Free Printable AI-Midterm Exam

Worksheets

AI-Midterm Exam

Total questions: 60

Worksheet time: 3600secs

Name

Class

Date

ข้อใดคือคำจำกัดความของ Machine Learning ตามที่ Arthur Samuel กล่าวไว้ในปี 1959

ศาสตร์แห่งการเขียนโปรแกรมคอมพิวเตอร์เพื่อให้สามารถเรียนรู้จากข้อมูลได้

สาขาวิชาที่ให้ความสามารถแก่คอมพิวเตอร์ในการเรียนรู้โดยไม่ต้องถูกโปรแกรมอย่างชัดเจน

โปรแกรมคอมพิวเตอร์ที่เรียนรู้จากประสบการณ์ E เพื่อทำงาน T และวัดผลด้วย P ซึ่งประสิทธิภาพ P จะดีขึ้นตามประสบการณ์ E

ทฤษฎีและวิธีการสร้างเครื่องจักรที่คิดและทำงานได้เหมือนมนุษย์

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

ฐานข้อมูลรูปภาพลายมือที่มีการติดป้ายกำกับโดยมนุษย์

เปอร์เซ็นต์ของตัวอักษรที่จำแนกได้ถูกต้อง

การรู้จำตัวอักษรที่เขียนด้วยลายมือ

อัลกอริทึมที่ใช้ในการฝึกฝนโมเดล

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

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

การเรียนรู้ประเภทใดที่ต้องการข้อมูลและผลลัพธ์ที่ต้องการ (labels) ในการฝึกฝน

Supervised Learning

Unsupervised Learning

Semi-supervised Learning

Reinforcement Learning

การพยากรณ์ 'การเปลี่ยนแปลงของ GDP' จัดเป็นการเรียนรู้ประเภทใด

Classification

Regression

Clustering

Reinforcement Learning

การจัดกลุ่มลูกค้าตามพฤติกรรมการใช้จ่าย (Market Segmentation) โดยไม่มีการกำหนดกลุ่มไว้ล่วงหน้า เป็นตัวอย่างของอะไร

Supervised Learning

Unsupervised Learning

Regression

Reinforcement Learning

ใน Reinforcement Learning 'Agent' จะเรียนรู้โดยการมีปฏิสัมพันธ์กับอะไรเพื่อเพิ่ม 'Reward' ให้สูงสุด

Training Data

Cost Function

Environment

Hyperparameters

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

10.

ข้อใดคือขั้นตอนแรกสุดในกระบวนการ Machine Learning

Gathering Data (การรวบรวมข้อมูล)

Choosing Model (การเลือกโมเดล)

Defining Problem (การกำหนดปัญหา)

Training (การฝึกฝนโมเดล)

11.

สมการสมมติฐาน (Hypothesis) สำหรับ Simple Linear Regression คือข้อใด

$H_{\theta}\left(x\right)=\theta_0+\theta_1x$

$H_{\theta}\left(x\right)=\theta_0+\theta_1X_1+\theta_2X_2$

$H_{\theta}\left(x\right)=\frac{1}{1+e^{-\theta^Tx}}$

$J\left(\theta_0,\ \theta_1\right)=\frac{1}{2m}\sum_{i=1}^m\left(h_{\theta}\left(x^{\left(i\right)}\right)-y^{\left(i\right)}\right)^2$

12.

เป้าหมายของ Cost Function ใน Linear Regression คืออะไร

ทำให้ค่า Error มีค่าสูงสุด

ทำให้ค่า Error มีค่าต่ำที่สุด

ทำให้จำนวนข้อมูลฝึกฝนมีค่ามากที่สุด

ทำให้ Hypothesis function มีความซับซ้อนมากที่สุด

13.

ข้อใดคือ Cost Function ที่นิยมใช้ใน Linear Regression

Mean Absolute Error (MAE)

Mean Squared Error (MSE)

Cross-Entropy Loss

Hinge Loss

14.

Gradient Descent คืออะไร

อัลกอริทึมสำหรับแก้สมการเชิงเส้นโดยตรง

อัลกอริทึมหาค่าเหมาะสมที่สุดแบบวนซ้ำเพื่อหาค่าต่ำสุดของฟังก์ชัน

วิธีการแบ่งข้อมูลสำหรับการทำ Cross-validation

ฟังก์ชันที่ใช้ในการทำนายค่าใน Linear Regression

15.

