NEW
Font size
WorksheetsQuiz sul Machine Learning
Total questions: 15
Worksheet time: 8mins
Qual è la differenza fondamentale tra programmazione tradizionale e machine learning?
La programmazione tradizionale usa if-then, il ML apprende dai dati
Il ML è più veloce della programmazione tradizionale
La programmazione tradizionale non usa algoritmi
Non ci sono differenze significative
Il machine learning ha senso applicarlo quando:
Esiste un pattern nei dati che non possiamo descrivere matematicamente
Abbiamo pochi dati disponibili
Vogliamo risultati perfetti al 100%
Non abbiamo idea di cosa vogliamo ottenere
Cosa sono i 'dati di validazione' in un progetto di ML?
Un dataset per valutare le performance del modello durante l'addestramento
Dati per testare il modello finale
Dati puliti e senza errori
Dati provenienti da fonti ufficiali
Nell'apprendimento supervisionato:
La 'risposta corretta' (output label) è nota
Non ci sono esempi etichettati
Si esplorano le proprietà dei dati senza output noti
Il modello riceve solo ricompense
Quale di questi è un esempio di problema NON supervisionato?
Riconoscere oggetti in immagini
Filtro anti-spam
Segmentazione del mercato
Prevedere prezzi delle case
Nell'apprendimento con rinforzo:
Si ha (input, output, ricompensa)
Si usano solo dati etichettati
Non ci sono meccanismi di reward
Il modello non impara dalle azioni
Il percettrone è stato modellato sul funzionamento di:
Il neurone biologico
I transistor
I circuiti logici
I database relazionali
Cosa rappresenta il 'bias' in un neurone artificiale?
La propensione del neurone ad attivarsi, variando la soglia di attivazione
L'errore sistematico del modello
Il pregiudizio del programmatore
La velocità di elaborazione
Quale funzione di attivazione è continua e derivabile?
Funzione sigmoide
Funzione gradino
Funzione segno
Funzione a soglia dura
Quale tecnica aiuta a prevenire l'overfitting?
La regolarizzazione
Aumentare la complessità del modello
Ridurre i dati di training
Usare più feature
In una matrice di confusione, cosa rappresentano i 'Falsi Positivi'?
Esempi negativi classificati come positivi
Esempi positivi classificati correttamente
Esempi negativi classificati correttamente
Esempi positivi classificati come negativi
Cosa misura la 'Recall'?
TP / (TP + FN) - la capacità di trovare tutti i positivi
TP / (TP + FP) - la precisione nelle predizioni positive
(TP + TN) / totale - l'accuratezza generale
La velocità di classificazione
Se un modello ha alto bias (underfitting), quale strategia può aiutare?
Utilizzare un modello più complesso
Aggiungere più regolarizzazione
Ridurre le feature
Diminuire i dati di training
Per ridurre la varianza (overfitting), è utile:
Aggiungere regolarizzazione L1 o L2
Aumentare la complessità del modello
Ridurre il validation set
Usare più parametri
Quale metafora spiega meglio l'underfitting?
Studente che impara a memoria solo gli esercizi visti
Studente che studia troppo poco e non sa rispondere
Studente che capisce i concetti fondamentali
Studente che copia durante l'esame
