Pytania i odpowiedzi
Programowanie systemów rozproszonych
1.
Przycinanie drzew decyzyjnych stosuje się w celu:
uniknięcia przeuczenia i skomplikowania modelu
2.
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
rombów
3.
Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:
optymalizacji
4.
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
podział przestrzeni wejść na dwie półprzestrzenie
5.
Technika k-krotnej walidacji krzyżowej służy do:
uniknięcia tendencyjności w ocenie jakości modelu
6.
Problem klasyfikacyjny polega na:
prognozowaniu kategorii obserwacji na podstawie jej cech
7.
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
8.
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
9.
.Argumentem funkcji aktywacji neuronu typu RBF jest
odległość wektorów: wejściowego x i wag w
10.
Przeuczenie modelu (overfitting) można rozpoznać po tym, że
w procesie uczenia zaczyna rosnąć błąd dla próby testowej
11.
Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest
wygenerowanie histogramów zmiennych ciągłych
12.
.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę
regresji liniowej
13.
Metoda wzmacniania gradientowego (gradient boosting) służy do
budowania mocnego modelu złożonego z wielu słabszych modeli
14.
Problem klasteryzacyjny polega na
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
15.
Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów
algorytm CART (drzewa klasyfikacyjne i regresyjne)
16.
Poszukiwanie zbiorów częstych jest pierwszym etapem
algorytmu A priori
17.
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
algorytm k-średnich
18.
Aglomeracyjne metody klasteryzacji polegają na
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
19.
Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji
klasyfikacji bezwzorcowej (grupowania)
20.
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Modelowanie - Ewaluacja - Wdrożenie
21.
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza
uogólnienie pojęcia macierzy na wiele wymiarów
22.
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu
najbliższych pod względem prognozowanej wartości
23.
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda k-średnich
24.
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
zamianę zmiennych kategorycznych na ciągłe
25.
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
każdy obiekt tworzy osobne skupienie
26.
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
minimum błędu dla ciągu walidacyjnego
27.
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
28.
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
29.
Hiperparametrami modelu nazywa się parametry, które:
sterują przebiegiem procesu uczenia modelu
30.
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
obserwacji obejmujących cechy
31.
Problem regresyjny polega na:
prognozowaniu wartości na podstawie obserwowanych cech