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

อัลกอริทึมจะลู่เข้าสู่จุดต่ำสุดช้ามาก

อัลกอริทึมอาจจะไม่ลู่เข้าสู่จุดต่ำสุดและอาจลู่ออก

อัลกอริทึมจะลู่เข้าสู่ Global Minimum เสมอ

อัลกอริทึมจะหยุดทำงานทันที

16.

ข้อใดคือข้อดีของ Normal Equation เมื่อเทียบกับ Gradient Descent

ทำงานได้ดีกับข้อมูลที่มีจำนวน features (มิติ) สูงๆ

เป็นวิธีที่ดีที่สุดสำหรับปัญหาที่มีจำนวน features น้อย

ไม่จำเป็นต้องเลือก Learning Rate

เป็นอัลกอริทึมแบบวนซ้ำ (iterative)

17.

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

18.

ฟังก์ชันใดที่ Logistic Regression ใช้ในการแปลงผลลัพธ์ให้อยู่ในช่วง 0 ถึง 1

Linear Function

Step Function

Sigmoid (Logistic) Function

ReLU Function

19.

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

โมเดลมีความแม่นยำ 70%

ค่า Cost function เท่ากับ 0.7

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

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

20.

Decision Boundary ใน Logistic Regression คืออะไร

เส้นที่เชื่อมโยงข้อมูลทุกจุดเข้าด้วยกัน

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

ค่าสูงสุดของ Cost Function

จำนวนรอบที่ใช้ในการฝึกโมเดล

21.

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

เพราะคำนวณยากเกินไป

เพราะทำให้ Cost Function เป็นแบบ Non-convex

เพราะใช้ได้กับ Linear Regression เท่านั้น

เพราะให้ค่าเป็นลบเสมอ

22.

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

Cost มีค่าเข้าใกล้ 0

Cost มีค่าเข้าใกล้ 0.5

Cost มีค่าเข้าใกล้ Infinity (∞)

Cost มีค่าคงที่

23.

วิธี 'One-vs-all' (หรือ One-vs-rest) ใช้สำหรับแก้ปัญหาใด

Regression

Binary Classification

Multi-class Classification

Clustering

24.

อัลกอริทึม k-Nearest Neighbor (k-NN) ทำการจำแนกข้อมูลใหม่อย่างไร

สร้างเส้นแบ่งเขตข้อมูล (Decision Boundary) จากข้อมูลทั้งหมด

คำนวณความน่าจะเป็นของแต่ละคลาสโดยใช้ทฤษฎีของ Bayes

กำหนดคลาสตามคลาสที่พบมากที่สุดในกลุ่มข้อมูลเพื่อนบ้าน k ตัวที่ใกล้ที่สุด

สร้างต้นไม้ตัดสินใจเพื่อแบ่งข้อมูลเป็นส่วนๆ

25.

การเลือกค่า k ที่ 'เล็กเกินไป' ใน k-NN อาจนำไปสู่ปัญหาใด

Underfitting

Overfitting

Computational complexity

Class imbalance

26.

เหตุใดการทำ Normalization หรือ Standardization จึงมีความสำคัญต่อ k-NN

เพื่อลดจำนวนข้อมูลที่ต้องใช้ในการฝึก

เพื่อทำให้คุณลักษณะ (features) ที่มีค่ามากไม่ครอบงำการคำนวณระยะทาง

เพื่อให้ k-NN สามารถทำงานกับข้อมูลที่ไม่ใช่ตัวเลขได้

เพื่อเพิ่มความเร็วในการฝึกโมเดล

27.

ข้อใดคือลักษณะเด่นของ k-NN ที่เรียกว่า 'Lazy Learning'

ใช้เวลาในการฝึกฝนโมเดลนานมาก

ไม่เรียนรู้ฟังก์ชันจากข้อมูลฝึกฝน แต่จะจดจำชุดข้อมูลทั้งหมดไว้

ต้องมีการกำหนดพารามิเตอร์จำนวนมาก

ไม่สามารถทำงานกับข้อมูลที่มี Outlier ได้เลย

28.

