GDSC TU Introduction to Machine Learning and Its Applications

Post Test | Final Quizizz
Sponsored by:

Introduction to Machine Learning and Its Application

Part 1: Morning Session

Multiple Choice

1.) จากตัวเลือกต่อไปนี้ข้อใดไม่ใช่อัลกอริทึมของ Machine Learning

• Supervised Learning

• Unsupervised Learning

• Semi-unsupervised Learning

• Reinforcement Learning

Clarification | Question 1

Multiple Choice

2.) Machine Learning เป็นส่วนหนึ่งของข้อใดต่อไปนี้

• Artificial Intelligence

• Deep Learning

• Artificial Neural Networks (ANNs)

• Programming

Clarification | Question 2

Multiple Choice

3.) อะไรคือวัตถุประสงค์หลักของ Machine Learning

• เพื่อเขียนโปรแกรมคอมพิวเตอร์ให้สามารถทำงานได้เหมือนมนุษย์

• เพื่อให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูลและปรับปรุงประสิทธิภาพให้ทำงานได้เหมือนมนุษย์

• เพื่อสร้างระบบ AI ที่มีความสามารถเต็มที่เหนือกว่ามนุษย์

• เพื่อพัฒนาอัลกอริทึมที่ซับซ้อนสำหรับการประมวลผลข้อมูล

Multiple Choice

4.) อะไรเป็นโมเดลสำหรับการทำ Binary Classification

• Linear Regression

• Logistic Regression

• Ridge Regression

• Polynomial Regression

• Gaussian Mixture Model

​Clarification | Question 4

Multiple Choice

5.) ข้อไหนไม่ใช่อัลกอลิทึมใน supervised machine learning?

• Decision Tree

• Naïve Bayes Classification

• SVM for Classification

• K-means Clustering

• K-Nearest Neighbors

  (KNN)

​Clarification | Question 5

Multiple Choice

6.) อะไรคือข้อแตกต่างระหว่าง Supervised และ Unsupervised Learning

• Supervised Learning แม่นยำกว่า Unsupervised Learning

• Supervised Learning คือการคาดการณ์ Labels, แต่ Unsupervised Learning คือการค้นหา Patterns

• Supervised Learning สำหรับ Classification, แต่ Unsupervised Learning ใช้สำหรับ Regression

• Supervised Learning ต้องการ Labeled Data, แต่ Unsupervised Learning ไม่ต้องการ

Multiple Choice

7.) Unsupervised Learning คืออัลกอริทึมหนึ่งในข้อใด

• Linear Regression

• Decision Trees

• K-means Clustering

• Random Forest

​Clarification | Question 7

Multiple Choice

8.) นักศึกษากำลังทำนายราคา (cost) บ้านจากขนาด (size) ของบ้านแต่ละหลัง ตัวแปรขนาด (size) เป็นตัวแปรประเภทอะไร?

• Target Variable

• Label Set Variable

• Dependent Variable

• Independent Variable

Multiple Choice

9.) นักศึกษากำลังทำนายราคา (cost) ของมะละกอโดยอิงจากขนาดของมะละกอ ตัวแปรราคา (cost) ในที่นี้คืออะไร?

• Target Variable

• Ranked Variable

• Categorical Variable

• Independent Variable

Multiple Choice

10.) พิจารณาข้อความต่อไปนี้ ข้อใดกล่าวถูกต้อง

(ก): ปัญหา Overfitting เกิดจากตัวโมเดลซับซ้อนมากเกินไป (มีจำนวนพารามีเตอร์เยอะเกินไป)

(ข): โมเดลที่มีค่า Accuracy 99% นับว่าเป็นโมเดลที่ดีเสมอ

• ข้อ (ก.) และ (ข.) ถูกทั้งคู่

• ข้อ (ก.) ถูก แต่ (ข.) ผิด

• ข้อ (ข.) ถูก แต่ (ก.) ผิด

• ข้อ (ก.) และ (ข.) ผิดทั้งคู่

​Clarification | Question 10

Part 2: Afternoon Session

Question 11 | Look at the picture Carefully

Multiple Select

11.) ใน Machine Learning Pipeline ขั้นตอน Preprocessing (แปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมสำหรับการ Train โมเดล) มีวิธีใดบ้าง?

