Twój wynik: Programowanie systemów rozproszonych
Twój wynik
Wszystkie ({{dataStorage.userResults.answersTotal}})
Prawidłowe ({{dataStorage.userResults.answersGood}})
Błędne ({{dataStorage.userResults.answersBad}})
Pytanie 1
Przycinanie drzew decyzyjnych stosuje się w celu:
uniknięcia przeuczenia i skomplikowania modelu
eliminacji zmiennych nieistotnych
redukcji liczby klas
ponownego przeprowadzenia podziału w miejscu cięcia
Pytanie 2
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
trójkątów
kardioid
rombów
elips
Pytanie 3
Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:
optymalizacji
poszukiwania reguł asocjacyjnych
regresji
eksploracji danych zapisanych w chromosomach roślin i zwierząt
Pytanie 4
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
podział przestrzeni wejść na dwie półprzestrzenie
rozpoznawanie jednego przypadku w zbiorze
ozpoznawanie jednej ze znanych klas w zbiorze
klasyfikacja pojedynczej cechy wejściowej
Pytanie 5
Technika k-krotnej walidacji krzyżowej służy do:
klasteryzacji zbioru na k maksymalnie odległych skupień
uniknięcia tendencyjności w ocenie jakości modelu
ustalenia optymalnego momentu przerwania uczenia modelu
wyeliminowania wzajemnych zależności między zmiennymi
Pytanie 6
Problem klasyfikacyjny polega na:
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
prognozowaniu kategorii obserwacji na podstawie jej cech
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
ustaleniu optymalnej liczby klas, do których należą obserwacje
Pytanie 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:
-1
2
1
0
Pytanie 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:
0,25
1
0,75
0,5
Pytanie 9
.Argumentem funkcji aktywacji neuronu typu RBF jest
ważona liczba wejść danego neuronu
iloczyn skalarny wektorów: wejściowego x i wag w
odległość wektorów: wejściowego x i wag w
suma sygnałów x1 + x2 + ... wektora wejściowego x
Pytanie 10
Przeuczenie modelu (overfitting) można rozpoznać po tym, że
szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach
w procesie uczenia zaczyna rosnąć błąd dla próby testowej
liczba błędnie zaklasyfikowanych przypadków spada do 0
trafność predykcji modelu przekracza poziom 99.73%
Pytanie 11
Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest
zliczenie wystąpień wartości zmiennych nominalnych
wygenerowanie histogramów zmiennych ciągłych
użycie metod nienadzorowanej klasteryzacji
wizualne porównanie współzależności par zmiennych
Pytanie 12
.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę
redukcji wymiarowości
obrotu w przestrzeni cech
ekstrakcji cech
regresji liniowej
Pytanie 13
Metoda wzmacniania gradientowego (gradient boosting) służy do
przyspieszania procesu uczenia głębokich sieci neuronowych
generowania dodatkowych sztucznych próbek w zbiorach uczących
zwiększania kontrastu pomiędzy blisko leżącymi klastrami
budowania mocnego modelu złożonego z wielu słabszych modeli
Pytanie 14
Problem klasteryzacyjny polega na
predykcji przynależności danej obserwacji do różnych klas
grupowaniu cech obserwacji w skorelowane ze sobą zespoły
poszukiwaniu granic oddzielających obserwacje różnych klas
algorytmu wstecznej propagacji błędów
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
Pytanie 15
Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów
algorytm Kohonena (sieć neuronowa typu SOM)
algorytm k-średnich
algorytm CART (drzewa klasyfikacyjne i regresyjne)
algorytm PCA (analiza głównych składowych)
Pytanie 16
Poszukiwanie zbiorów częstych jest pierwszym etapem
algorytmu k-średnich
algorytmu wstecznej propagacji błędów
algorytmu A priori
algorytmu k-najbliższych sąsiadów
Pytanie 17
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
sieć neuronowa typu RBF
algorytm k-średnich
liniowa regresja wieloraka
Pytanie 18
Aglomeracyjne metody klasteryzacji polegają na
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
Pytanie 19
Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji
klasyfikacji bezwzorcowej (grupowania)
prognozowania lub szacowania wartości
analizy szeregów czasowych
klasyfikacji wzorcowej
Pytanie 20
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Wdrożenie - Ewaluacja - Modelowanie
Modelowanie - Wdrożenie - Ewaluacja
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie
Pytanie 21
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza
wektor wskazujący kierunek najszybszego spadku błędu sieci
uogólnienie pojęcia macierzy na wiele wymiarów
wyspecjalizowany rodzaj neuronów przetwarzających obraz
warstwę wejściową rozprowadzającą sygnały do sieci
Pytanie 22
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu
najbliższych pod względem cech wejściowych
leżących w tym samym wymiarze przestrzeni
należących do tego samego klastra
najbliższych pod względem prognozowanej wartości
Pytanie 23
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda średnich połączeń
metoda najdalszego sąsiedztwa
metoda k-średnich
metoda pojedynczego wiązania
Pytanie 24
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
zamianę zmiennych kategorycznych na ciągłe
zmniejszenie liczby wymiarów do dwóch
prognozowanie stopnia przynależności do klasy
zredukowanie liczby klas do jednej
Pytanie 25
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
każdy obiekt tworzy osobne skupienie
wszystkie obiekty tworzą jedno skupienie
Pytanie 26
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zakończenia działania algorytmu uczącego
minimum błędu dla ciągu walidacyjnego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu uczącego
Pytanie 27
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
brak zdolności do modelowania zjawisk nieliniowych
nieparametryczność
Pytanie 28
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
poszukiwania reguł asocjacyjnych
regresyjnych (szacowanie, predykcja)
klasyfikacji bezwzorcowej (grupowania)
Pytanie 29
Hiperparametrami modelu nazywa się parametry, które:
opisują wagi połączeń pomiędzy całymi warstwami sieci
są dopasowywane podczas uczenia do danych wejściowych
mogą zmieniać się w bardzo szerokim zakresie wartości
sterują przebiegiem procesu uczenia modelu
Pytanie 30
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
obiektów posiadających atrybuty
klas zawierających instancje
obserwacji obejmujących cechy
instancji zgrupowanych w kategorie
Pytanie 31
Problem regresyjny polega na:
poszukiwaniu korelacji między zmiennymi wejściowymi
dopasowaniu współczynników modelu do obserwacji uczących
znajdowaniu prostej najlepiej dopasowanej do obserwacji
prognozowaniu wartości na podstawie obserwowanych cech