Fiszki
Artificial Intelligence_aka_szogun
Test w formie fiszek
Ilość pytań: 50
Rozwiązywany: 737 razy
21.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym
b. wszystkie obiekty tworzą jedno skupienie
c. obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
d. każdy obiekt tworzy osobne skupienie - chyba to (liczba grup równa się liczbie obserwacji – każda obserwacja stanowi odrębną grupę. )
a. obiekty podzielone są wstępnie przy użyciu innej metody grupowania
d. każdy obiekt tworzy osobne skupienie - chyba to (liczba grup równa się liczbie obserwacji – każda obserwacja stanowi odrębną grupę. )
22.Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
a. zredukowanie liczby klas do jednej
b. zmniejszenie liczby wymiarów do dwóch
d. prognozowanie stopnia przynależności do klasy
c. zamianę zmiennych kategorycznych na ciągłe
c. zamianę zmiennych kategorycznych na ciągłe
23.Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
a. metoda średnich połączeń
d. metoda k-średnich
b. metoda najdalszego sąsiedztwa - chyba
c. metoda pojedynczego wiązania
d. metoda k-średnich
24.Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:
a. najbliższych pod względem cech wejściowych
b. należących do tego samego klastra
d. leżących w tym samym wymiarze przestrzeni
c. najbliższych pod względem prognozowanej wartości
c. najbliższych pod względem prognozowanej wartości
25.Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
c. uogólnienie pojęcia macierzy na wiele wymiarów
a. wektor wskazujący kierunek najszybszego spadku błędu sieci
d. warstwę wejściową rozprowadzającą sygnały do sieci
b. wyspecjalizowany rodzaj neuronów przetwarzających obraz
c. uogólnienie pojęcia macierzy na wiele wymiarów
26.Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
b. Modelowanie - Ewaluacja - Wdrożenie
c. Wdrożenie - Ewaluacja - Modelowanie
d. Ewaluacja - Modelowanie - Wdrożenie
a. Modelowanie - Wdrożenie - Ewaluacja
b. Modelowanie - Ewaluacja - Wdrożenie
27.Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji:
d. klasyfikacji bezwzorcowej (grupowania)
c. analizy szeregów czasowych
a. prognozowania lub szacowania wartości
b. klasyfikacji wzorcowej
d. klasyfikacji bezwzorcowej (grupowania)
28.Aglomeracyjne metody klasteryzacji polegają na:
a. przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
c. iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
d. stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
b. krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
a. przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
29.Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
a. sieć neuronowa typu RBF
d. liniowa regresja wieloraka
b. sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
c. algorytm k-średnich
c. algorytm k-średnich
30.Poszukiwanie zbiorów częstych jest pierwszym etapem:
c. algorytmu A priori - chyba to( Algorytm A priori po prostu znajduje częste zbiory zdarzeń)
b. algorytmu k-średnich
a. algorytmu k-najbliższych sąsiadów
c. algorytmu A priori - chyba to( Algorytm A priori po prostu znajduje częste zbiory zdarzeń)
31.Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów:
c. algorytm CART (drzewa klasyfikacyjne i regresyjne)
a. algorytm PCA (analiza głównych składowych)
b. algorytm k-średnich
d. algorytm Kohonena (sieć neuronowa typu SOM)
c. algorytm CART (drzewa klasyfikacyjne i regresyjne)
32.Problem klasteryzacyjny polega na:
b. identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
a. poszukiwaniu granic oddzielających obserwacje różnych klas
d. grupowaniu cech obserwacji w skorelowane ze sobą zespoły
c. predykcji przynależności danej obserwacji do różnych klas
b. identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
33.Metoda wzmacniania gradientowego (gradient boosting) służy do:
b. budowania mocnego modelu złożonego z wielu słabszych modeli(Rozwiązania z dziedziny boosting łączą wiele “słabych”, prostych rozwiązań w jedno większe)
a. przyspieszania procesu uczenia głębokich sieci neuronowych
c. generowania dodatkowych sztucznych próbek w zbiorach uczących
d. zwiększania kontrastu pomiędzy blisko leżącymi klastrami
b. budowania mocnego modelu złożonego z wielu słabszych modeli(Rozwiązania z dziedziny boosting łączą wiele “słabych”, prostych rozwiązań w jedno większe)
34.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
a. regresji liniowej
b. ekstrakcji cech
c. obrotu w przestrzeni cech
d. redukcji wymiarowości
a. regresji liniowej
35. Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest:
d. wizualne porównanie współzależności par zmiennych
b. zliczenie wystąpień wartości zmiennych nominalnych [szczelone w to]
a. użycie metod nienadzorowanej klasteryzacji
c. wygenerowanie histogramów zmiennych ciągłych
c. wygenerowanie histogramów zmiennych ciągłych
36.Przeuczenie modelu (overfitting) można rozpoznać po tym, że:
b. w procesie uczenia zaczyna rosnąć błąd dla próby testowej - chyba? [ale przeuczenie można rozpoznać po zakończonym uczeniu]
d. szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach
c. trafność predykcji modelu przekracza poziom 99.73%
a. liczba błędnie zaklasyfikowanych przypadków spada do 0
b. w procesie uczenia zaczyna rosnąć błąd dla próby testowej - chyba? [ale przeuczenie można rozpoznać po zakończonym uczeniu]
37.Argumentem funkcji aktywacji neuronu typu RBF jest
a. ważona liczba wejść danego neuronu
d. iloczyn skalarny wektorów: wejściowego x i wag w
b. odległość wektorów: wejściowego x i wag w [raczej to]
c. suma sygnałów x1 + x2 + ... wektora wejściowego x
b. odległość wektorów: wejściowego x i wag w [raczej to]
38.Oryginalna zmienna x przyjmuje trzy wartości: -2, 1, 4. Po przeprowadzeniu normalizacji tej zmiennej wg metody min-max do przedziału [0, 1], oryginalnej wartości 1 odpowiada znormalizowana wartość:
a. 0,25
c. 0,75
d. 1
b. 0,5
b. 0,5
39.Problem klasyfikacyjny polega na:
a. ustaleniu optymalnej liczby klas, do których należą obserwacje
b. poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
d. prognozowaniu kategorii obserwacji na podstawie jej cech
c. rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
d. prognozowaniu kategorii obserwacji na podstawie jej cech
40.Technika k-krotnej walidacji krzyżowej służy do:
a. klasteryzacji zbioru na k maksymalnie odległych skupień
d. uniknięcia tendencyjności w ocenie jakości modelu
b. wyeliminowania wzajemnych zależności między zmiennymi
c. ustalenia optymalnego momentu przerwania uczenia modelu
d. uniknięcia tendencyjności w ocenie jakości modelu