ในการพัฒนาระบบ Machine Learning เพื่อตรวจหาโรคมะเร็ง ซึ่งการทำนายผลเป็นบวก (Positive) หมายถึงผู้ป่วยมีโรค การลดข้อผิดพลาดประเภทใดมีความสำคัญสูงสุด และควรให้ความสำคัญกับเมตริกการประเมินผล (Evaluation Metric) ใดเป็นพิเศษ

ลด False Negatives (FN) โดยเน้นที่ค่า Recall

ลด True Positives (TP) โดยเน้นที่ค่า Accuracy

ลด False Positives (FP) โดยเน้นที่ค่า Precision

ลดข้อผิดพลาดทุกประเภทเท่าๆ กัน โดยเน้นที่ค่า F1-Score

ข้อใดคือขั้นตอนแรกสุดในกระบวนการ Machine Learning

Defining Problem (การกำหนดปัญหา)

Gathering Data (การรวบรวมข้อมูล)

Choosing Model (การเลือกโมเดล)

Training (การฝึกฝนโมเดล)

เป้าหมายของ Cost Function ใน Linear Regression คืออะไร

ทำให้ค่า Error มีค่าต่ำที่สุด

ทำให้ค่า Error มีค่าสูงสุด

ทำให้จำนวนข้อมูลฝึกฝนมีค่ามากที่สุด

ทำให้ Hypothesis function มีความซับซ้อนมากที่สุด

Gradient Descent คืออะไร

อัลกอริทึมหาค่าเหมาะสมที่สุดแบบวนซ้ำเพื่อหาค่าต่ำสุดของฟังก์ชัน

อัลกอริทึมสำหรับแก้สมการเชิงเส้นโดยตรง

วิธีการแบ่งข้อมูลสำหรับการทำ Cross-validation

ฟังก์ชันที่ใช้ในการทำนายค่าใน Linear Regression

ถ้าหาก Learning Rate (α) ใน Gradient Descent มีค่า 'ใหญ่เกินไป' จะเกิดอะไรขึ้น

อัลกอริทึมอาจจะไม่ลู่เข้าสู่จุดต่ำสุดและอาจลู่ออก

อัลกอริทึมจะลู่เข้าสู่จุดต่ำสุดช้ามาก

อัลกอริทึมจะลู่เข้าสู่ Global Minimum เสมอ

อัลกอริทึมจะหยุดทำงานทันที

ข้อใดคือข้อดีของ Normal Equation เมื่อเทียบกับ Gradient Descent

เป็นวิธีที่ดีที่สุดสำหรับปัญหาที่มีจำนวน features น้อย

ทำงานได้ดีกับข้อมูลที่มีจำนวน features (มิติ) สูงๆ

ไม่จำเป็นต้องเลือก Learning Rate

เป็นอัลกอริทึมแบบวนซ้ำ (iterative)

เหตุใดการใช้ Linear Regression สำหรับปัญหา Classification จึงไม่ใช่ความคิดที่ดี

เพราะค่าที่ทำนายได้อาจอยู่นอกช่วง [0, 1] และอ่อนไหวต่อ Outliers

เพราะ Linear Regression ไม่สามารถจัดการกับข้อมูลตัวเลขได้

เพราะ Linear Regression คำนวณช้ากว่า Logistic Regression

เพราะ Linear Regression สามารถใช้ได้กับข้อมูล 2 มิติเท่านั้น

ใน Logistic Regression ถ้า $$h_{\theta}\left(x\right)=0.7$$ หมายความว่าอย่างไร

ความน่าจะเป็นที่ผลลัพธ์ (y) จะเป็น 1 (Positive Class) คือ 70%

โมเดลมีความแม่นยำ 70%

ค่า Cost function เท่ากับ 0.7

ความน่าจะเป็นที่ผลลัพธ์ (y) จะเป็น 0 (Negative Class) คือ 70%

Decision Boundary ใน Logistic Regression คืออะไร

เส้นที่โมเดลใช้ในการทำนาย โดยจะทำนาย y=1 เมื่อ $$h_{\theta}\left(x\right)\ge0.5$$

