Genaue Hot Selling 1z0-1122-23 Exam Dumps 2023 Newly Released [Q15-Q31]

5. November 20235. November 2023 examdumpsGenaue Hot Selling 1z0-1122-23 Exam Dumps 2023 Newly Released [Q15-Q31] 0 Kommentar

Schlagwörter: 1z0-1122-23 authentische Prüfung Hub, 1z0-1122-23 Prüfungsrabatt, 1z0-1122-23 letzte Prüfung online, 1z0-1122-23 neue kostenlose Studienfragen, 1z0-1122-23 Praxis-Prüfungen kostenlos, 1z0-1122-23 Praxistest online, 1z0-1122-23 relevante Antworten, 1z0-1122-23 gültige Testsammlung Materialien

4.4/5 - (12 Stimmen)

Genaue Hot Selling 1z0-1122-23 Exam Dumps 2023 Newly Released

Holen Sie sich 100% Authentic Oracle 1z0-1122-23 Dumps mit korrekten Antworten

NEUE FRAGE 15
Was ist das Hauptziel des maschinellen Lernens?

Computern ermöglichen, aus Erfahrungen zu lernen und sich zu verbessern

Computer explizit programmieren

Entwicklung von Algorithmen zur Lösung komplexer Probleme

Verbesserung der Computer-Hardware

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, aus Daten und Erfahrungen zu lernen, ohne explizit programmiert zu werden. Algorithmen für maschinelles Lernen können sich an neue Daten und Situationen anpassen und ihre Leistung im Laufe der Zeit verbessern2. Referenz: Künstliche Intelligenz (KI) | Oracle

NEUE FRAGE 16
Wie unterscheidet sich die generative KI von anderen KI-Ansätzen?

Generative KI versteht die zugrunde liegenden Daten und erstellt neue Beispiele.

Generative KI konzentriert sich auf Entscheidungsfindung und Optimierung.

Generative KI erzeugt markierte Ausgaben für das Training.

Generative KI wird ausschließlich für textbasierte Anwendungen eingesetzt.

Generative KI ist ein Zweig der künstlichen Intelligenz, der sich auf die Erstellung neuer Inhalte oder Daten auf der Grundlage von Mustern und Strukturen vorhandener Daten konzentriert. Im Gegensatz zu anderen KI-Ansätzen, die darauf abzielen, Daten zu erkennen, zu klassifizieren oder vorherzusagen, zielt generative KI darauf ab, Daten zu erzeugen, die realistisch, vielfältig und neuartig sind. Generative KI kann verschiedene Arten von Inhalten erzeugen, z. B. Bilder, Text, Audio, Video, Softwarecode, Produktdesigns und vieles mehr. Generative KI verwendet verschiedene Techniken und Modelle, um aus Daten zu lernen und neue Beispiele zu generieren, z. B. generative adversarial networks (GANs), variational autoencoders (VAEs), diffusion models und foundation models. Generative KI findet in vielen verschiedenen Bereichen und Branchen Anwendung, z. B. in der Kunst, der Unterhaltung, dem Bildungswesen, dem Gesundheitswesen, der Technik, dem Marketing und anderen Bereichen. Referenz: : Oracle Cloud Infrastructure AI - Generative AI, Generative künstliche Intelligenz - Wikipedia

NEUE FRAGE 17
Welche NVIDIA-GPU wird von Oracle Cloud Infrastructure angeboten?

