Strona 4

Programowanie systemów rozproszonych

Przejdź na Memorizer+
W trybie testu zyskasz:
Brak reklam
Quiz powtórkowy - pozwoli Ci opanować pytania, których nie umiesz
Więcej pytań na stronie testu
Wybór pytań do ponownego rozwiązania
Trzy razy bardziej pojemną historię aktywności
Wykup dostęp
Pytanie 25
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
wszystkie obiekty tworzą jedno skupienie
każdy obiekt tworzy osobne skupienie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
Pytanie 26
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
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
zakończenia działania algorytmu uczącego
Pytanie 27
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
nieparametryczność
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
brak zdolności do modelowania zjawisk nieliniowych
Pytanie 28
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji bezwzorcowej (grupowania)
poszukiwania reguł asocjacyjnych
klasyfikacji wzorcowej
regresyjnych (szacowanie, predykcja)
Pytanie 29
Hiperparametrami modelu nazywa się parametry, które:
mogą zmieniać się w bardzo szerokim zakresie wartości
są dopasowywane podczas uczenia do danych wejściowych
opisują wagi połączeń pomiędzy całymi warstwami sieci
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