WorksheetsAlgorytmy uczenia nadzorowanego
Total questions: 20
Worksheet time: 10mins
Czym jest uczenie maszynowe (ML)?
Zbiorem zasad działania systemu operacyjnego.
Poddziedziną AI, w której systemy uczą się na podstawie danych i doświadczeń.
Technologią do przetwarzania obrazów cyfrowych.
Systemem opartym wyłącznie na sztywnych regułach.
Na czym polega uczenie nadzorowane?
Model uczy się bez żadnych etykiet.
Model analizuje relacje pomiędzy elementami w dużych zbiorach danych.
Model uczy się na danych z przypisanymi etykietami, które wskazują poprawne odpowiedzi.
Model maksymalizuje nagrodę w interakcji ze środowiskiem.
Jakie dwa główne problemy rozwiązuje uczenie nadzorowane?
Grupowanie i predykcja.
Klasyfikacja i regresja.
Analiza i eksploracja.
Kategoryzacja i tokenizacja.
Czym charakteryzuje się uczenie nienadzorowane?
Model samodzielnie odkrywa wzorce w danych bez etykiet.
Model działa wyłącznie w środowisku symulacyjnym.
Model otrzymuje poprawne odpowiedzi od człowieka.
Model przewiduje wartości ciągłe.
Na czym polega uczenie przez wzmocnienie?
Model analizuje nieoznakowane dane.
Model otrzymuje dane z etykietami.
Model uczy się poprzez interakcję ze środowiskiem, aby maksymalizować nagrodę.
Model przewiduje wartości liczbowe na podstawie zależności liniowych.
Co jest celem agenta w uczeniu przez wzmocnienie?
Minimalizacja strat w danych.
Maksymalizacja nagrody zwracanej przez środowisko.
Klasteryzacja danych wejściowych.
Przypisanie etykiet do danych.
Czym jest bufor w uczeniu przez wzmocnienie?
Element sterujący zachowaniem agenta.
Magazyn danych, w którym agent przechowuje doświadczenia do późniejszego treningu.
Wskaźnik błędu modelu.
Sieć neuronowa kontrolująca środowisko.
Czym zajmują się algorytmy klasyfikacji?
Grupowaniem danych bez etykiet.
Przewidywaniem wartości liczbowych.
Przypisywaniem danych do wcześniej zdefiniowanych klas.
Wykrywaniem zależności między produktami.
Na czym polega działanie algorytmu k-NN (k najbliższych sąsiadów)?
Przewiduje wartości na podstawie zależności liniowej.
Określa etykietę punktu, biorąc pod uwagę etykiety jego najbliższych sąsiadów.
Buduje wiele drzew decyzyjnych i uśrednia wyniki.
Znajduje reguły asocjacyjne między danymi.
Co wyróżnia Maszyny Wektorów Nośnych (SVM)?
Używają prostych zależności liniowych.
Szukają hiperpowierzchni maksymalizującej margines między klasami.
Losowo łączą wiele drzew decyzyjnych.
Wykrywają często występujące zestawy elementów.
Czym charakteryzuje się las losowy (Random Forest)?
Model liniowy do przewidywania wartości liczbowych.
Zbiór wielu drzew decyzyjnych połączonych w celu poprawy dokładności.
Algorytm klastrowania oparty na gęstości.
Metoda predykcji opartej o sąsiadów.
Co przewidują algorytmy regresji?
Klasy lub etykiety danych.
Wartości ciągłe (liczbowe).
Grupowanie danych.
Relacje pomiędzy elementami.
Czym jest regresja liniowa?
Algorytmem do grupowania danych.
Modelem do klasyfikacji tekstu.
Algorytmem przewidującym wartość na podstawie zależności liniowej między zmiennymi.
Siecią neuronową o wielu warstwach.
Co robi algorytm K-Means?
Przewiduje wartości ciągłe.
Tworzy drzewo decyzyjne.
Dzieli dane na określoną liczbę klastrów, przypisując punkty do najbliższego środka klastra.
Łączy wiele modeli regresyjnych.
Czym jest algorytm DBSCAN?
Metodą klasyfikacji binarnej.
Algorytmem losowego lasu.
Algorytmem klastrowania opartym na gęstości, potrafiącym ignorować szum.
Modelem regresji liniowej.
Co robi algorytm Apriori?
Klasyfikuje dane według etykiet.
Wykrywa często współwystępujące zestawy elementów i generuje reguły asocjacyjne.
Przewiduje wartości ciągłe.
Tworzy lasy decyzyjne.
Do jakiego typu uczenia należy algorytm Apriori?
Uczenie nadzorowane.
Uczenie przez wzmocnienie.
Uczenie nienadzorowane.
Uczenie głębokie.
Co jest głównym celem klasteryzacji?
Przewidywanie etykiet danych.
Minimalizacja błędu modelu.
Grupowanie obiektów o podobnych cechach.
Maksymalizacja nagrody.
Co wyróżnia GMM (Gaussian Mixture Model)?
Wykorzystuje funkcje liniowe.
Tworzy drzewa decyzyjne.
Zakłada, że dane pochodzą z mieszaniny kilku rozkładów Gaussa.
Używa analizy sąsiadów.
Który algorytm jest przykładem uczenia przez wzmocnienie?
K-Means.
Regresja liniowa.
Naiwny klasyfikator Bayesa.
Model agenta uczącego się w środowisku gry komputerowej.
