WorksheetsPre-Test AI by Morning
Total questions: 40
Worksheet time: 1hrs 20mins
AI ย่อมาจากอะไร และหมายถึงอะไร?
Architecture Intelligence
AI ที่มีความสามารถเทียบเท่ามนุษย์ในทุกด้านเรียกว่าอะไร?
Machine Learning
ในปัจจุบันนี้ AI ที่เราใช้งานกันอยู่จัดอยู่ในประเภท
Artificial Narrow Intelligence (ANI)
Artificial General Intelligence (AGI)
Artificial Superintelligence (ASI)
Artificial Best Intelligence (ABI)
Search Algorithms คืออะไร?
อัลกอริธึมที่ใช้ในการแก้ปัญหาคำนวณทางคณิตศาสตร์
อัลกอริธึมที่ใช้ค้นหาข้อมูลในโครงสร้างข้อมูลหรือกราฟ
อัลกอริธึมที่ใช้ในการทำการจัดกลุ่มข้อมูล
อัลกอริธึมที่ใช้หาทางออกจากเขาวงกต
Search Algorithms โดยหลักๆแบ่งออกเป็นกี่ประเภท
1 ประเภท (Only you)
Uninformed Search ทำงานอย่างไร
ค้นหาโดยใช้ข้อมูลเพิ่มเติมเกี่ยวกับ Goal State เพื่อนำทางการค้นหาให้เร็วขึ้น
ค้นหาโดยเริ่มจากStart Stateและขยายสถานะไปเรื่อยๆ จนกว่าจะพบ Goal State โดยไม่มีข้อมูลเพิ่มเติมเกี่ยวกับGoal State
ค้นหาโดยใช้ฟังก์ชัน Heuristic เพื่อประมาณค่าใช้จ่ายในการเดินทางไปยัง Goal State
ค้นหาโดยเริ่มจาก Start State โดยใช้หลักการ Evaluation Function เพื่อนำทางไปยัง Goal State อย่างเป็นลำดับ
ข้อใดต่อไปนี้เป็น Uninformed Search
Breadth-First Search
Greedy Best-First Search
Depth-First Search
A* Search
Breadth-First Search เป็น Search Algoritms ที่นิยมใช้สำรวจ Data Structure ประเภทใด
Breadth-First Search ใช้ Data Structure ประเภทใดในการค้นหาและจัดการNode
ข้อใดถือเป็นข้อเสียของ Breadth-First Search
ไม่รับประกันว่าเป็นคำตอบที่ดีที่สุด
ต้องปรับค่าพารามิเตอร์อย่างถูกต้อง
ต้องกำหนด Heuristic อย่างมีประสิทธิภาพ
ใช้หน่วยความจำมาก
Depth-First Search ใช้ Data Structure ประเภทใดในการค้นหาและจัดการNode
FIFO
ข้อใดถือเป็นข้อดีของ Depth-First Search
ใช้ Data Struecture แบบ Stack ทำให้เข้าใจยากและประมวลผลนาน
รับประกัน Optimal Solution
มีความทนทานต่อข้อมูลที่ผิดพลาด
BFS และ DFS มี Time Complexity และ Space Complexity แตกต่างกันหรือไม่อย่างไร
BFS และ DFS มี Time Complexity เท่ากันที่ O(V - E)
Space Complexity ของ BFS และ DFS เท่ากันที่ O(V)
BFS และ DFS มี Time Complexity เท่ากันที่ O(V + E)
Space Complexity ของ BFS และ DFS เท่ากันที่ O(V)
BFS และ DFS มี Time Complexity เท่ากันที่ O(V)
Space Complexity ของ BFS และ DFS เท่ากันที่ O(V+E)
BFS และ DFS มี Time Complexity เท่ากันที่ O(V)
แต่ Space Complexity ของ BFS เป็น O(V+E) DFS เป็น O(V-E)
A* Search Algorithm คำนวณ Evaluation Function อย่างไร?
f(n) = g(n) / h(n)
f(n) = g(n) + h(n)
f(n) = g(n) * h(n)
f(n) = g(n) - h(n)
A* Search มี Time Complexity และ Space Complexity อย่างไร?