หลักการสำคัญของ Naïve Bayes classifier คืออะไร

การหาระยะห่างระหว่างจุดข้อมูล

การสร้างต้นไม้เพื่อแบ่งข้อมูล

การใช้ทฤษฎีของเบย์และสมมติว่าคุณลักษณะ (features) เป็นอิสระต่อกัน

การหาเส้นแบ่งเขตข้อมูลที่ดีที่สุด

29.

ข้อดีของ Naïve Bayes คืออะไร

สามารถจับความสัมพันธ์ที่ซับซ้อนระหว่าง features ได้ดี

ทำงานได้ดีแม้ข้อมูลฝึกฝนมีขนาดเล็กและขยายตัวได้ดีในมิติที่สูง

ไม่ต้องทำ Data Preprocessing เลย

รับประกันว่าจะได้ผลลัพธ์ที่แม่นยำ 100% เสมอ

30.

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

ระยะทางแบบยุคลิด (Euclidean Distance)

ค่า Correlation สูงสุด

ค่า Information Gain สูงสุด

ค่า p-value ต่ำสุด

31.

ค่า Entropy จะเป็น 0 เมื่อใด

เมื่อข้อมูลในชุดนั้นเป็นคลาสเดียวกันทั้งหมด

เมื่อข้อมูลในชุดนั้นมีจำนวนคลาสบวกและคลาสลบเท่ากันพอดี

เมื่อข้อมูลมีค่าสูญหาย (missing values)

เมื่อไม่มีข้อมูลในชุดนั้นเลย

32.

ข้อเสียเปรียบที่สำคัญของ Decision Trees คืออะไร

ไม่สามารถจัดการกับข้อมูลที่เป็นหมวดหมู่ได้

เข้าใจและตีความได้ยาก

มีแนวโน้มที่จะเกิด Overfitting และไม่เสถียร

ต้องการข้อมูลจำนวนมหาศาลในการสร้างโมเดล

33.

การทำ Feature Scaling แบบ Standardization (Z-transformation) จะแปลงข้อมูลให้มีลักษณะอย่างไร

มีค่าอยู่ในช่วง [0, 1]

มีการแจกแจงที่มีค่าเฉลี่ยเป็น 0 และส่วนเบี่ยงเบนมาตรฐานเป็น 1

มีค่าเป็นจำนวนเต็มเท่านั้น

มีการกระจายตัวแบบ Uniform

34.

ข้อใดคือเป้าหมายหลักของการทำ Dimensionality Reduction

เพื่อเพิ่มจำนวน features ให้กับโมเดล

เพื่อลดจำนวน features โดยอาจช่วยลดปัญหา Overfitting และเพิ่มความเร็วในการคำนวณ

เพื่อทำให้ข้อมูลทุกตัวมีค่าเท่ากัน

เพื่อแปลงข้อมูลที่เป็นตัวเลขให้เป็นข้อความ

35.

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

กรณีที่ค่าจริงเป็นบวก และโมเดลทำนายว่าเป็นบวก

กรณีที่ค่าจริงเป็นบวก และโมเดลทำนายว่าเป็นลบ

กรณีที่ค่าจริงเป็นลบ และโมเดลทำนายว่าเป็นบวก

กรณีที่ค่าจริงเป็นลบ และโมเดลทำนายว่าเป็นลบ

36.

เมตริก 'Recall' (หรือ Sensitivity) คำนวณได้อย่างไร และใช้วัดอะไร

TP / (TP + FP), ใช้วัดความแม่นยำของการทำนายที่เป็นบวก

TP / (TP + FN), ใช้วัดความสามารถในการตรวจจับเคสที่เป็นบวกทั้งหมด

(TP + TN) / Total, ใช้วัดความถูกต้องโดยรวมของโมเดล

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

37.

ในสถานการณ์การตรวจหาสแปมอีเมล ถ้าเราไม่ต้องการให้อีเมลสำคัญ (ที่ไม่ใช่สแปม) ถูกส่งไปถังขยะโดยเด็ดขาด เราควรให้ความสำคัญกับเมตริกใดเป็นพิเศษ

Accuracy

Recall

Precision

F1-Score

38.

