Pytania dotyczące AI

Co to jest uczenie nadzorowane?

• Proces, w którym model jest trenowany na danych bez etykiet.

• Algorytm, który automatycznie grupuje dane w klastry.

• Typ uczenia maszynowego, gdzie model jest trenowany na danych z etykietami, aby przewidywać wyniki dla nowych danych.

• Technika wykorzystywana wyłącznie w przetwarzaniu języka naturalnego.

Który z poniższych algorytmów jest przykładem uczenia nadzorowanego?

• K-Means

• Drzewo decyzyjne

• Klastrowanie

• Algorytm n-gramowy

Co jest celem uczenia nienadzorowanego?

• Tworzenie modeli do przewidywania danych wyjściowych.

• Odkrywanie ukrytych struktur i wzorców w danych bez etykiet.

• Automatyczne tłumaczenie tekstu na inne języki.

• Wyznaczanie najlepszych parametrów modelu.

Przykładem algorytmu uczenia nienadzorowanego jest:

• Regresja liniowa

• K-Means

• Algorytm K najbliższych sąsiadów

• Drzewa decyzyjne

W uczeniu przez wzmocnienie agent podejmuje decyzje w celu:

• Odkrywania wzorców w nieoznakowanych danych.

• Minimalizowania błędu w danych treningowych.

• Maksymalizacji nagród otrzymywanych za działania w środowisku.

• Klasyfikacji danych na podstawie wybranych cech.

Która z poniższych definicji najlepiej opisuje ChatGPT?

• Model uczenia przez wzmocnienie.

• Model klasyfikacji obrazów.

• Model językowy NLP oparty na sieciach neuronowych do przetwarzania i generowania tekstu.

• Algorytm regresji liniowej.

Co to są hiperparametry?

• Parametry, które model wylicza samodzielnie podczas uczenia.

• Parametry ustalane przed rozpoczęciem trenowania modelu, sterujące procesem uczenia.

• Cechy wyodrębnione automatycznie przez model z danych wejściowych.

• Wyniki przewidywań modelu.

Która metryka jest używana do oceny modelu klasyfikacyjnego?

• MSE (średni błąd kwadratowy)

• Dokładność (accuracy)

• R²

• Średni błąd absolutny (MAE)

Co mierzy F1-Score?

• Harmoniczną średnią dokładności i swoistości.

• Harmoniczną średnią precyzji i czułości.

• Relację między dokładnością a błędami klasyfikacji.

• Obszar pod krzywą ROC.

Co mierzy krzywa ROC?

• Dokładność modelu regresji liniowej.

• Stosunek czułości do swoistości w różnych progach decyzyjnych.

• Relację między precyzją a czułością w różnych progach decyzyjnych.

• Liczbę fałszywych negatywów w porównaniu do prawdziwych pozytywów.