P200

A100

K80

Oracle Cloud Infrastructure bietet NVIDIA A100 Tensor Core GPUs als eine der GPU-Optionen für seine Compute-Instanzen an. Die NVIDIA A100 GPU ist eine leistungsstarke und vielseitige GPU, die eine breite Palette von KI- und HPC-Workloads beschleunigen kann. Der A100-Grafikprozessor bietet eine bis zu 20-fach höhere Leistung als die vorherige Generation des V100-Grafikprozessors und unterstützt Funktionen wie Multi-Instance-GPU, automatische gemischte Präzision und Sparsity-Beschleunigung12. Die OCI Compute Bare-Metal-Instanz BM.GPU4.8 bietet acht NVIDIA A100-GPUs mit 40 GB, die über direkte NVIDIA NVLink-Hochgeschwindigkeits-GPU-zu-GPU-Verbindungen verbunden sind3. Diese Instanz ist ideal für das Training großer Sprachmodelle, Computer-Vision-Modelle und anderer komplexer KI-Aufgaben. Referenz: Accelerated Computing und Oracle Cloud Infrastructure (OCI) - NVIDIA, Oracle Cloud Infrastructure bietet neue NVIDIA GPU-beschleunigte Rechenleistung ..., GPU, virtuelle Maschinen und Bare Metal | Oracle

NEUE FRAGE 18
Welcher Bereich der künstlichen Intelligenz ist mit Aufgaben wie der Erkennung der Stimmung eines Textes und der Übersetzung von Texten zwischen Sprachen verbunden?

Verarbeitung natürlicher Sprache

Sprachverarbeitung

Erkennung von Anomalien

Computer Vision

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ein Bereich der künstlichen Intelligenz, der sich mit Aufgaben wie der Erkennung der Stimmung eines Textes und der Übersetzung von Texten zwischen Sprachen befasst. NLP ist ein interdisziplinäres Gebiet, das Informatik, Linguistik und künstliche Intelligenz miteinander verbindet, um Computer in die Lage zu versetzen, Daten in natürlicher Sprache, wie Text oder Sprache, zu verarbeiten und zu verstehen. NLP umfasst verschiedene Techniken und Anwendungen, wie zum Beispiel:
Textanalyse: Extrahieren aussagekräftiger Informationen aus Textdaten, z. B. Schlüsselwörter, Entitäten, Themen, Stimmungen, Emotionen usw.
Textgenerierung: Erstellung von Texten in natürlicher Sprache aus strukturierten oder unstrukturierten Daten, z. B. Zusammenfassungen, Bildunterschriften, Schlagzeilen, Berichte usw.
Maschinelle Übersetzung: Die automatische und genaue Übersetzung von Text oder Sprache aus einer Sprache in eine andere.
Beantwortung von Fragen: Abrufen relevanter Antworten auf natürlichsprachliche Fragen aus einer Wissensbasis oder einer Dokumentensammlung.
Spracherkennung: Umwandlung von Sprachsignalen in Text oder Befehle.
Sprachsynthese: Umwandlung von Text in Sprachsignale mit natürlich klingenden Stimmen.
Verstehen natürlicher Sprache: Interpretieren der Bedeutung und Absicht von Eingaben in natürlicher Sprache und Erzeugen geeigneter Antworten.
Generierung natürlicher Sprache: Erstellung natürlichsprachlicher Ausgaben, die kohärent, fließend und kontextbezogen sind. Referenz: : Was ist natürliche Sprachverarbeitung? | IBM, Natürliche Sprachverarbeitung - Wikipedia

NEUE FRAGE 19
Was ist "kontextbezogenes Lernen" im Bereich der großen Sprachmodelle (LLMs)?

Einen Modus lehren! durch Zero-Shot-Learning

Training eines Modells für eine Vielzahl von Aufgaben

Das Verhalten eines vortrainierten LLM dauerhaft ändern

Bereitstellung einiger Beispiele für eine Zielaufgabe über die Eingabeaufforderung