ปัญหา Class Imbalance คืออะไร

การที่ข้อมูลมี features มากเกินไป

การที่ข้อมูลในแต่ละคลาสมีจำนวนไม่เท่ากันอย่างมาก

การที่ข้อมูลมีค่า Outliers จำนวนมาก

การที่ข้อมูลไม่สามารถแบ่งแยกได้ด้วยเส้นตรง

39.

ปรากฏการณ์ 'Overfitting' หมายถึงอะไร

โมเดลทำงานได้ดีกับทั้งข้อมูลฝึกฝนและข้อมูลทดสอบ

โมเดลทำงานได้ไม่ดีทั้งกับข้อมูลฝึกฝนและข้อมูลทดสอบ

โมเดลทำงานได้ดีมากกับข้อมูลฝึกฝน แต่ทำงานได้แย่กับข้อมูลทดสอบ

โมเดลใช้เวลาในการฝึกฝนน้อยเกินไป

40.

ข้อใดคือวิธีแก้ไขปัญหา Overfitting

ใช้โมเดลที่ซับซ้อนยิ่งขึ้น

ลดจำนวนข้อมูลฝึกฝน

ลดความซับซ้อนของโมเดล, ใช้ Regularization, หรือลดมิติของข้อมูล

เพิ่มจำนวนรอบในการฝึกโมเดล

41.

จุดประสงค์ของการใช้ Validation Set ในวิธี Holdout Cross-Validation คืออะไร

เพื่อฝึกฝนโมเดล (fit the model)

เพื่อประเมินประสิทธิภาพขั้นสุดท้ายของโมเดล

เพื่อเปรียบเทียบและเลือก Hyperparameters ที่ดีที่สุด

เพื่อสร้างข้อมูลใหม่เพิ่มเติม

42.

K-Folds Cross-Validation ทำงานอย่างไร

แบ่งข้อมูลเป็น 2 ส่วน คือ Training และ Test แล้วจบ

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

ใช้ข้อมูลเพียง k จุดในการฝึกโมเดล

สร้างโมเดลที่แตกต่างกัน k โมเดล แล้วนำมารวมกัน

43.

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

มีความเอนเอียง (bias) สูง

ใช้เวลาในการคำนวณสูงมาก (computationally expensive)

ไม่สามารถใช้กับปัญหา Regression ได้

ทำให้เกิด Underfitting ได้ง่าย

44.

Genetic Algorithm (GA) เป็นอัลกอริทึมที่ได้รับแรงบันดาลใจจากอะไร

พฤติกรรมการหาอาหารของฝูงมด

การทำงานของสมองมนุษย์

วิวัฒนาการทางธรรมชาติของดาร์วิน

การเคลื่อนที่ของอนุภาคในฟิสิกส์ควอนตัม

45.

ใน Genetic Algorithm กระบวนการ 'Crossover' คืออะไร

การเปลี่ยนแปลงยีนแบบสุ่มในโครโมโซมเดียว

การรวมส่วนของโครโมโซมจากพ่อแม่สองคนเพื่อสร้างลูกหลานใหม่

การประเมินความเหมาะสม (Fitness) ของแต่ละโครโมโซม

การคัดเลือกโครโมโซมที่ดีที่สุดเพื่อให้อยู่รอด

46.

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

47.

Deep Learning แตกต่างจาก Machine Learning ทั่วไปอย่างไร

Deep Learning ไม่ใช่ส่วนหนึ่งของ Machine Learning

Deep Learning ใช้โครงข่ายประสาทเทียมหลายชั้น (multi-layer neural networks)

Deep Learning ไม่ต้องการข้อมูลในการฝึกฝน

Deep Learning สามารถใช้ได้กับปัญหา Regression เท่านั้น

48.

การทำนายราคาบ้านจากข้อมูลขนาดบ้าน, จำนวนชั้น, และอายุบ้าน เป็นตัวอย่างของอะไร

Simple Linear Regression

Multiple Linear Regression

Logistic Regression

k-Nearest Neighbors

49.

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

ค่าพารามิเตอร์ของโมเดล

ค่า Cost Function

อัตราการเรียนรู้ (Learning Rate)

ค่าอนุพันธ์ (Derivative)

50.

