Fiszki
MED hahaha, uczcie sie wszyscy i dzielcie
Test w formie fiszek
Ilość pytań: 30
Rozwiązywany: 1629 razy
Co to jest eksploracja danych?
Eksploracja danych jest to proces poszukiwania wzorców w dużych zbiorach danych, w celu wydobycia użytecznej wiedzy.
Eksploracja danych jest to proces poszukiwania wzorców w dużych zbiorach danych, w celu wydobycia użytecznej wiedzy.
Czym są dane, informacje i wiedza? Jakie występują pomiędzy nimi zależności?
dane - surowo odbierane z otoczenia sygnały wyrażone w prostej postaci (np. wartości liczbowych) informacja - stanowi efekt obróbki danych w taki sposób, że stają się one użyteczne wiedza - jest rezultatem inteligentnego przetwarzania zbiorów danych czy też zasobów informacji i stanowi opis określonego stanowiska lub fragmentu rzeczywistości w pewnym języku
dane - surowo odbierane z otoczenia sygnały wyrażone w prostej postaci (np. wartości liczbowych) informacja - stanowi efekt obróbki danych w taki sposób, że stają się one użyteczne wiedza - jest rezultatem inteligentnego przetwarzania zbiorów danych czy też zasobów informacji i stanowi opis określonego stanowiska lub fragmentu rzeczywistości w pewnym języku
Jakie są typowe problemy rozważane na gruncie eksploracji danych?
teoria gier
rozumowanie logiczne
tworzenie programów, które same się udoskonalają
prognozowanie
automatyczne rozpoznawanie obrazów
teoria gier
rozumowanie logiczne
tworzenie programów, które same się udoskonalają
prognozowanie
automatyczne rozpoznawanie obrazów
Jakie są typowe metody stosowane w eksploracji danych?
metody numeryczne
logika rozmyta
uczenie maszynowe
teoria optymalizacji
sztuczne sieci neuronowe
metody statystyczne
metody numeryczne
logika rozmyta
uczenie maszynowe
teoria optymalizacji
sztuczne sieci neuronowe
metody statystyczne
Czym różni się analiza danych od eksploracji danych?
Eksploracja danych, charakteryzuje się tym, że potrafi dostarczyć odpowiedzi na nie postawione jawnie pytania szukając wzorców co pozwala nam budować wiedzę
Analiza danych pozwala odpowiedzieć nam na zadane pytania oraz dostarczyć nam informacji
Eksploracja danych, charakteryzuje się tym, że potrafi dostarczyć odpowiedzi na nie postawione jawnie pytania szukając wzorców co pozwala nam budować wiedzę
Analiza danych pozwala odpowiedzieć nam na zadane pytania oraz dostarczyć nam informacji
Jakie są etapy eksploracji danych w metodologii CRISP-DM?
wdrożenie
Przygotowanie danych
Zrozumienie danych
ewaluacja
modelowanie
Zrozumienie uwarunkowań biznesowych
wdrożenie
Przygotowanie danych
Zrozumienie danych
ewaluacja
modelowanie
Zrozumienie uwarunkowań biznesowych
Czym są sztuczne sieci neuronowe?
Są to systemy przetwarzania danych inspirowane budową i sposobem działania neuronu organizmów.
Są to systemy przetwarzania danych inspirowane budową i sposobem działania neuronu organizmów.
Jak zbudowana jest sztuczna sieć neuronowa?
sieć rekurencyjna - struktura warstwowa, przepływ sygnałów w przeciwnym kierunku ponieważ występują sprzężenia zwrotne
Sieć neuronowa jest zbudowana z powiązanych ze sobą neuronów. W zależności od sposobu połączenia się neuronów wyróżniamy
sieć jednokierunkowa - struktura warstwowa, przepływ sygnałów odbywa się tylko w jednym kierunku
sieć komórkowa - struktura bez warstwy, neurony komunikują się ze swoimi sąsiadami
sieć rekurencyjna - struktura warstwowa, przepływ sygnałów w przeciwnym kierunku ponieważ występują sprzężenia zwrotne
Sieć neuronowa jest zbudowana z powiązanych ze sobą neuronów. W zależności od sposobu połączenia się neuronów wyróżniamy
sieć jednokierunkowa - struktura warstwowa, przepływ sygnałów odbywa się tylko w jednym kierunku
sieć komórkowa - struktura bez warstwy, neurony komunikują się ze swoimi sąsiadami
Jakie są metody uczenia sieci neuronowych i czym się różnią?
