Strona 1
Programowanie systemów rozproszonych
Pytanie 1
Przycinanie drzew decyzyjnych stosuje się w celu:
uniknięcia przeuczenia i skomplikowania modelu
ponownego przeprowadzenia podziału w miejscu cięcia
redukcji liczby klas
eliminacji zmiennych nieistotnych
Pytanie 2
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
rombów
kardioid
elips
trójkątów
Pytanie 3
Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:
poszukiwania reguł asocjacyjnych
eksploracji danych zapisanych w chromosomach roślin i zwierząt
optymalizacji
regresji
Pytanie 4
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
rozpoznawanie jednego przypadku w zbiorze
ozpoznawanie jednej ze znanych klas w zbiorze
klasyfikacja pojedynczej cechy wejściowej
podział przestrzeni wejść na dwie półprzestrzenie
Pytanie 5
Technika k-krotnej walidacji krzyżowej służy do:
klasteryzacji zbioru na k maksymalnie odległych skupień
wyeliminowania wzajemnych zależności między zmiennymi
ustalenia optymalnego momentu przerwania uczenia modelu
uniknięcia tendencyjności w ocenie jakości modelu
Pytanie 6
Problem klasyfikacyjny polega na:
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
prognozowaniu kategorii obserwacji na podstawie jej cech
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
1
2
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
0,5
1
0,75