NEW
Font size
Worksheetsแบบทดสอบกลางภาค วิชาปัญญาประดิษฐ์ 2/64
Total questions: 30
Worksheet time: 30mins
ข้อใดไม่ใช่ประเภทของปัญญาประดิษฐ์ที่แบ่งตามระดับความสามารถ
Narrow AI
General AI
Strange AI
Strong AI
ปัญญาประดิษฐ์เชิงแคบ (Narrow AI) มีลักษณะอย่างไร
มีความเก่งเฉพาะด้าน เช่น AI แปลภาษา ซึ่งมันจะไม่สามารถทำงานด้านอื่นได้
มีความสามารถทำทุกอย่างได้เหมือนมนุษย์ แต่อาจยังไม่เก่งทุกอย่าง
มีความสามารถเหนือมนุษย์ในหลาย ๆ ด้าน
ไม่มีข้อใดถูก
ปัญญาประดิษฐ์ที่สามารถทําได้แค่มีปฏิกิริยาโต้ตอบกับสถานการณ์ตรงหน้าเท่านั้น คือข้อใด
Reactive machines
Limited memory
Theory of Mind
Self-Awareness
ปัญญาประดิษฐ์ที่อาศัยระดับความสามารถของ Hardware ในการจดจำ และเรียนรู้จากประสบการณ์ เช่น จำแนกภาพ แปลภาษา คือข้อใด
Reactive machines
Theory of Mind
Self-Awareness
Limited memory
ปัญญาประดิษฐ์ที่มีความเป็นมนุษย์ มีวัฒนธรรม และอารมณ์ คือข้อใด
Reactive machines
Theory of Mind
Self-Awareness
Limited memory
ปัญญาประดิษฐ์ที่สามารถคิด และเรียนรู้ด้วยตัวเองได้คือข้อใด
Reactive machines
Theory of Mind
Self-Awareness
Limited memory
ความสามารถที่เพิ่มขึ้นของ AI เกิดจากอะไร
กำลังด้านทุนทรัพย์
ประชากรโลกที่เพิ่มขึ้น
ความสามารถของ Hardware
นักวิชาการเก่งขึ้น
ข้อใดกล่าวถูกต้องเกี่ยวกับ Traditional Programming และ Machine Learning
Traditional Programming เราจะใส่ข้อมูลเพื่อให้ได้คำตอบ ส่วน Machine Learning เราจะใส่เงื่อนไขเพื่อให้เครื่องเรียนรู้
Traditional Programming เราจะใส่ข้อมูล และกำหนดเงื่อนไขเพื่อสร้างคำตอบ ส่วน Machine Learning เราจะใส่ข้อมูลเพื่อให้เครื่องเรียนรู้ และหาคำตอบ
Traditional Programming คือการเขียนโปรแกรมแบบดั้งเดิม ส่วน Machine Learning คือการเขียนโปรแกรมแบบสมัยใหม่
Traditional Programming คือการเขียนโปรแกรมที่ต้องกำหนดตัวแปร ส่วน Machine Learning คือการเขียนโปรแกรมโดยไม่ต้องกำหนดตัวแปร
การใช้เทคนิคทาง Machine Learning โดยการนำภาพสัตว์ต่าง ๆ พร้อมผลเฉลยมาสอน เรียกว่าการเรียนรู้แบบใด
Teach Learning
Guide Learning
Introduce Learning
Supervise Learning
การใช้เทคนิคทาง Machine Learning ในลักษณะการเรียนรู้แบบไม่มีผู้สอน โดยให้ Machine แยกประเภทเองจากลักษณะของข้อมูล เรียกว่าการเรียนรู้แบบใด
Unsupervise Learning
Self Learning
Data Learning
Problem Learning
ลักษณะสำคัญของการเรียนรู้แบบ Reinforcement Learning คือการเรียนรู้จากสถานการณ์ ซึ่งประกอบด้วยอะไรบ้าง
สถานะ (State) ข้อผิดพลาด (Fault) และการกระทํา (Action)
สถานะ (State) รางวัล (Reward) และการกระทํา (Action)
ความถูกต้อง (Correctness) ข้อผิดพลาด (Fault) และการกระทํา (Action)
ความถูกต้อง (Correctness) รางวัล (Reward) และการกระทํา (Action)
ในการฝึกโมเดลเพื่อจำแนกภาพ "cats" และ "dogs" ในภาพนี้ หมายถึงอะไร
ชื่อ Class
ผลเฉลย
การกำกับ Label
ถูกทุกข้อ
ในการฝึกโมเดล จำนวนรอบในการฝึกเรียกว่าอะไร