Time Complexity: O(d^b), Space Complexity: O(d^b)
ข้อใดเป็นคุณสมบัติสำคัญของ A* Search Algorithm?
ไม่ใช้หน่วยความจำสูง
ไม่สนใจ Heuristic Function
รับประกันคำตอบที่ดีที่สุด (Optimal Solution)
ใช้สำหรับปัญหา Non-linear เท่านั้น
Greedy Best-First Search แตกต่างจาก A* Search อย่างไร?
ใช้ Heuristic Function อย่างเดียว
ใช้ค่า g(n) + h(n)
รับประกัน Optimal Solution
เสียงดังเพราะกรี๊ดดิ้
Heuristic Function ใน A* Search ควรมีคุณสมบัติอย่างไรเพื่อรับประกัน Optimal Solution?
ต้องสูงกว่าต้นทุนจริงเสมอ
ต้องเท่ากับต้นทุนจริงเสมอ
ต้องไม่เกินต้นทุนจริง
ต้องไม่ต่ำกว่าต้นทุนจริง
Greedy Best-First Search อาจให้คำตอบที่ไม่ใช่ Optimal เพราะเหตุใด?
ใช้เวลาในการค้นหานาน
ไม่สนใจต้นทุนสะสม g(n)
ไม่สามารถหลีกเลี่ยง Local Optima
เพราะเราเขียนโค้ดผิด
g(n) ใน A* Search หมายถึง ?
ข้อใดอธิบายถึง "Open List" ใน A* Search ได้ถูกต้อง?
รายการของโหนดที่ขยายแล้ว
รายการของโหนดที่ยังไม่ได้ขยาย
โหนดที่ใกล้เป้าหมายที่สุด
โหนดเริ่มต้นหรือเรียกอีกอย่างว่า "Start State"
A* Search ไม่สามารถทำงานได้อย่างมีประสิทธิภาพในกรณีที่ฟังก์ชัน Heuristic มีคุณสมบัติอย่างไร?
Admissible
Inadmissible
Consistent
Accurate
ข้อใดเป็นข้อเสียหลักของ Hill Climbing
เป็น Algoritms ที่เข้าใจได้ยาก
อาจติดอยู่กับ Local Optimum
ใช้เพียงค่า g(n) ในการคำนวณผลลัพธ์
ทำงานได้ไม่มีประสิทธิภาพในชุดข้อมูลที่น้อย
ข้อใดไม่ใช่ลักษณะของ Hill Climbing?
การสำรวจในทิศทางเดียว
คำนวณค่า Heuristic ในแต่ละโหนด
สามารถไปถึง Global Maximum ได้
ใช้เวลาคำนวณและประมวลผลน้อย
ในการทำงานของ Genetic Algorithm, ข้อใดเป็นการกระทำที่ช่วยให้หลีกเลี่ยง Local Optima?
การคัดเลือก (Selection)
การสร้างประชากร (Crossover)
การปรับแต่ง (Mutation)
การใช้ Heuristic
Genetic Algorithms, กระบวนการเลือก (Selection) ทำงานอย่างไร?
เลือกโดยใช้ฟังก์ชัน Fitness เพื่อเพิ่มโอกาสให้กับChromesomeที่เหมาะสมที่สุด
เลือกโดยใช้ฟังก์ชัน g(n) เพื่อเพิ่มโอกาสให้กับChromesomeที่เหมาะสมที่สุด
เลือกโดยใช้การ Cross-Validation เพื่อเพิ่มโอกาสให้กับ Chromesomeที่เหมาะสมที่สุด
เลือกโดยใช้ Sence
Genetic Algorithms, Mutation มีบทบาทอย่างไรในการปรับปรุงการค้นหา?