อัลกอริทึมใดที่ไม่ใช่ Parametric Learning

Linear Regression

Logistic Regression

k-Nearest Neighbor (k-NN)

Neural Network (ที่มีโครงสร้างคงที่)

51.

การทำนายว่าผลไม้ชิ้นหนึ่งเป็น 'กล้วย', 'ส้ม', หรือ 'อื่นๆ' จากคุณลักษณะความยาว, ความหวาน, และสีเหลือง เป็นปัญหาประเภทใด

Binary Classification

Multi-class Classification

Regression

Clustering

52.

ข้อใด ไม่ใช่ ขั้นตอนใน Genetic Algorithm

Crossover

Mutation

Backpropagation

Selection

53.

ข้อใดเป็นจริงเกี่ยวกับความสัมพันธ์ระหว่าง 'ข้อมูล' (Data) และ 'โมเดล Machine Learning'

โมเดลที่ซับซ้อน (Fancy ML) กับข้อมูลน้อยๆ ดีกว่าโมเดลที่เรียบง่าย (Simple ML) กับข้อมูลเยอะๆ เสมอ

ข้อมูลเปรียบเสมือนเชื้อเพลิงสำหรับเครื่องยนต์ Machine Learning

คุณภาพของข้อมูลไม่สำคัญเท่ากับปริมาณของข้อมูล

เราสามารถสร้างโมเดล Machine Learning ที่ดีได้โดยไม่ต้องมีข้อมูล

54.

การจัดการกับค่าที่ขาดหายไป (Missing values) โดยการแทนที่ด้วยค่าเฉลี่ย (mean) หรือค่าฐานนิยม (mode) เรียกว่าอะไร

Data Augmentation

Feature Scaling

Imputation

Outlier Removal

55.

เมตริก F1-Score มีประโยชน์อย่างไร

ใช้วัดความถูกต้องโดยรวมของโมเดล

เป็นการหาค่าเฉลี่ยฮาร์มอนิกระหว่าง Precision และ Recall

ใช้วัดความสามารถในการตรวจจับเฉพาะคลาสที่เป็นบวก

ใช้วัดความแม่นยำของการทำนายที่เป็นบวกเท่านั้น

56.

Sequential Backward Selection (SBS) เป็นอัลกอริทึมสำหรับทำอะไร

การทำ Cross-Validation

การทำ Hyperparameter Tuning

การเลือกคุณลักษณะ (Feature Selection)

การทำ Data Augmentation

57.

ข้อใดคือความแตกต่างระหว่าง Supervised Learning และ Unsupervised Learning

Supervised Learning ใช้ข้อมูลที่มีป้ายกำกับ (labeled data) ส่วน Unsupervised Learning ใช้ข้อมูลที่ไม่มีป้ายกำกับ (unlabeled data)

Supervised Learning ใช้สำหรับปัญหา Regression เท่านั้น ส่วน Unsupervised Learning ใช้สำหรับ Classification เท่านั้น

Supervised Learning ทำงานเร็วกว่า Unsupervised Learning เสมอ

Supervised Learning ต้องการข้อมูลน้อยกว่า Unsupervised Learning

58.

ใน k-NN ถ้าค่า k เท่ากับจำนวนข้อมูลทั้งหมดใน training set โมเดลจะทำนายอย่างไร

ทำนายเป็นคลาสที่มีจำนวนน้อยที่สุดเสมอ

ทำนายเป็นคลาสที่มีจำนวนมากที่สุดใน training set เสมอ

ไม่สามารถทำนายได้

ทำนายแบบสุ่ม

59.

SMOTE (Synthetic Minority Over-sampling Technique) เป็นเทคนิคที่ใช้แก้ปัญหาใด

Overfitting

Curse of Dimensionality

Class Imbalance

Missing Values

60.

การทำนายว่าลูกค้าจะ 'คลิก' หรือ 'ไม่คลิก' โฆษณาออนไลน์ เป็นตัวอย่างของปัญหาประเภทใด

Regression

Binary Classification

Clustering

Association Rule Mining

Reset

AI-Midterm Exam

Total questions: 60

Worksheet time: 3600secs

Similar Resources on Wayground