WorksheetsHAFTA 4.2
Total questions: 30
Worksheet time: 42mins
import numpy as np
import pandas as pd
veri =pd.read_csv("car.csv",encoding='unicode_escape')
veri_copy=veri.copy()
from sklearn import preprocessing
sayisallastirma = preprocessing.LabelEncoder()
Hangi kütüphaneleri kullanıyoruz?
numpy ve pandas
tensorflow ve sklearn
matplotlib ve seaborn
keras ve nltk
import numpy as np import pandas as pd
veri =pd.read_csv("car.csv",encoding='unicode_escape')
veri_copy=veri.copy() from sklearn
import preprocessing sayisallastirma = preprocessing.LabelEncoder()
"car.csv" dosyasını hangi komutla okuyoruz?
read_csv("car.csv")
read_file("car.csv")
load_data("car.csv")
read_csv("car.csv", encoding='unicode_escape')
from sklearn.model_selection import train_test_split
giris_egitim, giris_test, satis_egitim, satis_test = train_test_split(girisler,cikis, test_size=0.3,random_state=109)
Hangi kütüphaneden "train_test_split" fonksiyonunu kullanıyoruz?
pandas
sklearn
numpy
matplotlib
from sklearn.model_selection import train_test_split giris_egitim, giris_test, satis_egitim, satis_test = train_test_split(girisler,cikis, test_size=0.3,random_state=109)
Hangi değişkenler "train_test_split" fonksiyonuna giriş olarak verilir?
giris_egitim ve giris_test
veri_egitim ve veri_test
girisler_egitim ve girisler_test
egitim_veri ve test_veri
from sklearn.model_selection import train_test_split giris_egitim, giris_test, satis_egitim, satis_test = train_test_split(girisler,cikis, test_size=0.3,random_state=109)
Veri setimizi kaç parçaya bölmek için "test_size" parametresiyle belirlediğimiz oran nedir?
%20
%25
%30
%50
from sklearn.model_selection import train_test_split giris_egitim, giris_test, satis_egitim, satis_test = train_test_split(girisler,cikis, test_size=0.3,random_state=109)
Rastgele bölme işleminin tekrarlanabilirliği için hangi parametreyi kullanıyoruz?
randomize
random_state
SEED
shuffle
Karar ağaçları algoritmasının temel amacı nedir?
Veri setini birleştirmek
Veri setini genişletmek
Veri setini bölerek küçültmek
Veri setini değiştirmek
Karar ağacı algoritmalarında birinci düğüme ne denir?
Yaprak düğüm
Dal düğüm
Kök düğüm
Karar düğümü
Karar ağaçları hangi tür verilerden oluşabilir?
Sadece metinsel veriler
Sadece sayısal veriler
Yalnızca resim verileri
Hem metinsel hem de sayısal veriler
Karar ağaçlarındaki karar düğümleri neyi temsil eder?
Dalan yolları
Sonuçları
Kök düğümü
Veri setini
Karar ağacı algoritmasının temel amacı nedir?
Veri setini birleştirmek
Veri setini genişletmek
Veri setini bölerek küçültmek
Veri setini değiştirmek
Karar ağaçlarının avantajlarından biri nedir?
Ağaç yapılarının zor yorumlanması
Sadece sayısal verilerin analiz edilebilmesi
Yüksek miktarda veriye ihtiyaç duyulması
Yorumlanması ve görselleştirilmesinin kolay olması
Karar ağaçları hangi tip bir çıkış modeli sağlar?
Denklem şeklinde bir çıkış modeli
Koşullu bir çıkış modeli
Sabit bir çıkış modeli
Kesirli bir çıkış modeli
Karar ağaçlarının dezavantajlarından biri nedir?
Ağaç dallarının takibinin kolay olması
Aşırı öğrenme yaşanmaması
Verilerin analizinde otomatik oluşan büyük ağaç yapılarının karmaşıklığı
Modelin çalışmasının yavaş olması
Aşırı öğrenme nedir?