การใช้ Mutation ทำให้โค้ดคงที่ไม่ผันผวน
Mutation จะเปลี่ยนแปลงข้อมูลแบบสุ่มเพื่อหลีกเลี่ยง Local Optima
Mutation จะคัดเลือกโค้ดที่ดีที่สุดเท่านั้น
Mutation จะลดการค้นหาพื้นที่การค้นหาทั้งหมด
Genetic Algorithms, การทำ Crossover มีวัตถุประสงค์อะไร?
การสลับยีนระหว่างพ่อแม่เพื่อสร้างลูกที่มีคุณสมบัติที่ดีที่สุด
การปรับปรุงฟังก์ชัน Fitness โดยการใช้ข้อมูลจากพ่อแม่
การเปลี่ยนแปลงพ่อแม่ไปยังตำแหน่งใหม่
เพื่อหลอกล่อคู่ต่อสู้ว่าเราจะไปทางนี้แต่Crossover ลูกบาสมาอีกทาง เพื่อเปลี่ยนทิศทางหลบคู่ต่อสู้ เอ๋?
Machine Learning คืออะไร?
ข้อนี้ให้พักหายใจ ฮึบบบบ
Supervised Learning มีลักษณะอย่างไร ?
ใช้ข้อมูลที่ไม่มีป้ายกำกับ
ใช้ข้อมูลที่มีป้ายกำกับ
ใช้การทดลองแบบสุ่ม
ใช้กับข้อมูลที่เป็นตัวเลข
ข้อใดต่อไปนี้เป็นตัวอย่างของ Reinforcement Learning?
การจำแนกประเภทดอกไม้จากภาพถ่าย
การฝึกหุ่นยนต์ให้เดินโดยได้รับรางวัลเมื่อเดินถูกต้อง
การหาค่าความสัมพันธ์ระหว่างตัวแปรสองตัว
การสร้างโมเดลทางคณิตศาสตร์โดยใช้ AI เป็นเครื่องมือหลักในการเรียนรู้
ข้อมูลที่ประกอบด้วยคุณลักษณะ (Features) แต่ไม่มีป้ายกำกับ (Labels) เหมาะกับอัลกอริธึมแบบใด?
Supervised Learning
Unsupervised Learning
Reinforcement Learning
Deep Learning
ข้อใดต่อไปนี้เป็นอัลกอริธึมสำหรับการจัดกลุ่ม (Clustering)?
Support Vector Machine (SVM)
K-Means
Logistic Regression
Random Forest
Metrics ใดที่ใช้ประเมินประสิทธิภาพของโมเดล Regression?
Accuracy
Mean Squared Error (MSE)
Precision
Error
การแบ่งข้อมูลเป็น Training Set และ Test Set มีวัตถุประสงค์เพื่ออะไร?
ลดเวลาในการ Train โมเดล
ปรับปรุงคุณภาพข้อมูล
ป้องกันการ Overfitting
ป้องกันให้โมเดล Error
คำว่า "Overfitting" หมายถึงอะไร?
โมเดลที่แม่นยำสูงมาก
โมเดลที่ทำงานได้ดีเฉพาะกับ Training Data
โมเดลที่มีความซับซ้อนน้อยเกินไป
โมเดลที่ทำงานได้ดีเฉพาะ Testing Data
การทำ Cross-Validation มีวัตถุประสงค์เพื่ออะไร?
ข้อใดไม่ใช่ขั้นตอนการทำ Data Preprocessing
ไม่ใช่ทั้งData normalization และ Data visualization
การแบ่งข้อมูลสำหรับ Training Model สามารถทำได้อย่างไรบ้าง
Training Set (10%-15%)
Validation Set
(10%-15%)
Testing Set
(70%-80%)
Training Set (70%-80%)
Validation Set
(10%-15%)
Testing Set
(10%-15%)
Training Set (10%-15%)
Validation Set
(70%-80%)
Testing Set
(10%-15%)
Training Set (30%-35%)
Validation Set
(30%-35%)
Testing Set
(30%-35%)
ขอให้การสอบพรุ่งนี้เป็นไปได้ด้วยดี ที่ไม่ใช่ D
สาธุ
สาธุ สาธุ
สาธุ สาธุ สาธุ
สาธุ สาธุ สาธุ A จงมา !
