tergantung dataset b Lisensi MIT saja tanpa syarat c Tidak ada lisensi yang dibolehkan d Warna kode RGB khusus 7 Apa itu overfitting pada neural network sederhana? a Model menjadi sangat umum dan akurat di semua data b Model tidak bisa belajar karena data hilang c Neural network selalu underfit bukan overfit d Terlalu banyak neuron/epoch sehingga noise tercermin sebagai pola 8 Salah satu teknik regularisasi adalah: a Menghilangkan semua bias b Feature scaling saja c Mengoptimalkan terlalu banyak hiperparameter tanpa regulasi d L2 regularization (weight decay) 9 Apa tujuan evaluasi model pada data uji? a Mengubah label data latih b Mengoptimalkan hardware training saja c Menilai kemampuan model pada data yang tidak terlihat sebelumnya d Membersihkan data dari outlier 10 Apa itu machine learning secara sederhana? a Sistem yang tidak bisa berubah b Algoritma yang hanya menyimpan data tanpa analisis c Pembelajaran komputer dari data untuk membuat prediksi d Program yang mengikuti aturan tetap 11 Jenis ML apa yang menggunakan data berlabel untuk pelatihan? a Supervised learning b Semi-supervised learning c Unsupervised learning d Reinforcement learning 12 Apa perbedaan antara overfitting dan underfitting? a Overfitting: kurang belajar; Underfitting: terlalu banyak data b Overfitting: terjadi pada data uji; Underfitting: hanya pada data latihan c Overfitting: model terlalu cocok data latihan; Underfitting: model tidak cukup belajar d Overfitting: model buruk; Underfitting: model sangat akurat 13 Fungsi aktivasi ReLU sering dipakai karena apa? a Mensoalkan data ke dalam bentuk logaritma b Sederhana dan mempercepat komputasi c Membuat model lebih rumit d Mengurangi ukuran data 14 Apa tujuan validasi silang (cross-validation)? a Meningkatkan data noise di dataset b Menambah ukuran dataset c Menilai kinerja model secara lebih umum d Menyederhanakan model 15 Apa peran dataset dalam ML? a Hanya untuk uji coba b Tidak diperlukan pada ML c Menjadi sumber informasi untuk melatih model d Berfungsi untuk menambah kecepatan komputasi 16 Apa arti overfitting pada model non-linear? a Model selalu salah prediksi b Model terlalu menyesuaikan pola pada data latihan c Model generalisasi sempurna d Model tidak bisa dipakai lagi 17 Apa itu regularisasi dalam ML? a Teknik mencegah overfitting dengan penalti bobot b Teknik meningkatkan kompleksitas model c Metode menghapus data secara acak d Metode meningkatkan ukuran dataset 18 Apa definisi singkat dari machine learning? a Metode untuk desain hardware b Pemrograman statis tanpa data c Teknik memasang jaringan kabel d Pembelajaran mesin yang membuat prediksi dari data. 19 Jenis ML yang menggunakan data berlabel untuk melatih model disebut? a Pembelajaran terawasi b Pembelajaran tanpa pengawasan c Pembelajaran reinforcement d Pembelajaran simbolik 20 Apa tujuan utama dari overfitting? a Mengurangi kompleksitas model b Menghasilkan model yang bebas data c Model terlalu menyesuaikan data pelatihan d Meningkatkan akurasi pada data uji 21 Apa itu train-test split? a Menggabungkan semua data menjadi satu set b Menghapus data rusak c Memisahkan data menjadi data latihan dan data pengujian d Mengubah label data 22 Apa fungsi utama algoritma gradient descent? a Mengoptimalkan bobot untuk menurunkan loss b Menambah ukuran dataset c Menghentikan pelatihan pada awal d Mengacak data pelatihan 23 Apa itu loss function? a Fungsi yang mengukur seberapa jauh prediksi dari target b Fungsi untuk menghapus data outlier c Fungsi yang menghitung jumlah data d Fungsi untuk mengklasifikasikan data 24 Apa trade-off bias-variance? a Jumlah layer vs jumlah neuron b Akurasi vs waktu prediksi c Kecepatan eksekusi vs konsumsi memori d Keseimbangan antara kesalahan sistematik dan variabilitas karena data 25 Apa manfaat cross-validation? a Mengganti algoritma secara otomatis b Menggandakan ukuran dataset c Menggunakan beberapa lipatan data untuk evaluasi stabil d Menghapus data yang kurang relevan Feedback 1 Secara khusus menangani data berurutan seperti teks atau deret waktu. 2 Supervised membutuhkan data berlabel; unsupervised mencari pola tanpa label. 3 KNN cocok untuk masalah kecil, tidak efisien pada dataset besar. 4 Overfitting menurunkan kemampuan generalisasi. 5 Cross-validation memberikan estimasi kinerja yang lebih stabil. 6 Dataset biasanya memiliki lisensi yang mengatur penggunaan; pastikan mematuhi syaratnya. 7 Terlalu banyak kapasitas bisa meniru noise dari data pelatihan. 8 Regularisasi membantu mencegah overfitting dengan membatasi bobot. 9 Data uji mengukur kemampuan generalisasi model. 10 ML membuat model dari data untuk prediksi atau keputusan. 11 Pembelajaran terawasi menggunakan data berlabel untuk melatih model. 12 Overfitting terjadi saat model mengikuti noise data latihan terlalu dekat. 13 ReLU = max(0, x) membuat pelatihan lebih cepat dan stabil. 14 Validasi silang membagi data untuk evaluasi yang lebih stabil. 15 Dataset memberi contoh untuk belajar model. 16 Kecenderungan untuk menangkap noise latihan daripada pola umum. 17 Regularisasi menambah biaya pada bobot besar untuk mengurangi kompleksitas. 18 ML belajar pola dari data untuk membuat prediksi, bukan sekadar penulisan aturan tetap. 19 Data berlabel memungkinkan model belajar hubungan input-output. 20 Overfitting membuat model buruk pada data baru karena terlalu menyalin data latihan. 21 Pembagian ini menilai generalisasi model pada data yang belum pernah dilihat. 22 Gradient descent menyesuaikan parameter untuk meminimalkan kesalahan prediksi. 23 Loss function memberi ukuran kesalahan yang ingin diminimalkan selama pelatihan. 24 Bias tinggi membuat underfitting; varians tinggi membuat overfitting. 25 Cross-validation membantu menilai generalisasi lebih andal.