Beim kontextbezogenen Lernen handelt es sich um eine Technik, die die Fähigkeit großer Sprachmodelle nutzt, aus einigen wenigen Eingabe-/Ausgabebeispielen zu lernen, die in der Eingabeaufforderung enthalten sind. Durch Konditionierung auf diese Beispiele kann das Modell auf die Aufgabe und das Format der gewünschten Ausgabe schließen und eine geeignete Antwort erzeugen. In-Context-Lernen erfordert kein zusätzliches Training oder eine Feinabstimmung des Modells und kann für verschiedene Aufgaben wie Textzusammenfassung, Beantwortung von Fragen, Texterstellung usw. verwendet werden45. In-Context-Lernen ist auch als "few-shot learning" oder prompt-based learning bekannt. Referenz: [2307.12375] In-Context Learning in Large Language Models Learns Label ...](https://arxiv.org/abs/2307.12375), [2307.07164] Learning to Retrieve In-Context Examples for Large Language Models](https://arxiv.org/abs/2307.07164)

NEUE FRAGE 20
Sie sind der leitende Entwickler eines Deep Learning-Forschungsteams und haben die Aufgabe, die Trainingsgeschwindigkeit Ihrer tiefen neuronalen Netze zu verbessern. Um den Trainingsprozess zu beschleunigen, beschließen Sie, spezielle Hardware zu nutzen.
Welche Hardwarekomponente wird beim Deep Learning häufig verwendet, um das Modelltraining zu beschleunigen?

Solid-State-Laufwerk (SSD)

Grafikverarbeitungseinheit (GPU)

Speicher mit wahlfreiem Zugriff (RAM)

Zentrale Verarbeitungseinheit (CPU)

Eine Grafikverarbeitungseinheit (GPU) ist eine spezialisierte Hardwarekomponente, die parallele Berechnungen mit großen Datenmengen durchführen kann. GPUs werden häufig beim Deep Learning eingesetzt, um das Training von tiefen neuronalen Netzen zu beschleunigen, da sie viele Matrix- und Tensoroperationen gleichzeitig ausführen können. GPUs können die Trainingszeit erheblich verkürzen und die Leistung von Deep-Learning-Modellen im Vergleich zur Verwendung von CPUs allein verbessern678. Referenz: Hardware-Empfehlungen für maschinelles Lernen / KI, Neue Hardware bietet schnellere Berechnungen für künstliche Intelligenz ..., The Best Hardware for Machine Learning - ReHack, Hardware for Deep Learning Inference: Wie man die beste Hardware für ...

NEUE FRAGE 21
Welche Rolle spielen Token in großen Sprachmodellen (LLMs)?

Sie stellen die numerischen Werte der Modellparameter dar.

Sie werden verwendet, um die Architektur des neuronalen Netzes des Modells zu definieren.

Sie sind einzelne Einheiten, in die ein Text bei der Verarbeitung durch das Modell unterteilt wird.

Sie bestimmen die Größe des Speichers des Modells.

Token sind die Grundeinheiten der Textdarstellung in großen Sprachmodellen. Sie können Wörter, Teilwörter, Zeichen oder Symbole sein. Token werden verwendet, um den Eingabetext in numerische Vektoren zu kodieren, die vom neuronalen Netz des Modells verarbeitet werden können. Token bestimmen auch den Umfang des Vokabulars und die maximale Sequenzlänge des Modells3. Referenz: Oracle Cloud Infrastructure 2023 AI Foundations Associate | Oracle University

NEUE FRAGE 22
Bei welcher KI-Aufgabe geht es um die Erzeugung von Audio aus Text?