Uczenie z nauczycielem następuje, gdy istnieje możliwość sprawdzenia poprawności informacji wygenerowanych przez sieć.
Uczenie bez nauczyciela, następuje gdy nie znamy odpowiedzi na oczekiwany wzorzec.
Istnieją dwa typy algorytmów stosowanych do uczenia się sieci neuronowych, które stosowane są w zależności od rodzaju uzywanej sieci. Występuje uczenie z nauczycielem i bez nauczyciela.
Uczenie z nauczycielem następuje, gdy istnieje możliwość sprawdzenia poprawności informacji wygenerowanych przez sieć.
Uczenie bez nauczyciela, następuje gdy nie znamy odpowiedzi na oczekiwany wzorzec.
Istnieją dwa typy algorytmów stosowanych do uczenia się sieci neuronowych, które stosowane są w zależności od rodzaju uzywanej sieci. Występuje uczenie z nauczycielem i bez nauczyciela.
Od czego zależy liczba neuronów w warstwie wejściowej, a od czego w warstwie wyjściowej?
Liczba neuronów w warstwie wyjściowej jest zdeterminowana przez liczbę zmiennych objaśnianych (wyjściowych) + od rodzaju problemu
Liczba neuronów w warstwie wejściowej sieci jest równa liczbie zmiennych objaśniających. (wejściowych)
Liczba neuronów w warstwie wyjściowej jest zdeterminowana przez liczbę zmiennych objaśnianych (wyjściowych) + od rodzaju problemu
Liczba neuronów w warstwie wejściowej sieci jest równa liczbie zmiennych objaśniających. (wejściowych)
Od jakiej liczby najlepiej zacząć dobór optymalnej liczby neuronów w warstwie ukrytej?
Dobrze jest zacząć od połowy sumy liczby zmiennych wejściowych i wyjściowych.
Dobrze jest zacząć od połowy sumy liczby zmiennych wejściowych i wyjściowych.
Jak działa / do czego służy funkcja aktywacji neuronu?
Razem z funkcją potencjału postsynaptycznego (psp) definiuje ona rodzaj jednostki.
Funkcja aktywacji wykorzystywana jest do transformacji poziomu aktywacji jednostki (neuronu) w sygnał wyjściowy.
Razem z funkcją potencjału postsynaptycznego (psp) definiuje ona rodzaj jednostki.
Funkcja aktywacji wykorzystywana jest do transformacji poziomu aktywacji jednostki (neuronu) w sygnał wyjściowy.
Jak wyznaczane są początkowe wartości wag?
Losowa gausowska, losowa równomierna
Losowa gausowska, losowa równomierna
Czym są epoki w uczeniu sieci neuronowych?
Epoka to jednorazowe użycie w procesie uczenia wszystkich przypadków uczących zawartych w zbiorze uczącym.
Epoka to jednorazowe użycie w procesie uczenia wszystkich przypadków uczących zawartych w zbiorze uczącym.
Jak często modyfikowane są wagi neuronów?
Wagi neuronów modyfikowane są na początku każdej epoki.
Wagi neuronów modyfikowane są na początku każdej epoki.
Czym jest wsteczna propagacja błędów?
W sieciach neuronowych obserwujemy 2-kierunkowy przepływ informacji,
Z uwagi na kierunek przepływu informacji o błędzie, algorytm uczenia nazywany jest wsteczną propagacją błędów
Jeden z nich przechodzi od warstwy wyjściowej do wejściowej, płynie informacja o błędzie wykorzystywana w trakcie uczenia się.
W sieciach neuronowych obserwujemy 2-kierunkowy przepływ informacji,
Z uwagi na kierunek przepływu informacji o błędzie, algorytm uczenia nazywany jest wsteczną propagacją błędów
Jeden z nich przechodzi od warstwy wyjściowej do wejściowej, płynie informacja o błędzie wykorzystywana w trakcie uczenia się.
