Crear
Descargar
Obtener Plan Académico
Compartir juego
Intégralo en tu plataforma

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.
Descargar
Has superado el número máximo de juegos que puedes integrar en Google Classroom con tu Plan actual.

Para integrar tantos juegos como quieras en Google Classroom, necesitas un Plan Académico o un Plan Comercial.

Has superado el número máximo de juegos que puedes integrar en Microsoft Teams con tu Plan actual.

Para integrar tantos juegos como quieras en Microsoft Teams, necesitas un Plan Académico o un Plan Comercial.

La descarga de juegos es una característica exclusiva para usuarios con un Plan Académico o un Plan Comercial.

Obtén ahora tu Plan Académico o Comercial y comienza a integrar tus juegos en tu LMS, web o blog.

Si lo deseas, puedes descargar un juego de prueba aquí y probar su integración:

ML Concepts in Programming

Crucigrama

Jugadas 1

Sobre esta actividad

Explore key ML concepts in programming.

Creada por

Colombia

Descarga la versión para jugar en papel

Crea tu propio juego gratis desde nuestro creador de juegos
Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Top juegos

%
Anónimo
Anónimo
%
%
%
Has superado el número máximo de juegos que puedes imprimir con tu Plan actual.

Para imprimir tantos juegos como quieras, necesitas un Plan Académico o un Plan Comercial.

Imprime tu juego
ML Concepts in Programming
 

Crucigrama

ML Concepts in ProgrammingVersión en línea

Explore key ML concepts in programming.

por 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
¿Estás seguro que quieres abandonar la página?

Al abandonar la página perderás el progreso del juego.