เส้นที่เชื่อมโยงข้อมูลทุกจุดเข้าด้วยกัน

ค่าสูงสุดของ Cost Function

จำนวนรอบที่ใช้ในการฝึกโมเดล

เหตุใด Cost Function แบบ Mean Squared Error (MSE) จึงไม่เหมาะกับ Logistic Regression

เพราะทำให้ Cost Function เป็นแบบ Non-convex

เพราะคำนวณยากเกินไป

เพราะใช้ได้กับ Linear Regression เท่านั้น

เพราะให้ค่าเป็นลบเสมอ

Cost Function ของ Logistic Regression (Log Loss) จะมีค่าเป็นอย่างไร ถ้าโมเดลทำนายด้วยความมั่นใจสูงว่า y=1 ( $$h_{\theta}\left(x\right)\rightarrow1$$ ) แต่คำตอบที่ถูกต้องคือ y=0

Cost มีค่าเข้าใกล้ Infinity (∞)

Cost มีค่าเข้าใกล้ 0

Cost มีค่าเข้าใกล้ 0.5

Cost มีค่าคงที่

อัลกอริทึม k-Nearest Neighbor (k-NN) ทำการจำแนกข้อมูลใหม่อย่างไร

กำหนดคลาสตามคลาสที่พบมากที่สุดในกลุ่มข้อมูลเพื่อนบ้าน k ตัวที่ใกล้ที่สุด

สร้างเส้นแบ่งเขตข้อมูล (Decision Boundary) จากข้อมูลทั้งหมด

คำนวณความน่าจะเป็นของแต่ละคลาสโดยใช้ทฤษฎีของ Bayes

สร้างต้นไม้ตัดสินใจเพื่อแบ่งข้อมูลเป็นส่วนๆ

เหตุใดการทำ Normalization หรือ Standardization จึงมีความสำคัญต่อ k-NN

เพื่อทำให้คุณลักษณะ (features) ที่มีค่ามากไม่ครอบงำการคำนวณระยะทาง

เพื่อลดจำนวนข้อมูลที่ต้องใช้ในการฝึก

เพื่อให้ k-NN สามารถทำงานกับข้อมูลที่ไม่ใช่ตัวเลขได้

เพื่อเพิ่มความเร็วในการฝึกโมเดล

ข้อใดคือลักษณะเด่นของ k-NN ที่เรียกว่า 'Lazy Learning'

ไม่เรียนรู้ฟังก์ชันจากข้อมูลฝึกฝน แต่จะจดจำชุดข้อมูลทั้งหมดไว้

ใช้เวลาในการฝึกฝนโมเดลนานมาก

ต้องมีการกำหนดพารามิเตอร์จำนวนมาก

ไม่สามารถทำงานกับข้อมูลที่มี Outlier ได้เลย

หลักการสำคัญของ Naïve Bayes classifier คืออะไร

การใช้ทฤษฎีของเบย์และสมมติว่าคุณลักษณะ (features) เป็นอิสระต่อกัน

การหาระยะห่างระหว่างจุดข้อมูล

การสร้างต้นไม้เพื่อแบ่งข้อมูล

การหาเส้นแบ่งเขตข้อมูลที่ดีที่สุด

ข้อดีของ Naïve Bayes คืออะไร

ทำงานได้ดีแม้ข้อมูลฝึกฝนมีขนาดเล็กและขยายตัวได้ดีในมิติที่สูง

สามารถจับความสัมพันธ์ที่ซับซ้อนระหว่าง features ได้ดี

ไม่ต้องทำ Data Preprocessing เลย

รับประกันว่าจะได้ผลลัพธ์ที่แม่นยำ 100% เสมอ

อัลกอริทึม Decision Tree ใช้เกณฑ์อะไรในการเลือก feature ที่ดีที่สุดเพื่อทำการแบ่ง (split) ที่ root node