1

Jenis ML yang paling umum untuk prediksi berurutan adalah:

a

Pembelajaran supervisi penuh tanpa data sekuensial

b

Pembelajaran penguatan

c

Pembelajaran berurutan/Sequence learning (mis. RNN, LSTM)

d

Pembelajaran tanpa pengawasan

2

Apa perbedaan supervised dan unsupervised learning?

a

Keduanya sama, hanya istilahnya

b

Supervised menggunakan label; unsupervised tidak menggunakan label

c

Supervised tidak membutuhkan data sama sekali

d

Unsupervised selalu lebih akurat

3

Kapan kita menggunakan k-nearest neighbors (KNN)?

a

Untuk pelatihan sangat besar dengan GPU

b

Tidur data secara otomatis

c

Saat tidak ada data sama sekali

d

Untuk klasifikasi/regresi sederhana dengan dataset kecil

4

Apa itu overfitting?

a

Model tidak belajar apa-apa

b

Model generalisasi terlalu luas

c

Model selalu salah prediksi pada data pelatihan

d

Model terlalu menyesuaikan data pelatihan sehingga buruk pada data baru

5

Apa fungsi cross-validation?

a

Mengoptimalkan hardware untuk training

b

Menilai kinerja model dengan membagi data menjadi subset latih/ujian

c

Mengubah arsitektur algoritma menjadi lebih rumit

d

Menghapus data penting dari dataset

6

Mana lisensi penggunaan dataset yang umum dipakai untuk ML?

a

Creative Commons / lisensi terbuka tergantung dataset

b

Lisensi MIT saja tanpa syarat

c

Tidak ada lisensi yang dibolehkan

d

Warna kode RGB khusus

7

Apa itu overfitting pada neural network sederhana?

