Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
minimum błędu dla ciągu uczącego
zakończenia działania algorytmu uczącego
minimum błędu dla ciągu walidacyjnego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
Metoda wzmacniania gradientowego (gradient boosting) służy do:
generowania dodatkowych sztucznych próbek w zbiorach uczących
przyspieszania procesu uczenia głębokich sieci neuronowych
zwiększania kontrastu pomiędzy blisko leżącymi klastrami
budowania mocnego modelu złożonego z wielu słabszych modeli
budowania mocnego modelu złożonego z wielu słabszych modeli
Hiperparametrami modelu nazywa się parametry, które:
mogą zmieniać się w bardzo szerokim zakresie wartości
opisują wagi połączeń pomiędzy całymi warstwami sieci
są dopasowywane podczas uczenia do danych wejściowych
sterują przebiegiem procesu uczenia modelu
sterują przebiegiem procesu uczenia modelu
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
brak zdolności do modelowania zjawisk nieliniowych
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
nieparametryczność
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Wdrożenie - Ewaluacja - Modelowanie
Modelowanie - Ewaluacja - Wdrożenie
Modelowanie - Wdrożenie - Ewaluacja
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie
Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
redukcji wymiarowości
regresji liniowej
obrotu w przestrzeni cech
ekstrakcji cech
regresji liniowej
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: "biały","czerwony", "niebieski". Dany problem zaliczamy do zadań:
regresyjnych (szacowanie, predykcja)
klasyfikacji bezwzorcowej (grupowania)
poszukiwania reguł asocjacyjnych
klasyfikacji wzorcowej
klasyfikacji wzorcowej
Argumentem funkcji aktywacji neuronu typu RBF jest
suma sygnałów x1 + x2 + ... wektora wejściowego x
iloczyn skalarny wektorów: wejściowego x i wag w
ważona liczba wejść danego neuronu
odległość wektorów: wejściowego x i wag w
odległość wektorów: wejściowego x i wag w
Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
wszystkie obiekty tworzą jedno skupenie
każdy obiekt tworzy osobne skupienie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
każdy obiekt tworzy osobne skupienie
Technika k-krotnej walidacji krzyżowej służy do:
klasteryzacji zbioru na k maksymalnie odległych skupień
ustalenia optymalnego momentu przerwania uczenia modelu
wyeliminowania wzajemnych zależności między zmiennymi
uniknięcia tendencyjności w ocenie jakości modelu
uniknięcia tendencyjności w ocenie jakości modelu
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
algorytm k-średnich
liniowa regresja wieloraka
sieć neuronowa typu RBF
algorytm k-średnich
Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:
poszukiwania reguł asocjacyjnych
optymalizacji
eksploracji danych zapisanych w chromosomach roślin i zwierząt
regresji
optymalizacji
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
wektor wskazujący kierunek najszybszego spadku błędu sieci
wyspecjalizowany rodzaj neuronów przetwarzających obraz
warstwę wejściową rozprowadzającą sygnały do sieci
uogólnienie pojęcia macierzy na wiele wymiarów
uogólnienie pojęcia macierzy na wiele wymiarów
Aglomeracyjne metody klasteryzacji polegają na
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
Argumentem funkcji aktywacji neuronu typu MLP (w sieci perceptronowej) jest :
iloczyn skalarny wektorów: wejściowego x i wag w
odległość wektorów: wejściowego x i wag w
ważona liczba wejść danego neuronu
suma sygnałów x1 + x2 + ... wektora wejściowego x
ważona liczba wejść danego neuronu
Która z wymienionych metod NIE jest stosowana w procesie analizy skupień (grupowania)
sieć neuronowa Kohonena (Typu SOM)
metody aglomeracyjne (generujące dendrogram)
algorytm k-średnich
algorytm k-najbliższych sąsiadów
algorytm k-najbliższych sąsiadów
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
