Strona 2
Artificial Intelligence_aka_szogun
Pytanie 9
9. Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
a. obrotu w przestrzeni cech
d. ekstrakcji cech
b. redukcji wymiarowości
c. regresji liniowej
Pytanie 10
10. Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
c. Modelowanie - Wdrożenie - Ewaluacja
a. Wdrożenie - Ewaluacja - Modelowanie
b. Modelowanie - Ewaluacja - Wdrożenie
d. Ewaluacja - Modelowanie - Wdrożenie
Pytanie 11
11. Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
c. bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
a. brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
d. brak zdolności do modelowania zjawisk nieliniowych
b. nieparametryczność
Pytanie 12
12. Hiperparametrami modelu nazywa się parametry, które:
c. mogą zmieniać się w bardzo szerokim zakresie wartości
d. sterują przebiegiem procesu uczenia modelu
a. opisują wagi połączeń pomiędzy całymi warstwami sieci
b. są dopasowywane podczas uczenia do danych wejściowych
Pytanie 13
13. Metoda wzmacniania gradientowego (gradient boosting) służy do:
d. generowania dodatkowych sztucznych próbek w zbiorach uczących
b. przyspieszania procesu uczenia głębokich sieci neuronowych
c. budowania mocnego modelu złożonego z wielu słabszych modeli
a. zwiększania kontrastu pomiędzy blisko leżącymi klastrami
Pytanie 14
14. Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
a. zakończenia działania algorytmu uczącego
b. zidentyfikowania minimum lokalnego funkcji błędu uczącego
d. minimum błędu dla ciągu walidacyjnego
c. minimum błędu dla ciągu uczącego
Pytanie 15
15. 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:
c. -1
a. 1
b. 2
d. 0
Pytanie 16
16. Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest:
d. zliczenie wystąpień wartości zmiennych nominalnych
c. wizualne porównanie współzależności par zmiennych
b. użycie metod nienadzorowanej klasteryzacji
a. wygenerowanie histogramów zmiennych ciągłych