a

Model menjadi sangat umum dan akurat di semua data

b

Model tidak bisa belajar karena data hilang

c

Neural network selalu underfit bukan overfit

d

Terlalu banyak neuron/epoch sehingga noise tercermin sebagai pola

8

Salah satu teknik regularisasi adalah:

a

Menghilangkan semua bias

b

Feature scaling saja

c

Mengoptimalkan terlalu banyak hiperparameter tanpa regulasi

d

L2 regularization (weight decay)

9

Apa tujuan evaluasi model pada data uji?

a

Mengubah label data latih

b

Mengoptimalkan hardware training saja

c

Menilai kemampuan model pada data yang tidak terlihat sebelumnya

d

Membersihkan data dari outlier

10

Apa itu machine learning secara sederhana?

a

Sistem yang tidak bisa berubah

b

Algoritma yang hanya menyimpan data tanpa analisis

c

Pembelajaran komputer dari data untuk membuat prediksi

d

Program yang mengikuti aturan tetap

11

Jenis ML apa yang menggunakan data berlabel untuk pelatihan?

a

Supervised learning

b

Semi-supervised learning

c

Unsupervised learning

d

Reinforcement learning

12

Apa perbedaan antara overfitting dan underfitting?

a

Overfitting: kurang belajar; Underfitting: terlalu banyak data

b

Overfitting: terjadi pada data uji; Underfitting: hanya pada data latihan

c

Overfitting: model terlalu cocok data latihan; Underfitting: model tidak cukup belajar

d

Overfitting: model buruk; Underfitting: model sangat akurat

13

Fungsi aktivasi ReLU sering dipakai karena apa?

a

Mensoalkan data ke dalam bentuk logaritma

b

Sederhana dan mempercepat komputasi

c

Membuat model lebih rumit

d

Mengurangi ukuran data

14

Apa tujuan validasi silang (cross-validation)?

a

Meningkatkan data noise di dataset

b

Menambah ukuran dataset

c

Menilai kinerja model secara lebih umum

d

Menyederhanakan model

15

Apa peran dataset dalam ML?

a

Hanya untuk uji coba

b

Tidak diperlukan pada ML

c

Menjadi sumber informasi untuk melatih model

d

Berfungsi untuk menambah kecepatan komputasi

16

Apa arti overfitting pada model non-linear?

a

Model selalu salah prediksi

b

Model terlalu menyesuaikan pola pada data latihan

c

Model generalisasi sempurna

d

Model tidak bisa dipakai lagi

17

Apa itu regularisasi dalam ML?

a

Teknik mencegah overfitting dengan penalti bobot

b

Teknik meningkatkan kompleksitas model

c

Metode menghapus data secara acak

d

Metode meningkatkan ukuran dataset

18

Apa definisi singkat dari machine learning?

a

Metode untuk desain hardware

b

Pemrograman statis tanpa data

c

Teknik memasang jaringan kabel

d

Pembelajaran mesin yang membuat prediksi dari data.

19

Jenis ML yang menggunakan data berlabel untuk melatih model disebut?

a

Pembelajaran terawasi

b

Pembelajaran tanpa pengawasan

c

Pembelajaran reinforcement

d

Pembelajaran simbolik

20

Apa tujuan utama dari overfitting?

a

Mengurangi kompleksitas model

b

Menghasilkan model yang bebas data

c

Model terlalu menyesuaikan data pelatihan

d

Meningkatkan akurasi pada data uji

21

Apa itu train-test split?

a

Menggabungkan semua data menjadi satu set

b

Menghapus data rusak

c

Memisahkan data menjadi data latihan dan data pengujian

d

Mengubah label data

22

Apa fungsi utama algoritma gradient descent?

a

Mengoptimalkan bobot untuk menurunkan loss

b

Menambah ukuran dataset

c

Menghentikan pelatihan pada awal

d

Mengacak data pelatihan

23

Apa itu loss function?

a

Fungsi yang mengukur seberapa jauh prediksi dari target

b

Fungsi untuk menghapus data outlier

c

Fungsi yang menghitung jumlah data

d

Fungsi untuk mengklasifikasikan data

24

Apa trade-off bias-variance?

a

Jumlah layer vs jumlah neuron

b

Akurasi vs waktu prediksi

c

Kecepatan eksekusi vs konsumsi memori

d

Keseimbangan antara kesalahan sistematik dan variabilitas karena data

25

Apa manfaat cross-validation?

a

Mengganti algoritma secara otomatis

b

Menggandakan ukuran dataset

c

Menggunakan beberapa lipatan data untuk evaluasi stabil

d

Menghapus data yang kurang relevan

Feedback

1

Secara khusus menangani data berurutan seperti teks atau deret waktu.

