Créer jeu
Télécharger
Obtenir Plan Académique
Partager le jeu
Intégrez-le à votre plateforme

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.
Télécharger
Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Google Classroom avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Google Classroom, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Microsoft Teams avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Microsoft Teams, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Le téléchargement du jeu est une fonctionnalité exclusive pour les utilisateurs avec un Plan Académique ou un Plan Commercial.

Obtenez votre Plan Académique ou Plan Commercial dès maintenant et commencez à intégrer vos jeux dans votre LMS, votre site Web ou votre blog.

Si vous le souhaitez, vous pouvez télécharger une jeu de test ici et tester son intégration:

ML Concepts in Programming

Mots Croisés

Parties jouées 1

À propos de cette activité

Explore key ML concepts in programming.

Créé par

Colombia

Téléchargez la version pour jouer sur papier

Créez votre propre jeu gratuite à partir de notre créateur de jeu
Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Top Jeux

%
Anonyme
Anonyme
%
%
%
Vous avez dépassé le nombre maximum de jeux que vous pouvez imprimer avec votre Plan actuel.

Pour imprimer autant de jeux que vous le souhaitez, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Imprimez votre jeu
ML Concepts in Programming
 

Mots Croisés

ML Concepts in ProgrammingVersion en ligne

Explore key ML concepts in programming.

par Elsa Adriana Restrepo
1

A learned representation used to make predictions.

2

Process of adjusting parameters to fit data.

3

Collection of data samples used for learning.

4

Measured properties used to describe samples.

5

When a model captures noise instead of general patterns.

6

Systematic error causing predictions to favor certain outcomes.

7

Fluctuation of model predictions when trained on different data.

8

Technique to prevent overly complex fits.

1
5
7
6
4
8
1
QR

A field of artificial intelligence that .......... computers to learn ........ from data and make ........... or decisions without ....... explicitly programmed.

2

The correct outputs the model is supposed to learn to predict (e.g., spam/not spam).

3
QR

A set of rules or procedures a model follows to learn from data (e.g., decision trees, neural networks).

4

A step to tune the model's parameters and avoid overfitting using a separate dataset.

5
QR

6

When a model is too simple and fails to learn important patterns from the data

6
4
2
5
1
3
Voulez-vous vraiment quitter la page ?

En quittant la page, vous perdrez la progression du jeu.