Text in Sprache

Audioaufnahme

Spracherkennung

Text-Zusammenfassung

Text to Speech (TTS) ist eine KI-Aufgabe, bei der aus Text Audio erzeugt wird. TTS ist eine Technologie, die Text in gesprochenes Audio mit natürlich klingenden Stimmen umwandelt. TTS kann beliebige Textdaten vorlesen, z. B. PDFs, Websites, Bücher, E-Mails usw., und bietet ein auditives Format für den Zugriff auf schriftliche Inhalte. TTS kann für jeden hilfreich sein, der aus verschiedenen Gründen Textdaten anhören muss, z. B. aus Gründen der Zugänglichkeit, der Bequemlichkeit, des Multitaskings, des Lernens, der Unterhaltung usw. TTS verwendet verschiedene Techniken und Modelle zur Erzeugung von Sprache aus Textdaten, wie z. B.:
Konkatenative Synthese: Kombination voraufgezeichneter Segmente menschlicher Sprache auf der Grundlage der phonetischen Einheiten des Textes.
Parametrische Synthese: Generierung von Sprachsignalen aus akustischen Parametern, die mit Hilfe statistischer Modelle aus dem Text abgeleitet werden.
Neuronale Synthese: Verwendung tiefer neuronaler Netze, um die Zuordnung zwischen Text- und Sprachmerkmalen zu erlernen und qualitativ hochwertige Sprachsignale zu erzeugen.
Ausdrucksstarke Synthese: Hinzufügen von Emotionen oder Stilen zur Sprachausgabe, um sie natürlicher und ansprechender zu machen. Referenz: : Text-to-Speech AI: Lebensechte Sprachsynthese | Google Cloud, Text-to-Speech-Synthese - Wikipedia

NEUE FRAGE 23
Wie trägt der Oracle Cloud Infrastructure Anomaly Detection Service zur Betrugserkennung bei?

Durch die Identifizierung abnormaler Muster in Daten

Durch die Analyse der Stimmung in Texten

Durch die Generierung gesprochener Sprache aus Text

Durch Transkription der gesprochenen Sprache

Oracle Cloud Infrastructure Anomaly Detection ist ein KI-Service, der Echtzeit- und Batch-Anomalieerkennung für univariate und multivariate Zeitreihendaten bietet. Über eine einfache Benutzeroberfläche können Unternehmen Modelle erstellen und trainieren, um Anomalien zu erkennen und ungewöhnliches Verhalten, Trendänderungen, Ausreißer und mehr zu identifizieren. Die Anomalieerkennung kann zur Aufdeckung von Betrug beitragen, indem sie Daten aus verschiedenen Quellen wie Transaktionen, Protokollen, Sensoren oder Kundenverhalten analysiert und Benutzer alarmiert, wenn verdächtige oder betrügerische Aktivitäten entdeckt werden2. Referenz: Anomalie-Erkennung | Oracle

NEUE FRAGE 24
Welchen Zweck hat die Feinabstimmung großer Sprachmodelle?

Um die Anzahl der Parameter des Modells zu reduzieren

Erhöhung der Komplexität der Modellarchitektur

Um die Fähigkeiten des Modells für bestimmte Aufgaben zu spezialisieren

Um eine Überanpassung des Modells zu verhindern

Unter Feinabstimmung versteht man den Prozess der Aktualisierung der Modellparameter für eine neue Aufgabe und einen neuen Datensatz, wobei ein vorab trainiertes großes Sprachmodell als Ausgangspunkt dient. Die Feinabstimmung ermöglicht es dem Modell, sich an den spezifischen Kontext und die Domäne der neuen Aufgabe anzupassen und seine Leistung und Genauigkeit zu verbessern. Die Feinabstimmung kann verwendet werden, um die Fähigkeiten des Modells für bestimmte Aufgaben wie Textklassifikation, Erkennung benannter Entitäten und maschinelle Übersetzung anzupassen82. Die Feinabstimmung wird auch als Transferlernen oder aufgabenbasiertes Lernen bezeichnet. Referenz: A Complete Guide to Fine Tuning Large Language Models, Feinabstimmung großer Sprachmodelle - DeepLearning.AI

NEUE FRAGE 25
Welcher Bereich der künstlichen Intelligenz ist mit Aufgaben wie der Erkennung von Kräften in Bildern und der Klassifizierung von Objekten verbunden?