ค่า Information Gain สูงสุด

ระยะทางแบบยุคลิด (Euclidean Distance)

ค่า Correlation สูงสุด

ค่า p-value ต่ำสุด

ค่า Entropy จะเป็น 0 เมื่อใด

เมื่อข้อมูลในชุดนั้นเป็นคลาสเดียวกันทั้งหมด

เมื่อข้อมูลในชุดนั้นมีจำนวนคลาสบวกและคลาสลบเท่ากันพอดี

เมื่อข้อมูลมีค่าสูญหาย (missing values)

เมื่อไม่มีข้อมูลในชุดนั้นเลย

ข้อเสียเปรียบที่สำคัญของ Decision Trees คืออะไร

มีแนวโน้มที่จะเกิด Overfitting และไม่เสถียร

ไม่สามารถจัดการกับข้อมูลที่เป็นหมวดหมู่ได้

เข้าใจและตีความได้ยาก

ต้องการข้อมูลจำนวนมหาศาลในการสร้างโมเดล

การทำ Feature Scaling แบบ Standardization (Z-transformation) จะแปลงข้อมูลให้มีลักษณะอย่างไร

มีการแจกแจงที่มีค่าเฉลี่ยเป็น 0 และส่วนเบี่ยงเบนมาตรฐานเป็น 1

มีค่าอยู่ในช่วง [0, 1]

มีค่าเป็นจำนวนเต็มเท่านั้น

มีการกระจายตัวแบบ Uniform

ข้อใดคือเป้าหมายหลักของการทำ Dimensionality Reduction

เพื่อลดจำนวน features โดยอาจช่วยลดปัญหา Overfitting และเพิ่มความเร็วในการคำนวณ

เพื่อเพิ่มจำนวน features ให้กับโมเดล

เพื่อทำให้ข้อมูลทุกตัวมีค่าเท่ากัน

เพื่อแปลงข้อมูลที่เป็นตัวเลขให้เป็นข้อความ

ใน Confusion Matrix, 'False Positive' (FP) หมายถึงอะไร

กรณีที่ค่าจริงเป็นลบ และโมเดลทำนายว่าเป็นบวก

กรณีที่ค่าจริงเป็นบวก และโมเดลทำนายว่าเป็นบวก

กรณีที่ค่าจริงเป็นบวก และโมเดลทำนายว่าเป็นลบ

กรณีที่ค่าจริงเป็นลบ และโมเดลทำนายว่าเป็นลบ

เมตริก 'Recall' (หรือ Sensitivity) คำนวณได้อย่างไร และใช้วัดอะไร

TP / (TP + FN), ใช้วัดความสามารถในการตรวจจับเคสที่เป็นบวกทั้งหมด

TP / (TP + FP), ใช้วัดความแม่นยำของการทำนายที่เป็นบวก

(TP + TN) / Total, ใช้วัดความถูกต้องโดยรวมของโมเดล

2 * (Precision * Recall) / (Precision + Recall), ใช้วัดค่าเฉลี่ยฮาร์มอนิกของ Precision และ Recall