• Web scraping

• Drop Data

• Standardization (Scaling)

• Normalization

• dimensionality reduction

​Clarification | Question 11

Multiple Choice

12.) Library ใดใช้สำหรับการสร้างโมเดล Machine Learning

• Matplotlib

• Pandas

• Sklearn

• Seaborn

• BeautifulSoup

​Clarification | Question 12

4. Seaborn - plot graph (Data Visualizer in Python) (based on matplotlib)

1. ​Matplotlib - plot graph (Data Visualizer in Python)

2. Pandas - data manipulation and analysis (Data Handler)

3. Sklearn - train unsupervised and supervised learning algorithms

5. BeautifulSoup - ดึงข้อมูล (parsing) ไฟล์ HTML และ XML (Web Scraping)

Multiple Choice

13.) ในการทำ Classification (การจำแนกประเภท) ควรใช้เครื่องมืออะไรในการประเมินถึงจะเหมาะสมที่สุด?

• T-Score

• Confusion Matrix

• Hypothesis testing

• MSE (Mean squared error)

​Clarification | Question 13

1. T-score = คะแนนมาตรฐาน (ไว้บอกว่าอยู่ห่างจาก Mean แค่ไหน)
   (ไม่เหมาะกับ Classification)

2. Confusion Matrix - ตารางที่ใช้ประเมินประสิทธิภาพของ Classification Machine Learning

3. Hypothesis testing - การทดสอบสมมติฐาน โดยใช้ข้อมูล sample มาตัดสินใจเลือกสมมติฐาน (H0 หรือ H1) ที่มีข้อมูล sample ที่สนับสนุนมากกว่า (ออกไปทางสถิติ)

4. Mean squared error(L2 Loss) -

   (ไม่เหมาะกับ Classification)

Multiple Choice

14.) ขั้นตอนในการลดปัญหาที่เกิดจากการกระจายของข้อมูลที่ไม่สมดุลคือขั้นตอนอะไร

• Data Mining

• Model Evaluation

• Data Standardization

• EDA (Exploratory Data Analysis)

​Clarification | Question 14

Multiple Select

15.) ทำไมจึงจำเป็นต้อง Clean, Preprocessing, และ Feature Selection ก่อนนำข้อมูลไปเทรนโมเดล?

• เพื่อจัดการกับข้อมูลที่ไม่สม่ำเสมอ (outlier) ใน data set ที่เก็บมา

• เพื่อลบข้อมูลที่ซ้ำซ้อน (duplicate data) ใน data set ที่เก็บมา

• เพื่อปรับช่วงข้อมูลของ features ต่าง ๆ ก่อนจะเทรนโมเดล

• เพื่อแปลงข้อมูลเชิงคุณภาพ (qualitative data) ให้เป็นข้อมูลเชิงปริมาณ (quantitative data)

• เพื่อเตรียมข้อมูลให้อยู่ในรูปแบบที่เหมาะสมต่อการนำไปเทรนโมเดล

​Clarification | Question 15

จัดการกับข้อมูลที่
ขาดหาย, ซ้ำซ้อน (duplicate),
ค่าสุดโต่ง (outlier), NaN, Inf

Data ​Cleaning

Data ​Preprocessing

Feature Selection

แปลงข้อมูลให้อยู่ในรูปแบบที่
เหมาะสมสำหรับการ Train โมเดล

• Imputation (คาดคะเนค่าที่หายไป)

• Drop (ลบข้อมูล)

• Formatting (ทำให้ข้อมูลอยู่ใน
  รูปแบบเดียวกัน → cvs file)

• Standardization

• Normalization

• Encoding categorical features

  (ชาย = 0 , หญิง = 1)

