Pytania i odpowiedzi
Egzamin uek 2022 PSI
1.
Proces uczenia sieci neuronowej wiąże się (w kolejnych iteracjach algorytmu uczenia) z modyfikacją:
wag neuronów
2.
MLP to skrót nazwy następującego narzędzia eksploracji danych
sieć neuronowa typu perceptron wielowarstwowy
3.
Liczba warstw UKRYTYCH w sieci neuronowej typu RBF wynosi?
dokładnie 1
4.
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
obserwacji obejmujących cechy
5.
Problem regresyjny polega na:
prognozowaniu wartości na podstawie obserwowanych cech
6.
Przycinanie drzew decyzyjnych stosuje się w celu:
uniknięcia przeuczenia i skomplikowania modelu
7.
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
rombów
8.
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
podział przestrzeni wejść na dwie półprzestrzenie
9.
Problem klasyfikacyjny polega na:
prognozowaniu kategorii obserwacji na podstawie jej cech
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
11.
Przeuczenie modelu (overfitting) można rozpoznać po tym, że:
w procesie uczenia zaczyna rosnąć błąd dla próby testowej - chyba? [ale przeuczenie można rozpoznać po zakończonym uczeniu]
12.
Problem klasteryzacyjny polega na:
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
13.
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:
najbliższych pod względem cech wejściowych
14.
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda k-średnich
15.
Poszukiwanie zbiorów częstych jest pierwszym etapem:
algorytmu A priori
16.
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
zamianę zmiennych kategorycznych na ciągłe
17.
Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji:
klasyfikacji bezwzorcowej (grupowania)
18.
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)
19.
Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest:
użycie metod nienadzorowanej klasteryzacji
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
21.
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
22.
Metoda wzmacniania gradientowego (gradient boosting) służy do:
budowania mocnego modelu złożonego z wielu słabszych modeli
23.
Hiperparametrami modelu nazywa się parametry, które:
sterują przebiegiem procesu uczenia modelu
24.
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
25.
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Modelowanie - Ewaluacja - Wdrożenie
26.
Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
regresji liniowej
27.
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: "biały","czerwony", "niebieski". Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
28.
Argumentem funkcji aktywacji neuronu typu RBF jest
odległość wektorów: wejściowego x i wag w
29.
Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
każdy obiekt tworzy osobne skupienie
30.
Technika k-krotnej walidacji krzyżowej służy do:
uniknięcia tendencyjności w ocenie jakości modelu
31.
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
algorytm k-średnich
32.
Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:
optymalizacji
33.
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
uogólnienie pojęcia macierzy na wiele wymiarów
34.
Aglomeracyjne metody klasteryzacji polegają na
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
35.
Argumentem funkcji aktywacji neuronu typu MLP (w sieci perceptronowej) jest :
ważona liczba wejść danego neuronu
36.
Która z wymienionych metod NIE jest stosowana w procesie analizy skupień (grupowania)
algorytm k-najbliższych sąsiadów
37.
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
algorytm A-priori