ปัญหา Class Imbalance คืออะไร

การที่ข้อมูลในแต่ละคลาสมีจำนวนไม่เท่ากันอย่างมาก

การที่ข้อมูลมี features มากเกินไป

การที่ข้อมูลมีค่า Outliers จำนวนมาก

การที่ข้อมูลไม่สามารถแบ่งแยกได้ด้วยเส้นตรง

ปรากฏการณ์ 'Overfitting' หมายถึงอะไร

โมเดลทำงานได้ดีมากกับข้อมูลฝึกฝน แต่ทำงานได้แย่กับข้อมูลทดสอบ

โมเดลทำงานได้ดีกับทั้งข้อมูลฝึกฝนและข้อมูลทดสอบ

โมเดลทำงานได้ไม่ดีทั้งกับข้อมูลฝึกฝนและข้อมูลทดสอบ

โมเดลใช้เวลาในการฝึกฝนน้อยเกินไป

ข้อใดคือวิธีแก้ไขปัญหา Overfitting

ลดความซับซ้อนของโมเดล, ใช้ Regularization, หรือลดมิติของข้อมูล

ใช้โมเดลที่ซับซ้อนยิ่งขึ้น

ลดจำนวนข้อมูลฝึกฝน

เพิ่มจำนวนรอบในการฝึกโมเดล

จุดประสงค์ของการใช้ Validation Set ในวิธี Holdout Cross-Validation คืออะไร

เพื่อเปรียบเทียบและเลือก Hyperparameters ที่ดีที่สุด

เพื่อฝึกฝนโมเดล (fit the model)

เพื่อประเมินประสิทธิภาพขั้นสุดท้ายของโมเดล

เพื่อสร้างข้อมูลใหม่เพิ่มเติม

K-Folds Cross-Validation ทำงานอย่างไร

แบ่งข้อมูลเป็น k ส่วน แล้วใช้ k-1 ส่วนในการฝึก และ 1 ส่วนในการทดสอบ ทำซ้ำ k ครั้ง แล้วหาค่าเฉลี่ยของประสิทธิภาพ

แบ่งข้อมูลเป็น 2 ส่วน คือ Training และ Test แล้วจบ

ใช้ข้อมูลเพียง k จุดในการฝึกโมเดล

สร้างโมเดลที่แตกต่างกัน k โมเดล แล้วนำมารวมกัน

วิธี Leave-One-Out Cross Validation (LOOCV) มีข้อเสียที่สำคัญคืออะไร โดยเฉพาะเมื่อใช้กับชุดข้อมูลขนาดใหญ่

ใช้เวลาในการคำนวณสูงมาก (computationally expensive)

มีความเอนเอียง (bias) สูง

ไม่สามารถใช้กับปัญหา Regression ได้

ทำให้เกิด Underfitting ได้ง่าย

Genetic Algorithm (GA) เป็นอัลกอริทึมที่ได้รับแรงบันดาลใจจากอะไร

วิวัฒนาการทางธรรมชาติของดาร์วิน

พฤติกรรมการหาอาหารของฝูงมด

การทำงานของสมองมนุษย์

การเคลื่อนที่ของอนุภาคในฟิสิกส์ควอนตัม

ใน Genetic Algorithm กระบวนการ 'Crossover' คืออะไร

การรวมส่วนของโครโมโซมจากพ่อแม่สองคนเพื่อสร้างลูกหลานใหม่

การเปลี่ยนแปลงยีนแบบสุ่มในโครโมโซมเดียว

การประเมินความเหมาะสม (Fitness) ของแต่ละโครโมโซม

การคัดเลือกโครโมโซมที่ดีที่สุดเพื่อให้อยู่รอด

ข้อใดคือองค์ประกอบ (T, P, E) ของการเรียนรู้ตามคำนิยามของ Tom Mitchell สำหรับปัญหาการกรองสแปมอีเมล

T: จำแนกอีเมล, E: การดูอีเมลที่ถูกติดป้ายกำกับ, P: จำนวนอีเมลที่จำแนกถูก

T: จำนวนอีเมลที่จำแนกถูก, E: จำแนกอีเมล, P: การดูอีเมลที่ถูกติดป้ายกำกับ

T: การดูอีเมลที่ถูกติดป้ายกำกับ, E: จำนวนอีเมลที่จำแนกถูก, P: จำแนกอีเมล

T: จำแนกอีเมล, E: จำนวนอีเมลที่จำแนกถูก, P: การดูอีเมลที่ถูกติดป้ายกำกับ

Deep Learning แตกต่างจาก Machine Learning ทั่วไปอย่างไร

Deep Learning ใช้โครงข่ายประสาทเทียมหลายชั้น (multi-layer neural networks)