• Generating polynomial features

กระบวนการในการดึงและจัดการ feature จากข้อมูลเพื่อใช้เป็น input สำหรับการ Train model

• Dimensionality reduction: การลด dimension ของข้อมูลเพื่อลดความซับซ้อนของโมเดล

• Feature selection: การเลือกเฉพาะ feature ที่มีความสำคัญจากข้อมูลไปเทรนโมเดล

Multiple Choice

16.) พิจารณาข้อความต่อไปนี้ ข้อใดกล่าวถูกต้อง

(ก): KNN (K-nearest neighbors) จะพิจารณาข้อมูลที่มีระยะห่างใกล้เคียงที่สุด K ตัวอย่างกับข้อมูลที่ต้องการจำแนก โดยแบ่งประเภทจากความถี่ที่มากที่สุดของคลาสในข้อมูลตัวอย่าง
(ข): K-mean ไม่จำเป็นต้องกำหนดค่า k (จำนวนของกลุ่มที่ต้องการให้ข้อมูลแบ่งออก (cluster)) และคำนวณจุดศูนย์กลางของแต่ละกลุ่มโดยใช้หลักการของความน่าจะเป็นของข้อมูลและจุดศูนย์กลาง
(ค): K-mean เป็นการเรียนรู้แบบ supervised และ KNN เป็นการเรียนรู้แบบ unsupervised

• ข้อ (ก.) เท่านั้นถูก

• ข้อ (ข.) เท่านั้นถูก

• ข้อ (ก.) และ (ข.) ถูก

• ข้อ (ข.) และ (ค.) ถูก

Multiple Choice

17.) scaler.transform(X) จากโค้ดนี้ method .transform() ทำหน้าที่อะไร?

• ทำการเรียก scaler ให้อยู่ในรูปแบบ dataframe

• การแปลงค่า X ให้อยู่ในรูปของ JSON เพื่อส่งออก

• การแปลงค่าพารามิเตอร์ของ X ให้อยู่ในรูปแบบต่าง ๆ

• ใช้ scaler ที่กำหนดมาเพื่อทำการปรับสเกลข้อมูลใน X

Multiple Choice

18.) จากdataset ที่ให้มา จากการดูแนวโน้มของข้อมูลใน dataset นี้ ควรใช้โมเดลแบบใด?

• linear regression

• ridge regression

• polynomial regression

• logistic regression

Multiple Choice

19.) จุดประสงค์การทำ Dimensionality Reduction คืออะไร?

• เพื่อลดปัญหาความข้อมูลไม่จัดเป็นกลุ่ม

• เพื่อลด dimension เพื่อลดค่า null ที่อาจเกิดขึ้น

• เพื่อทำให้ dimension มีความเสถียรและพร้อมใช้งานต่อได้ทันที

• เพื่อลด dimension ของข้อมูลเพื่อลดความซับซ้อนของตัวโมเดล

Multiple Choice

20.) ในฐานะนักวิทยาศาสตร์ข้อมูลของโรงพยาบาล คุณได้รับมอบหมายให้พัฒนาโมเดลการเรียนรู้ของเครื่องเพื่อทำนายโอกาสการติดเชื้อ COVID-19 จากข้อมูลผู้ป่วย เพื่อเพิ่มประสิทธิภาพและความแม่นยำของโมเดล, คุณต้องการทราบว่า features ใดที่ควรถูกละเลยเนื่องจากมีผลน้อยที่สุดต่อการทำนาย โดยมี features ที่ได้รับการพิจารณาดังนี้

• การใช้หน้ากากอนามัยแบบผ้า

• การสัมผัสใกล้ชิดกับผู้ติดเชื้อ COVID-19

• มีโรคประจำตัวที่เกี่ยวข้องกับระบบหายใจหรือภูมิคุ้มกัน

• การมีประวัติการเดินทางไปยังพื้นที่ที่มีการระบาดของ COVID-19 ในช่วง 14 วันก่อน

Introduction to Machine Learning and Its Application

Sponsered By