Quiz sulla Data Science e Machine Learning

Cos'è la Data Science secondo il testo?

• Lo studio dell'hardware dei computer.

• La scienza che si occupa di analizzare i dati per estrarre valore e informazioni utilizzabili.

• Lo sviluppo di algoritmi per il controllo di robot.

• La creazione di database complessi.

Quali sono alcune tecniche utilizzate nella Data Science menzionate nel testo?

• Saldatura e meccanica.

• Tecniche statistiche, grafici, regressioni e previsioni.

• Ingegneria civile e architettura.

• Chimica e fisica.

Come viene definito il Machine Learning nel testo?

• Un sistema operativo per computer.

• Un linguaggio di programmazione.

• Un sottoinsieme dell'intelligenza artificiale che sviluppa sistemi che imparano dall'esperienza.

• Un tipo di database relazionale.

Cosa fanno gli algoritmi di Machine Learning secondo il testo?

• Seguono equazioni predeterminate.

• "Apprendono" informazioni direttamente dai dati senza affidarsi a un'equazione predefinita.

• Memorizzano grandi quantità di testo.

• Eseguono calcoli matematici complessi.

Quando è utile utilizzare il Machine Learning, secondo il testo?

• Quando i dati sono pochi e ben definiti.

• Quando non esiste un computer.

• Quando abbiamo una grande quantità di dati e molte variabili.

• Quando il problema può essere risolto con una semplice formula matematica.

Cosa significa l'espressione "Garbage in, garbage out" nel contesto del Machine Learning?

• I computer non funzionano correttamente.

• Il pre-processing dei dati non è importante.

• Se forniamo dati non puliti, l'algoritmo produrrà risultati senza significato.

• Tutti i dati sono utili.

Quali sono alcune caratteristiche comuni dei dati che richiedono pre-processing menzionate nel testo?

• Omogenei e completi.

• Disordinati, incompleti e di diversi formati.

• Sempre numerici.

• Facili da analizzare direttamente.

In quante parti è comune dividere il training set per l'addestramento di un algoritmo di Machine Learning?

• Due: training e test.

• Una sola: training.

• Tre: training set, validation set e test set.

• Quattro: input, output, training e test.

Qual è l'obiettivo del Supervised Learning?

• Trovare modelli nascosti nei dati senza output noti.

• Addestrare un modello su dati di input e output noti per prevedere output futuri.

• Permettere ad agenti autonomi di imparare tramite l'interazione con un ambiente.

• Ridurre la dimensionalità dei dati.

Cosa fa un modello di Unsupervised Learning?

• Prevede valori futuri basandosi su dati etichettati.

• Classifica i dati in categorie predefinite.

• Trova modelli nascosti o strutture intrinseche nei dati di input.

• Ottimizza le decisioni in un ambiente dinamico.