Deep Learning ไม่ใช่ส่วนหนึ่งของ Machine Learning

Deep Learning ไม่ต้องการข้อมูลในการฝึกฝน

Deep Learning สามารถใช้ได้กับปัญหา Regression เท่านั้น

ในสมการ Gradient Descent สำหรับ Linear Regression, $$\theta_j=\theta_j-\alpha\frac{\partial J\left(\theta_0,\ \theta_1\right)}{\partial\theta_j}$$ , ตัว $$\alpha$$ คืออะไร

อัตราการเรียนรู้ (Learning Rate)

ค่าพารามิเตอร์ของโมเดล

ค่าอนุพันธ์ (Derivative)

อัลกอริทึมใดที่ไม่ใช่ Parametric Learning

Neural Network (ที่มีโครงสร้างคงที่)

AI-Midterm Exam

Authored by Thitinan Kliangsuwan

Computers

9th - 12th Grade

Used 6+ times

AI Actions

Add similar questions

Adjust reading levels

Convert to real-world scenario

Translate activity

More...

Content View
Student View

60 questions

Show all answers

MULTIPLE CHOICE QUESTION

1 min • 1 pt

ข้อใดคือคำจำกัดความของ Machine Learning ตามที่ Arthur Samuel กล่าวไว้ในปี 1959

ศาสตร์แห่งการเขียนโปรแกรมคอมพิวเตอร์เพื่อให้สามารถเรียนรู้จากข้อมูลได้

สาขาวิชาที่ให้ความสามารถแก่คอมพิวเตอร์ในการเรียนรู้โดยไม่ต้องถูกโปรแกรมอย่างชัดเจน

โปรแกรมคอมพิวเตอร์ที่เรียนรู้จากประสบการณ์ E เพื่อทำงาน T และวัดผลด้วย P ซึ่งประสิทธิภาพ P จะดีขึ้นตามประสบการณ์ E

ทฤษฎีและวิธีการสร้างเครื่องจักรที่คิดและทำงานได้เหมือนมนุษย์

MULTIPLE CHOICE QUESTION

1 min • 1 pt

ในปัญหาการโปรแกรมรู้จำลายมือ (Handwritten Recognition) ข้อใดคือ 'Task T' (งาน) ตามคำนิยามของ Tom Mitchell

ฐานข้อมูลรูปภาพลายมือที่มีการติดป้ายกำกับโดยมนุษย์

เปอร์เซ็นต์ของตัวอักษรที่จำแนกได้ถูกต้อง

การรู้จำตัวอักษรที่เขียนด้วยลายมือ

อัลกอริทึมที่ใช้ในการฝึกฝนโมเดล

MULTIPLE CHOICE QUESTION

1 min • 1 pt

ข้อใดคือความแตกต่างที่สำคัญระหว่าง Traditional Programming และ Machine Learning

Traditional Programming ใช้ Input และ Program เพื่อสร้าง Output ส่วน Machine Learning ใช้ Input และ Output เพื่อสร้าง Program

Machine Learning ไม่ต้องการคอมพิวเตอร์ในการทำงาน แต่ Traditional Programming ต้องการ

Traditional Programming สร้าง Output ที่เป็นตัวเลขเท่านั้น ในขณะที่ Machine Learning สร้างได้ทั้งตัวเลขและข้อความ