Jakie jest przeznaczenie zbiorów uczącego, testowego i walidacyjnego?
Zbiór walidacyjny odgrywa kluczową funkcję przy wyborze modelu, co oznacza, że w rzeczywistości uczestniczy on w procesie uczenia sieci.
Zbiór uczący wykorzystywany jest do wyuczenia sieci. Przedstawiony model w każdej epoce i przy jego pomocy modyfikowane są wagi.
Zbiór testowy wykorzystywany jest przy wstecznej propagacji błędów. Po każdej epoce pomaga nam określić bieżące wartości błędów.
Zbiór walidacyjny odgrywa kluczową funkcję przy wyborze modelu, co oznacza, że w rzeczywistości uczestniczy on w procesie uczenia sieci.
Zbiór uczący wykorzystywany jest do wyuczenia sieci. Przedstawiony model w każdej epoce i przy jego pomocy modyfikowane są wagi.
Zbiór testowy wykorzystywany jest przy wstecznej propagacji błędów. Po każdej epoce pomaga nam określić bieżące wartości błędów.
. Ile razy i kiedy w uczeniu i ocenie jakości sieci neuronowej wykorzystywane są zbiory uczący, testowy i walidacyjny?
Zbiór testowy jest wykorzystywany tyle razy ile jest epok.
Walidacyjny tylko raz jak sieć jest wyuczona do oceny jakości modelu.
Jeżeli spadek błędu jest istotny statystycznie uczymy dalej, jeżeli nie to przerywamy uczenie.
Zbiór uczący model wykorzystuje cały czas.
Zbiór testowy ma za zadanie zapobiec efektowi przeuczenia.
Zbiór testowy jest wykorzystywany tyle razy ile jest epok.
Walidacyjny tylko raz jak sieć jest wyuczona do oceny jakości modelu.
Jeżeli spadek błędu jest istotny statystycznie uczymy dalej, jeżeli nie to przerywamy uczenie.
Zbiór uczący model wykorzystuje cały czas.
Zbiór testowy ma za zadanie zapobiec efektowi przeuczenia.
Czym jest przeuczenie sieci i po czym je poznać?
Pojawiające się w trakcie uczenia sieci zjawisko polegające na nadmiernym dopasowaniu się sieci do punktów uczących, któremu towarzyszy błędne działanie sieci dla danych nie prezentowanych w trakcie uczenia (sieć nie posiada zdolności do generalizacji zdobytej wiedzy). Przeuczenie pojawia się w przypadku zbyt długiego uczenia (działania algorytmu uczącego) lub wówczas, gdy zastosowana sieć jest zbyt złożona w porównaniu ze złożonością problemu lub liczbą dostępnych danych uczących. przeuczone sieci moznarozpoznac przez to ze ciaglezwiekszasie liczba bledow
Pojawiające się w trakcie uczenia sieci zjawisko polegające na nadmiernym dopasowaniu się sieci do punktów uczących, któremu towarzyszy błędne działanie sieci dla danych nie prezentowanych w trakcie uczenia (sieć nie posiada zdolności do generalizacji zdobytej wiedzy). Przeuczenie pojawia się w przypadku zbyt długiego uczenia (działania algorytmu uczącego) lub wówczas, gdy zastosowana sieć jest zbyt złożona w porównaniu ze złożonością problemu lub liczbą dostępnych danych uczących. przeuczone sieci moznarozpoznac przez to ze ciaglezwiekszasie liczba bledow
Czym jest zdolność sieci do generalizacji?
Jednak uzyskanie tej zdolności wymaga należytej staranności na etapie budowy i uczenia sieci
Prawidłowo skonstruowana siec i nauczona sieć neuronowa potrafi dawać rozsądne odpowiedzi nie tylko na sygnały wejściowe wchodzące w skład ciągu uczącego ale również na inne wzorce wejściowe, które nie były wcześniej
Jednak uzyskanie tej zdolności wymaga należytej staranności na etapie budowy i uczenia sieci
Prawidłowo skonstruowana siec i nauczona sieć neuronowa potrafi dawać rozsądne odpowiedzi nie tylko na sygnały wejściowe wchodzące w skład ciągu uczącego ale również na inne wzorce wejściowe, które nie były wcześniej