Epoch
Round
Times
Period
ถ้าเรากำหนดขนาดกลุ่ม (Batch Size) เท่ากับ 32 โดยเรามีจำนวนภาพเท่ากับ 500 ภาพ แสดงว่าในการฝึกแต่ละ Epoch จะมีการแบ่งข้อมูลเป็นกี่กลุ่ม
32 กลุ่ม
24 กลุ่ม
16 กลุ่ม
15 กลุ่ม
ข้อใดกล่าวถูกต้องเกี่ยวกับอัตราการเรียนรู้ (Learning Rate)
1.อัตราการเรียนรู้ยิ่งมีค่ามาก ยิ่งเรียนรู้เร็ว
2.อัตราการเรียนรู้มีค่าน้อย ยิ่งเรียนรู้ช้า
3.อัตราการเรียนรู้ยิ่งมีค่ามาก ยิ่งเรียนรู้ช้า
ข้อ 1 และ 2 ถูก
Class คืออะไร
ชั้นของข้อมูล
ประเภทของข้อมูล
ดีกรีของข้อมูล
ไม่มีข้อใดถูกต้อง
# SAMPLES คืออะไร
ตัวอย่างของข้อมูลในการฝึกโมเดล
ประเภทของข้อมูลในการฝึกโมเดล
จำนวนของข้อมูลที่ถูกสุ่มมาฝึกโมเดล
จำนวนของข้อมูลที่ถูกสุ่มมาตรวจสอบโมเดล
ภาพนี้มีชื่อเรียกว่าอะไร
Cross Matrix
Evaluation Matrix
Confusion Matrix
Sample Matrix
จากภาพนี้ True Positive มีค่าเท่าไร
9
0
1
8
จากภาพนี้ True Negative มีค่าเท่าไร
9
0
1
8
จากภาพด้านล่างนี้ False Positive มีค่าเท่าไร
9
0
1
8
จากภาพด้านล่างนี้ False Negative มีค่าเท่าไร
9
0
1
8
สมการในข้อใดใช้เพื่อหาค่าความแม่นยำ (Precision) ของโมเดล
Precision = TP/(TP+FP)
Precision = TP/(TP-FP)
Precision = TP/(TP+FN)
Precision = TP/(TP+FP+PN)
สมการในข้อใดใช้เพื่อหาค่าความระลึก (Recall) ของโมเดล
Recall = TP/(TP+FP)
Recall = TP/(TP-FP)
Recall = TP/(TP+FN)
Recall = TP/(TP+FP+PN)
การวัดประสิทธิภาพด้วย F1-score ใช้สมการในข้อใด
F1-score = 2 x (Precision + Recall) / (Precision x Recall)
F1-score = 2 / (Precision x Recall) x(Precision + Recall)
F1-score = 2 + (Precision x Recall) / (Precision + Recall)
F1-score = 2 x (Precision x Recall) / (Precision + Recall)
จากโมเดลจำแนกภาพ Apple กับภาพที่ไม่ใช่ Apple ค่าความแม่นยำ (Precision) ของการจำแนก Apple มีค่าเท่าไร
0.947
1.000
0.889
0.900
จากโมเดลจำแนกภาพ Apple กับภาพที่ไม่ใช่ Apple ค่าความระลึก (Recall) ของการจำแนก Apple มีค่าเท่าไร
0.947
1.000
0.889
0.900
จากโมเดลจำแนกภาพ Apple กับภาพที่ไม่ใช่ Apple ค่า F1-Score ของการจำแนก Apple มีค่าเท่าไร
0.947
1.000
0.889
0.900
ข้อใดกล่าวถูกต้องที่สุดเกี่ยวกับค่า Precision, Recall และ F1-Score ของการจำแนก Apple กับไม่ใช่ Apple
โมเดลจำแนก Apple มีประสิทธิภาพ 100% เนื่องจากสามารถทายภาพที่เป็น Apple ได้ถูกต้องครบถ้วนทั้ง 9 ภาพ
โมเดลจำแนก Apple มีประสิทธิภาพไม่ถึง 100% เนื่องจากต้องคำนวณค่า Precision, Recall, F1-Score ของ NOT Apple ก่อน แล้วจึงมาหาค่าเฉลี่ย
โมเดลจำแนก Apple มีประสิทธิภาพไม่ถึง 100% เนื่องจากแม้จะทายภาพที่เป็น Apple ถูกทั้ง 9 ภาพ แต่ปรากฎว่ามีการทายภาพอื่นเป็น Apple ด้วย 1 ภาพ
ไม่มีข้อใดถูก
ข้อใดอธิบายภาพนี้ได้ถูกต้อง
โมเดลทำนายภาพ Pikachu ผิดประเภท
โมเดลมีความเชื่อมั่นว่า ภาพ Pikachu มีความเป็นน้องกระรอก 41%
โมเดลไม่สามารถทำนายภาพ Pikachu ได้ เพราะฝึกไว้เพียงแมว หมา และกระรอก
โมเดลทำนายภาพ Pikachu ได้ถูกต้อง