Algoritmanın veriyi ezberlemesi
Algoritmanın veriyi tam olarak öğrenmesi
Algoritmanın veriyi göz ardı etmesi
Algoritmanın veriyi hatalı bir şekilde öğrenmesi
Aşırı öğrenme durumunda, model ne tür sonuçlar üretebilir?
Yalnızca doğru sonuçlar
Yüksek doğrulukla sonuçlar
Hatalı sonuçlar
Herhangi bir sonuç üretemez
Aşırı öğrenme yaşandığında, modelin yapısal durumu nedir?
Kararlı bir yapıya sahiptir
Esnek bir yapıya sahiptir
Kararsız bir yapıya sahiptir
Hiçbir yapısal durumu yoktur
Aşırı öğrenme tekniği hangi verinin fazlalığından kaynaklanır?
Eğitim verisi
Test verisi
Doğrulama verisi
Tüm veri türlerine dayanır
Büyük verinin oluşmasında en önemli etkenler nelerdir?
Sadece akıllı cihazların yaygınlaşması
Sadece internet teknolojisinin gelişmesi
Akıllı cihazların ve internet teknolojisinin yaygınlaşması
Yalnızca bilgisayarların gelişimi
Büyük veri kavramı hangi beş bileşenden oluşur?
Veri hacmi, veri hızı, veri türü, veri kaynağı, veri kalitesi
Veri hacmi, veri hızı, veri çeşitliliği, verinin düzensizliği, verinin değerliliği
Veri hacmi, veri hızı, veri boyutu, veri organizasyonu, veri güvenliği
Veri miktarı, veri çeşitliliği, veri sıklığı, veri kalitesi, veri hızı
Veri hacmi neyi ifade eder?
Verinin hızını
Verinin çeşitliliğini
Verinin miktarını
Verinin kalitesini
Bir uçağın motorunda bulunan milyonlarca sensör ne tür veri üretir?
Metinsel veri
Sayısal veri
Görsel veri
Sesli veri
Büyük veriyi anlamlandıranlar ne tür gelişmeler yaşayabilir?
Teknolojik gerileme
Sermaye kaybı
Teknolojik ilerleme
Sosyal izolasyon
Makine öğrenmesi neyi ifade eder?
İnsanların veriyi işlemesi
Otomatik karar verme süreci
Manuel problem çözme süreci
İnsanların kararlarını çözme süreci
Makine öğrenmesinin temel amacı nedir?
Geçmişteki durumlar hakkında sonuç oluşturmak
Gelecekte oluşabilecek benzer olaylar hakkında kararlar verebilmek
Veri miktarını artırmak
Verileri işlemek için insanlara ihtiyaç duymak
Makine öğrenmesi kaç aşamadan oluşmaktadır?
Üç aşama
Dört aşama
Beş aşama
Altı aşama
Makine öğrenmesinin ilk aşamasında ne yapılır?
Veriler eğitim verisi ve test verisi olarak ayrılır
Veriler hazırlanır ve uygun olmayanlar çıkarılır
Modeller eğitim verileri ile eğitilir
Test verileri ile analiz yapılır
Makine öğrenmesinde ikinci aşamada veriler nasıl ayrılır?
Veriler rastgele ayrılır
Eğitim verisi ve test verisi olarak ikiye ayrılır ve model eğitilir
Veriler modellerle eşleştirilir
Veriler bir araya getirilir
Makine öğrenmesinin üçüncü aşamasında ne yapılır?
Modeller eğitim verileri ile eğitilir
Veriler test verileri ile analiz edilir
Veri bütünlüğü sağlanır
Sonuçlar değerlendirilir
Makine öğrenmesinin dördüncü aşamasında ne yapılır?
Modeller eğitim verileri ile eğitilir
Veri bütünlüğü sağlanır
Sonuçlar değerlendirilir
Test verileri toplanır