Computer Vision

Erkennung von Anomalien

Sprachverarbeitung

Verarbeitung natürlicher Sprache

Computer Vision ist ein Bereich der künstlichen Intelligenz, der sich mit Aufgaben wie der Erkennung von Gesichtern in Bildern und der Klassifizierung von Objekten befasst. Computer Vision ist ein Bereich der künstlichen Intelligenz, der es Computern und Systemen ermöglicht, sinnvolle Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben abzuleiten und auf der Grundlage dieser Informationen Maßnahmen zu ergreifen oder Empfehlungen auszusprechen. Beim maschinellen Sehen werden Modelle des maschinellen Lernens und des Deep Learning auf visuelle Daten wie Pixel, Farben, Formen, Texturen usw. angewendet und Merkmale und Muster extrahiert, die für verschiedene Zwecke verwendet werden können. Einige der gängigen Techniken und Anwendungen des maschinellen Sehens sind:
Gesichtserkennung: Identifizieren oder Überprüfen der Identität einer Person anhand ihrer Gesichtszüge.
Objekterkennung: Lokalisierung und Kennzeichnung von Objekten von Interesse in einem Bild oder einem Video.
Objekterkennung: Klassifizierung von Objekten in vordefinierte Kategorien, wie z. B. Tiere, Fahrzeuge, Früchte, usw.
Verstehen einer Szene: Analyse des Kontexts und der Semantik einer visuellen Szene, wie Ort, Zeit, Wetter, Aktivität usw.
Bildsegmentierung: Aufteilung eines Bildes in mehrere Regionen, die ähnliche Merkmale wie Farbe, Textur, Form usw. aufweisen.
Bildverbesserung: Verbesserung der Qualität oder des Aussehens eines Bildes durch Anwendung von Filtern, Transformationen oder Korrekturen.
Bilderzeugung: Erstellen realistischer oder stilisierter Bilder von Grund auf oder auf der Grundlage von Eingabedaten wie Skizzen, Beschriftungen oder Attributen. Referenz: : Was ist Computer Vision? | IBM, Computer Vision - Wikipedia

NEUE FRAGE 26
Sie arbeiten an einem Projekt für eine Organisation des Gesundheitswesens, die ein System zur Vorhersage des Schweregrads der Krankheiten von Patienten bei der Aufnahme in ein Krankenhaus entwickeln möchte. Ziel ist es, die Patienten anhand ihrer Krankengeschichte und ihrer Vitalparameter in drei Kategorien - geringes Risiko, mittleres Risiko und hohes Risiko - einzuteilen.
Welche Art von überwachtem Lernalgorithmus ist in diesem Szenario erforderlich?

Clustering

Regression

Binäre Klassifizierung

Multi-Klassen-Klassifizierung

Die Mehrklassenklassifizierung ist ein Algorithmus des überwachten Lernens, der in diesem Szenario erforderlich ist, weil die Ausgangsvariable mehr als zwei Klassen hat. Bei der Mehrklassenklassifizierung geht es darum, Instanzen in eine von drei oder mehr Klassen zu klassifizieren. Beispielsweise ist die Einteilung von Patienten in niedriges, mittleres oder hohes Risiko auf der Grundlage ihrer Krankengeschichte und ihrer Vitalparameter ein Mehrklassen-Klassifikationsproblem, da jeder Patient nur einer dieser drei Klassen angehören kann. Die Mehrklassenklassifizierung kann mit verschiedenen Algorithmen gelöst werden, z. B. mit Entscheidungsbäumen, Zufallswäldern, Support Vector Machines (SVMs), k-nearest neighbors (k-NN), naive Bayes, logistischer Regression, neuronalen Netzen usw. Einige dieser Algorithmen können auf natürliche Weise mit Mehrklassenproblemen umgehen, während andere durch die Anwendung von Strategien wie Eins gegen Eins oder Eins gegen Rest angepasst werden müssen. Referenz: : Mehrklassenklassenklassifikation - Wikipedia, Mehrklassenklassenklassifikation - Erklärt im maschinellen Lernen

Laden …