Strona 1
morajda sys rozproszoe
Pytanie 1
Aglomeracyjne metody klasteryzacji polegają na:
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
Pytanie 2
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
warstwę wejściową rozprowadzającą sygnały do sieci
wyspecjalizowany rodzaj neuronów przetwarzających obraz
uogólnienie pojęcia macierzy na wiele wymiarów
wektor wskazujący kierunek najszybszego spadku błędu sieci
Pytanie 3
Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:
eksploracji danych zapisanych w chromosomach roślin i zwierząt
poszukiwania reguł asocjacyjnych
regresji
optymalizacji
Pytanie 4
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
0,75
0,75
0,5
Pytanie 5
Przeuczenie modelu (overfitting) można rozpoznać po tym, że:
trafność predykcji modelu przekracza poziom 99.73%
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
Pytanie 6
Problem klasteryzacyjny polega na:
poszukiwaniu granic oddzielających obserwacje różnych klas
algorytmu wstecznej propagacji błędów
grupowaniu cech obserwacji w skorelowane ze sobą zespoły
predykcji przynależności danej obserwacji do różnych klas
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
Pytanie 7
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
warstwę wejściową rozprowadzającą sygnały do sieci
wyspecjalizowany rodzaj neuronów przetwarzających obraz
wektor wskazujący kierunek najszybszego spadku błędu sieci
uogólnienie pojęcia macierzy na wiele wymiarów
Pytanie 8
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:
leżących w tym samym wymiarze przestrzeni
najbliższych pod względem cech wejściowych
najbliższych pod względem prognozowanej wartości
należących do tego samego klastra