Twój wynik: Egzamin uek 2022 PSI
Twój wynik
Wszystkie ({{dataStorage.userResults.answersTotal}})
Prawidłowe ({{dataStorage.userResults.answersGood}})
Błędne ({{dataStorage.userResults.answersBad}})
Pytanie 1
Proces uczenia sieci neuronowej wiąże się (w kolejnych iteracjach algorytmu uczenia) z modyfikacją:
wzorców (przykładów) w zbiorze uczącym
współczynników funkcji błędu
wag neuronów
współczynników funkcji aktywacji
Pytanie 2
MLP to skrót nazwy następującego narzędzia eksploracji danych
sieć neuronowa typu perceptron wielowarstwowy
multiple linear prediction
liniowa regresja wieloraka
metoda liniowej prognozy
Pytanie 3
Liczba warstw UKRYTYCH w sieci neuronowej typu RBF wynosi?
dokładnie 5
dokładnie 1
dokładnie 3
dokładnie 4
Pytanie 4
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
obserwacji obejmujących cechy
instancji zgrupowanych w kategorie
obiektów posiadających atrybuty
klas zawierających instancje
Pytanie 5
Problem regresyjny polega na:
prognozowaniu wartości na podstawie obserwowanych cech
dopasowaniu współczynników modelu do obserwacji uczących
znajdowaniu prostej najlepiej dopasowanej do obserwacji
poszukiwaniu korelacji między zmiennymi wejściowymi
Pytanie 6
Przycinanie drzew decyzyjnych stosuje się w celu:
redukcji liczby klas
ponownego przeprowadzenia podziału w miejscu cięcia
uniknięcia przeuczenia i skomplikowania modelu
eliminacji zmiennych nieistotnych
Pytanie 7
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
kardioid
rombów
Trójkątów
elips
Pytanie 8
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
podział przestrzeni wejść na dwie półprzestrzenie
klasyfikacja pojedynczej cechy wejściowej
rozpoznawanie jednego przypadku w zbiorze
rozpoznawanie jednej ze znanych klas w zbiorze
Pytanie 9
Problem klasyfikacyjny polega na:
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
ustaleniu optymalnej liczby klas, do których należą obserwacje
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
prognozowaniu kategorii obserwacji na podstawie jej cech
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:
0,75
0,25
1
0,5
Pytanie 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]
trafność predykcji modelu przekracza poziom 99.73%
liczba błędnie zaklasyfikowanych przypadków spada do 0
szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach
Pytanie 12
Problem klasteryzacyjny polega na:
predykcji przynależności danej obserwacji do różnych klas
poszukiwaniu granic oddzielających obserwacje różnych klas
grupowaniu cech obserwacji w skorelowane ze sobą zespoły
algorytmu wstecznej propagacji błędów
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
Pytanie 13
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:
leżących w tym samym wymiarze przestrzeni
należących do tego samego klastra
najbliższych pod względem cech wejściowych
najbliższych pod względem prognozowanej wartości
Pytanie 14
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda średnich połączeń
metoda k-średnich
metoda najdalszego sąsiedztwa - chyba
metoda pojedynczego wiązania
Pytanie 15
Poszukiwanie zbiorów częstych jest pierwszym etapem:
algorytmu wstecznej propagacji błędów
algorytmu k-średnich
algorytmu k-najbliższych sąsiadów
algorytmu A priori
Pytanie 16
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 17
Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji:
klasyfikacji bezwzorcowej (grupowania)
prognozowania lub szacowania wartości
klasyfikacji wzorcowej
analizy szeregów czasowych
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 PCA (analiza głównych składowych)
algorytm CART (drzewa klasyfikacyjne i regresyjne)
algorytm k-średnich
Pytanie 19
Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest:
wizualne porównanie współzależności par zmiennych
zliczenie wystąpień wartości zmiennych nominalnych
użycie metod nienadzorowanej klasteryzacji
wygenerowanie histogramów zmiennych ciągłych
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:
1
2
-1
0
Pytanie 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 uczącego
zakończenia działania algorytmu uczącego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
Pytanie 22
Metoda wzmacniania gradientowego (gradient boosting) służy do:
zwiększania kontrastu pomiędzy blisko leżącymi klastrami
przyspieszania procesu uczenia głębokich sieci neuronowych
budowania mocnego modelu złożonego z wielu słabszych modeli
generowania dodatkowych sztucznych próbek w zbiorach uczących
Pytanie 23
Hiperparametrami modelu nazywa się parametry, które:
mogą zmieniać się w bardzo szerokim zakresie wartości
są dopasowywane podczas uczenia do danych wejściowych
sterują przebiegiem procesu uczenia modelu
opisują wagi połączeń pomiędzy całymi warstwami sieci
Pytanie 24
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
brak zdolności do modelowania zjawisk nieliniowych
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
nieparametryczność
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
Pytanie 25
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Modelowanie - Ewaluacja - Wdrożenie
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Wdrożenie - Ewaluacja
Wdrożenie - Ewaluacja - Modelowanie
Pytanie 26
Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
redukcji wymiarowości
obrotu w przestrzeni cech
regresji liniowej
ekstrakcji cech
Pytanie 27
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: "biały","czerwony", "niebieski". Dany problem zaliczamy do zadań:
klasyfikacji bezwzorcowej (grupowania)
klasyfikacji wzorcowej
regresyjnych (szacowanie, predykcja)
poszukiwania reguł asocjacyjnych
Pytanie 28
Argumentem funkcji aktywacji neuronu typu RBF jest
iloczyn skalarny wektorów: wejściowego x i wag w
suma sygnałów x1 + x2 + ... wektora wejściowego x
ważona liczba wejść danego neuronu
odległość wektorów: wejściowego x i wag w
Pytanie 29
Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
wszystkie obiekty tworzą jedno skupenie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
każdy obiekt tworzy osobne skupienie
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
Pytanie 30
Technika k-krotnej walidacji krzyżowej służy do:
klasteryzacji zbioru na k maksymalnie odległych skupień
uniknięcia tendencyjności w ocenie jakości modelu
wyeliminowania wzajemnych zależności między zmiennymi
ustalenia optymalnego momentu przerwania uczenia modelu
Pytanie 31
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
sieć neuronowa typu RBF
algorytm k-średnich
liniowa regresja wieloraka
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
Pytanie 32
Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:
eksploracji danych zapisanych w chromosomach roślin i zwierząt
optymalizacji
regresji
poszukiwania reguł asocjacyjnych
Pytanie 33
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
uogólnienie pojęcia macierzy na wiele wymiarów
warstwę wejściową rozprowadzającą sygnały do sieci
wektor wskazujący kierunek najszybszego spadku błędu sieci
wyspecjalizowany rodzaj neuronów przetwarzających obraz
Pytanie 34
Aglomeracyjne metody klasteryzacji polegają na
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
Pytanie 35
Argumentem funkcji aktywacji neuronu typu MLP (w sieci perceptronowej) 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 36
Która z wymienionych metod NIE jest stosowana w procesie analizy skupień (grupowania)
metody aglomeracyjne (generujące dendrogram)
sieć neuronowa Kohonena (Typu SOM)
algorytm k-najbliższych sąsiadów
algorytm k-średnich
Pytanie 37
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
sieć neuronowa tupu PERCEPTRON WIELOWARSTWOWY
sieć neuronowa typu RBF
liniowa regresja wieloraka
algorytm A-priori