2

Supervised membutuhkan data berlabel; unsupervised mencari pola tanpa label.

3

KNN cocok untuk masalah kecil, tidak efisien pada dataset besar.

4

Overfitting menurunkan kemampuan generalisasi.

5

Cross-validation memberikan estimasi kinerja yang lebih stabil.

6

Dataset biasanya memiliki lisensi yang mengatur penggunaan; pastikan mematuhi syaratnya.

7

Terlalu banyak kapasitas bisa meniru noise dari data pelatihan.

8

Regularisasi membantu mencegah overfitting dengan membatasi bobot.

9

Data uji mengukur kemampuan generalisasi model.

10

ML membuat model dari data untuk prediksi atau keputusan.

11

Pembelajaran terawasi menggunakan data berlabel untuk melatih model.

12

Overfitting terjadi saat model mengikuti noise data latihan terlalu dekat.

13

ReLU = max(0, x) membuat pelatihan lebih cepat dan stabil.

14

Validasi silang membagi data untuk evaluasi yang lebih stabil.

15

Dataset memberi contoh untuk belajar model.

16

Kecenderungan untuk menangkap noise latihan daripada pola umum.

17

Regularisasi menambah biaya pada bobot besar untuk mengurangi kompleksitas.

18

ML belajar pola dari data untuk membuat prediksi, bukan sekadar penulisan aturan tetap.

19

Data berlabel memungkinkan model belajar hubungan input-output.

20

Overfitting membuat model buruk pada data baru karena terlalu menyalin data latihan.

21

Pembagian ini menilai generalisasi model pada data yang belum pernah dilihat.

22

Gradient descent menyesuaikan parameter untuk meminimalkan kesalahan prediksi.

23

Loss function memberi ukuran kesalahan yang ingin diminimalkan selama pelatihan.

24

Bias tinggi membuat underfitting; varians tinggi membuat overfitting.

25

Cross-validation membantu menilai generalisasi lebih andal.

		%
	Anonymous	%
		%
		%

Ml indo

Quiz

About this activity

Created by

Download the paper version to play

Top Games

Quiz

Photosynthesis vs Cellular Respiration - Practice Quiz

Quiz

Practice Quiz - Punnett Square, Variation, and Mutations

Quiz

Tissues - Practice Quiz

Quiz

Spanish Alphabet Listening

Quiz

UPS 5 Seeing Habits Quiz

Ml indoOnline version

by Marsimah

Jenis ML yang paling umum untuk prediksi berurutan adalah:

Apa perbedaan supervised dan unsupervised learning?

Kapan kita menggunakan k-nearest neighbors (KNN)?

Apa itu overfitting?

Apa fungsi cross-validation?

Mana lisensi penggunaan dataset yang umum dipakai untuk ML?

Apa itu overfitting pada neural network sederhana?

Salah satu teknik regularisasi adalah:

Apa tujuan evaluasi model pada data uji?

Apa itu machine learning secara sederhana?

Jenis ML apa yang menggunakan data berlabel untuk pelatihan?

Apa perbedaan antara overfitting dan underfitting?

Fungsi aktivasi ReLU sering dipakai karena apa?

Apa tujuan validasi silang (cross-validation)?

Apa peran dataset dalam ML?

Apa arti overfitting pada model non-linear?

Apa itu regularisasi dalam ML?

Apa definisi singkat dari machine learning?

Jenis ML yang menggunakan data berlabel untuk melatih model disebut?

Apa tujuan utama dari overfitting?

Apa itu train-test split?

Apa fungsi utama algoritma gradient descent?

Apa itu loss function?

Apa trade-off bias-variance?

Apa manfaat cross-validation?