Fiszki
Programowanie systemów rozproszonych
Test w formie fiszek
Ilość pytań: 31
Rozwiązywany: 1101 razy
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza
uogólnienie pojęcia macierzy na wiele wymiarów
wyspecjalizowany rodzaj neuronów przetwarzających obraz
warstwę wejściową rozprowadzającą sygnały do sieci
wektor wskazujący kierunek najszybszego spadku błędu sieci
uogólnienie pojęcia macierzy na wiele wymiarów
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu
należących do tego samego klastra
najbliższych pod względem prognozowanej wartości
leżących w tym samym wymiarze przestrzeni
najbliższych pod względem cech wejściowych
najbliższych pod względem prognozowanej wartości
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda pojedynczego wiązania
metoda k-średnich
metoda najdalszego sąsiedztwa
metoda średnich połączeń
metoda k-średnich
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
zmniejszenie liczby wymiarów do dwóch
prognozowanie stopnia przynależności do klasy
zredukowanie liczby klas do jednej
zamianę zmiennych kategorycznych na ciągłe
zamianę zmiennych kategorycznych na ciągłe
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
wszystkie obiekty tworzą jedno skupienie
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
każdy obiekt tworzy osobne skupienie
każdy obiekt tworzy osobne skupienie
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zakończenia działania algorytmu uczącego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
minimum błędu dla ciągu uczącego
minimum błędu dla ciągu walidacyjnego
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
nieparametryczność
brak zdolności do modelowania zjawisk nieliniowych
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
poszukiwania reguł asocjacyjnych
klasyfikacji bezwzorcowej (grupowania)
regresyjnych (szacowanie, predykcja)
klasyfikacji wzorcowej
klasyfikacji wzorcowej
Hiperparametrami modelu nazywa się parametry, które:
są dopasowywane podczas uczenia do danych wejściowych
mogą zmieniać się w bardzo szerokim zakresie wartości
opisują wagi połączeń pomiędzy całymi warstwami sieci
sterują przebiegiem procesu uczenia modelu
sterują przebiegiem procesu uczenia modelu
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
obiektów posiadających atrybuty
instancji zgrupowanych w kategorie
obserwacji obejmujących cechy
klas zawierających instancje
obserwacji obejmujących cechy
Problem regresyjny polega na:
znajdowaniu prostej najlepiej dopasowanej do obserwacji
dopasowaniu współczynników modelu do obserwacji uczących
poszukiwaniu korelacji między zmiennymi wejściowymi
prognozowaniu wartości na podstawie obserwowanych cech
prognozowaniu wartości na podstawie obserwowanych cech