Machine Learning เป็นกระบวนการที่ซับซ้อนกว่า Traditional Programming เสมอ

MULTIPLE CHOICE QUESTION

1 min • 1 pt

ข้อใดเรียงลำดับขอบเขตจากใหญ่ที่สุดไปเล็กที่สุดได้ถูกต้อง

Deep Learning > Machine Learning > Artificial Intelligence

Artificial Intelligence > Machine Learning > Deep Learning

Machine Learning > Artificial Intelligence > Deep Learning

Artificial Intelligence > Deep Learning > Machine Learning

MULTIPLE CHOICE QUESTION

1 min • 1 pt

การเรียนรู้ประเภทใดที่ต้องการข้อมูลและผลลัพธ์ที่ต้องการ (labels) ในการฝึกฝน

Supervised Learning

Unsupervised Learning

Semi-supervised Learning

Reinforcement Learning

MULTIPLE CHOICE QUESTION

1 min • 1 pt

การพยากรณ์ 'การเปลี่ยนแปลงของ GDP' จัดเป็นการเรียนรู้ประเภทใด

Classification

Regression

Clustering

Reinforcement Learning

MULTIPLE CHOICE QUESTION

1 min • 1 pt

การจัดกลุ่มลูกค้าตามพฤติกรรมการใช้จ่าย (Market Segmentation) โดยไม่มีการกำหนดกลุ่มไว้ล่วงหน้า เป็นตัวอย่างของอะไร

Supervised Learning

Unsupervised Learning

Regression

Reinforcement Learning

Access all questions and much more by creating a free account

Create resources

Host any resource

Get auto-graded reports

Continue with Google

Continue with Email

Continue with Microsoft

or continue with

Facebook

Apple

Others

By signing up, you agree to our Terms of Service & Privacy Policy

Already have an account?

Similar Resources on Wayground

60 questions

แนวข้อสอบ 2567

Quiz

•

6th Grade - University

Popular Resources on Wayground

10 questions

How much do you know about our Portrait of an Eagle?

Quiz

•

10th Grade

10 questions

Fast Food Slogans

Quiz

•

6th - 8th Grade

21 questions

Continents and Oceans

Quiz

•

6th Grade

20 questions

Parts of Speech

Quiz

•

5th Grade

16 questions

Subject & Predicate

Quiz

•

5th Grade

25 questions

Multiplication Facts

Quiz

•

5th Grade

12 questions

Map Skills

Quiz

•

3rd Grade

22 questions

Continents and Oceans

Quiz

•

5th Grade

Discover more resources for Computers

10 questions

Exploring Digital Citizenship Essentials

Interactive video

•

6th - 10th Grade

20 questions

[AP CSP] Python Coding: Functions, Parameters, Return

Presentation

•

9th - 12th Grade

40 questions

Introduction to Microsoft Word

Quiz

•

8th - 12th Grade

20 questions

APCS Unit 1A

Quiz

•

9th - 12th Grade

24 questions

Binary

Quiz

•

9th - 12th Grade

AI-Midterm Exam

ข้อใดคือคำจำกัดความของ Machine Learning ตามที่ Arthur Samuel กล่าวไว้ในปี 1959

ในปัญหาการโปรแกรมรู้จำลายมือ (Handwritten Recognition) ข้อใดคือ 'Task T' (งาน) ตามคำนิยามของ Tom Mitchell

ข้อใดคือความแตกต่างที่สำคัญระหว่าง Traditional Programming และ Machine Learning

ข้อใดเรียงลำดับขอบเขตจากใหญ่ที่สุดไปเล็กที่สุดได้ถูกต้อง

การเรียนรู้ประเภทใดที่ต้องการข้อมูลและผลลัพธ์ที่ต้องการ (labels) ในการฝึกฝน

การพยากรณ์ 'การเปลี่ยนแปลงของ GDP' จัดเป็นการเรียนรู้ประเภทใด

การจัดกลุ่มลูกค้าตามพฤติกรรมการใช้จ่าย (Market Segmentation) โดยไม่มีการกำหนดกลุ่มไว้ล่วงหน้า เป็นตัวอย่างของอะไร

ใน Reinforcement Learning 'Agent' จะเรียนรู้โดยการมีปฏิสัมพันธ์กับอะไรเพื่อเพิ่ม 'Reward' ให้สูงสุด

ข้อใดคือขั้นตอนแรกสุดในกระบวนการ Machine Learning

Access all questions and much more by creating a free account

Similar Resources on Wayground

Popular Resources on Wayground

Discover more resources for Computers