Podsumowanie: Egzamin uek 2022 PSI

Pytanie 1

Proces uczenia sieci neuronowej wiąże się (w kolejnych iteracjach algorytmu uczenia) z modyfikacją:

współczynników funkcji błędu

wag neuronów

współczynników funkcji aktywacji

wzorców (przykładów) w zbiorze uczącym

Pytanie 2

MLP to skrót nazwy następującego narzędzia eksploracji danych

multiple linear prediction

liniowa regresja wieloraka

metoda liniowej prognozy

sieć neuronowa typu perceptron wielowarstwowy

Pytanie 3

Liczba warstw UKRYTYCH w sieci neuronowej typu RBF wynosi?

dokładnie 1

dokładnie 5

dokładnie 4

dokładnie 3

Pytanie 4

Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:

klas zawierających instancje

obserwacji obejmujących cechy

instancji zgrupowanych w kategorie

obiektów posiadających atrybuty

Pytanie 5

Problem regresyjny polega na:

prognozowaniu wartości na podstawie obserwowanych cech

poszukiwaniu korelacji między zmiennymi wejściowymi

znajdowaniu prostej najlepiej dopasowanej do obserwacji

dopasowaniu współczynników modelu do obserwacji uczących

Pytanie 6

Przycinanie drzew decyzyjnych stosuje się w celu:

ponownego przeprowadzenia podziału w miejscu cięcia

eliminacji zmiennych nieistotnych

redukcji liczby klas

uniknięcia przeuczenia i skomplikowania modelu

Pytanie 7

Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:

elips

Trójkątów

rombów

kardioid

Pytanie 8

Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:

rozpoznawanie jednego przypadku w zbiorze

klasyfikacja pojedynczej cechy wejściowej

podział przestrzeni wejść na dwie półprzestrzenie

rozpoznawanie jednej ze znanych klas w zbiorze

Pytanie 9

Problem klasyfikacyjny polega na:

rozróżnianiu obserwowanych cech na wejściowe i wyjściowe

prognozowaniu kategorii obserwacji na podstawie jej cech

ustaleniu optymalnej liczby klas, do których należą obserwacje

poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas

Pytanie 10

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:

0,5

0,75

1

0,25

Pytanie 11

Przeuczenie modelu (overfitting) można rozpoznać po tym, że:

trafność predykcji modelu przekracza poziom 99.73%

liczba błędnie zaklasyfikowanych przypadków spada do 0

szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach

w procesie uczenia zaczyna rosnąć błąd dla próby testowej - chyba? [ale przeuczenie można rozpoznać po zakończonym uczeniu]

Pytanie 12

Problem klasteryzacyjny polega na:

algorytmu wstecznej propagacji błędów

poszukiwaniu granic oddzielających obserwacje różnych klas

predykcji przynależności danej obserwacji do różnych klas

grupowaniu cech obserwacji w skorelowane ze sobą zespoły

identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa

Pytanie 13

Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:

należących do tego samego klastra

leżących w tym samym wymiarze przestrzeni

najbliższych pod względem prognozowanej wartości

najbliższych pod względem cech wejściowych

Pytanie 14

Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:

metoda k-średnich

metoda średnich połączeń

metoda najdalszego sąsiedztwa - chyba

metoda pojedynczego wiązania

Pytanie 15

Poszukiwanie zbiorów częstych jest pierwszym etapem:

algorytmu k-najbliższych sąsiadów

algorytmu A priori

algorytmu k-średnich

algorytmu wstecznej propagacji błędów

Pytanie 16

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

Pytanie 17

Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji:

klasyfikacji bezwzorcowej (grupowania)

klasyfikacji wzorcowej

analizy szeregów czasowych

prognozowania lub szacowania wartości

Pytanie 18

Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów:

algorytm Kohonena (sieć neuronowa typu

algorytm k-średnich

algorytm CART (drzewa klasyfikacyjne i regresyjne)

algorytm PCA (analiza głównych składowych)

Pytanie 19

Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest:

zliczenie wystąpień wartości zmiennych nominalnych

wygenerowanie histogramów zmiennych ciągłych

wizualne porównanie współzależności par zmiennych

użycie metod nienadzorowanej klasteryzacji

Pytanie 20

Klasyczny (perceptronowy) model neuronu posiada dwa wejścia o wagach w1=1, w2=2, na które podano odpowiednio sygnały x1=−1, x2=+1. Funkcja aktywacji jest funkcją liniową postaci y=2x. Sygnał wyjściowy neuronu wynosi:

2

1

-1

0

Pytanie 21

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 uczącego

minimum błędu dla ciągu walidacyjnego

Pytanie 22

Metoda wzmacniania gradientowego (gradient boosting) służy do:

generowania dodatkowych sztucznych próbek w zbiorach uczących

budowania mocnego modelu złożonego z wielu słabszych modeli

przyspieszania procesu uczenia głębokich sieci neuronowych

zwiększania kontrastu pomiędzy blisko leżącymi klastrami

Pytanie 23

Hiperparametrami modelu nazywa się parametry, które:

mogą zmieniać się w bardzo szerokim zakresie wartości

sterują przebiegiem procesu uczenia modelu

są dopasowywane podczas uczenia do danych wejściowych

opisują wagi połączeń pomiędzy całymi warstwami sieci

Pytanie 24

Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:

nieparametryczność

brak zdolności do modelowania zjawisk nieliniowych

bardzo długi czas reakcji (odpowiedzi) nauczonej sieci

brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi

Pytanie 25

Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:

Modelowanie - Wdrożenie - Ewaluacja

Ewaluacja - Modelowanie - Wdrożenie

Modelowanie - Ewaluacja - Wdrożenie

Wdrożenie - Ewaluacja - Modelowanie

Pytanie 26

Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:

regresji liniowej

redukcji wymiarowości

ekstrakcji cech

obrotu w przestrzeni cech

Pytanie 27

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)

klasyfikacji wzorcowej

regresyjnych (szacowanie, predykcja)

Pytanie 28

Argumentem funkcji aktywacji neuronu typu RBF jest

suma sygnałów x1 + x2 + ... wektora wejściowego x

odległość wektorów: wejściowego x i wag w

iloczyn skalarny wektorów: wejściowego x i wag w

ważona liczba wejść danego neuronu

Pytanie 29

Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:

obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana

wszystkie obiekty tworzą jedno skupenie

każdy obiekt tworzy osobne skupienie

obiekty podzielone są wstępnie przy użyciu innej metody grupowania

Pytanie 30

Technika k-krotnej walidacji krzyżowej służy do:

wyeliminowania wzajemnych zależności między zmiennymi

klasteryzacji zbioru na k maksymalnie odległych skupień

ustalenia optymalnego momentu przerwania uczenia modelu

uniknięcia tendencyjności w ocenie jakości modelu

Pytanie 31

Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:

sieć neuronowa typu RBF

liniowa regresja wieloraka

algorytm k-średnich

sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY

Pytanie 32

Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:

optymalizacji

poszukiwania reguł asocjacyjnych

eksploracji danych zapisanych w chromosomach roślin i zwierząt

regresji

Pytanie 33

Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:

wyspecjalizowany rodzaj neuronów przetwarzających obraz

wektor wskazujący kierunek najszybszego spadku błędu sieci

uogólnienie pojęcia macierzy na wiele wymiarów

warstwę wejściową rozprowadzającą sygnały do sieci

Pytanie 34

Aglomeracyjne metody klasteryzacji polegają na

iteracyjnym dzieleniu klastrów na najbardziej odległe połowy

stopniowym ograniczaniu klastrów poprzez usuwanie outlierów

krokowym dodawaniu linii dzielących klastry w optymalnym miejscu

przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów

Pytanie 35

Argumentem funkcji aktywacji neuronu typu MLP (w sieci perceptronowej) jest :

suma sygnałów x1 + x2 + ... wektora wejściowego x

ważona liczba wejść danego neuronu

odległość wektorów: wejściowego x i wag w

iloczyn skalarny wektorów: wejściowego x i wag w

Pytanie 36

Która z wymienionych metod NIE jest stosowana w procesie analizy skupień (grupowania)

sieć neuronowa Kohonena (Typu SOM)

algorytm k-najbliższych sąsiadów

algorytm k-średnich

metody aglomeracyjne (generujące dendrogram)

Pytanie 37

Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych

algorytm A-priori

sieć neuronowa typu RBF

liniowa regresja wieloraka

sieć neuronowa tupu PERCEPTRON WIELOWARSTWOWY

Twój wynik: Egzamin uek 2022 PSI

Analiza