wayground logo

Free Printable Worksheets

Font size

S
M
L
XL
Worksheets

ΠΡΟΕΤΟΙΜΑΣΙΑ AI TEST 2 (41 - 77)

Total questions: 31

Worksheet time: 16mins

Name
Class
Date
1.

Ποιες από τις παρακάτω δηλώσεις ισχύουν για τη Γενική Τεχνητή Νοημοσύνη (ΓΤΝ);

a)

Η ΓΤεχνητή Νοημοσύνη είναι σχεδιασμένη για να εκτελεί συγκεκριμένες εργασίες, όπως η αναγνώριση φωνής.

b)

Η ΓΤεχνητή Νοημοσύνη δεν έχει την ικανότητα να προσαρμόζεται σε νέες καταστάσεις.

c)

Η ΓΤεχνητή Νοημοσύνη μπορεί να αντιμετωπίζει σύνθετα προβλήματα με ολοκληρωμένη σκέψη.

d)

Η ΓΤεχνητή Νοημοσύνη είναι ήδη ευρέως χρησιμοποιούμενη σε πολλές εφαρμογές σήμερα.

2.

Για την Εξαιρετικά Ευφυή Τεχνητή Νοημοσύνη, ποιες δηλώσεις είναι σωστές;

a)

Η ΕΕΤεχνητή Νοημοσύνη επιδιώκει να ξεπεράσει τις ανθρώπινες νοητικές ικανότητες σε όλους τους τομείς.

b)

Η ΕΕΤεχνητή Νοημοσύνη δεν μπορεί να μάθει και να προσαρμοστεί γρήγορα από δεδομένα και εμπειρίες.

c)

Η ΕΕΤεχνητή Νοημοσύνη μπορεί να οδηγήσει σε πρωτοφανείς επιστημονικές ανακαλύψεις και τεχνολογικές επαναστάσεις.

d)

Η ανάπτυξη της ΕΕΤεχνητής Νοημοσύνης δεν εγείρει ηθικά διλήμματα και ανησυχίες σχετικά με την ευθύνη και τα δικαιώματα των ανθρώπων και των μηχανών.

3.

Ποια είναι τα βασικά χαρακτηριστικά των νευρωνικών δικτύων;

a)

Ικανότητα μάθησης από δεδομένα

b)

Ευελιξία εφαρμογής σε διάφορα προβλήματα

c)

Αδυναμία διαχείρισης πολυπλοκών δεδομένων

d)

Συνεχής βελτίωση με την έκθεση σε περισσότερα δεδομένα

4.

Ποια πλεονεκτήματα προσφέρουν τα νευρωνικά δίκτυα;

a)

Ικανότητα μάθησης πολυπλοκών σχέσεων

b)

Δυνατότητα γενίκευσης σε νέα δεδομένα

c)

Ανάγκη για μικρό όγκο δεδομένων εκπαίδευσης

d)

Προσαρμοστικότητα σε νέα δεδομένα

5.

Ποια είναι τα κυριότερα ηθικά ζητήματα που προκύπτουν από τη χρήση νευρωνικών δικτύων;

a)

Προκατάληψη

b)

Δικαιοσύνη

c)

Διαφάνεια στη λήψη αποφάσεων

d)

Υψηλό κόστος ανάπτυξης

6.

Σε ποια από τις παρακάτω περιπτώσεις ΔΕΝ εφαρμόζεται επιβλεπόμενη μάθηση;

a)

Πρόβλεψη τιμών μετοχών

b)

Ανίχνευση ανωμαλιών

c)

Ανάπτυξη αλγορίθμων επενδύσεων

d)

Αναγνώριση αντικειμένων σε εικόνες

7.

Ποια από τις παρακάτω έννοιες δεν αποτελεί βασικό στοιχείο της ενισχυτικής μάθησης;

a)

Πολιτική

b)

Επικράτεια

c)

Λειτουργία Αξίας

d)

Ενίσχυση

8.

Ποιος τύπος μάθησης εκμεταλλεύεται δομές και μοτίβα μέσα από μη ετικετοποιημένα δεδομένα;

a)

Επιβλεπόμενη Μάθηση

b)

Μη-Επιβλεπόμενη Μάθηση

c)

Ημι-Επιβλεπόμενη Μάθηση

d)

Ενισχυτική Μάθηση

9.

Ποιες από τις παρακάτω δηλώσεις για τις εφαρμογές των νευρωνικών δικτύων είναι ορθές;

a)

Τα νευρωνικά δίκτυα χρησιμοποιούνται στη βιοπληροφορική για την ανάλυση γονιδιωματικών δεδομένων και την πρόβλεψη δομής πρωτεϊνών.

b)

Στον τομέα της επεξεργασίας φυσικής γλώσσας, τα νευρωνικά δίκτυα χρησιμοποιούνται αποκλειστικά για μηχανική μετάφραση.

c)

Η αναγνώριση ομιλητή, που αφορά την ταυτοποίηση ατόμων από τη φωνή τους, είναι μια εφαρμογή των νευρωνικών δικτύων στην αναγνώριση εικόνας και ομιλίας.

d)

Τα νευρωνικά δίκτυα χρησιμοποιούνται στην κλιματική μοντελοποίηση μόνο για την πρόβλεψη της θερμοκρασίας.

10.

Οι αλγόριθμοι Μηχανικής Μάθησης απαιτούν υποχρεωτικά ρητό (χειροκίνητο) προγραμματισμό για κάθε λειτουργία.

a)

Σωστό

b)

Λάθος

11.

Η πρόβλεψη καιρού δεν μπορεί να ωφεληθεί από την εφαρμογή τεχνικών Μηχανικής Μάθησης.

a)

Σωστό

b)

Λάθος

12.

Όσον αφορά την ταξινόμηση και τις προτάσεις σε πλατφόρμες όπως Netflix, Amazon, Spotify, τι ισχύει;

a)

Η Netflix χρησιμοποιεί μόνο κατηγοριοποίηση βάσει περιεχομένου για τις προτάσεις ταινιών και σειρών.

b)

Η Amazon δεν χρησιμοποιεί συνεργατικό φιλτράρισμα για την πρόταση προϊόντων.

c)

Το Spotify χρησιμοποιεί αλγορίθμους ταξινόμησης για να κατηγοριοποιεί νέα τραγούδια και άλμπουμ σύμφωνα με τις μουσικές προτιμήσεις των χρηστών.

13.

Η βελτιστοποίηση και ο σχεδιασμός αλγορίθμων θεωρούνται δευτερεύουσας σημασίας στη Μηχανική Μάθηση.

a)

Σωστό

b)

Λάθος

14.

Διαθέτεις χαρακτηριστικά πελατών χωρίς ετικέτες/έξοδο. Ποια κατηγορία μεθόδων είναι πιο κατάλληλη;

a)

Επιβλεπόμενη Μάθηση

b)

Μη-Επιβλεπόμενη Μάθηση

c)

ημι-Επιβλεπόμενη Μάθηση

d)

Ενισχυτική Μάθηση

15.

Σε σχέση με τον αλγόριθμο K-means, ποια από τις παρακάτω δηλώσεις είναι σωστή;

a)

Ο K-means είναι ένας αλγόριθμος επιβλεπόμενης μηχανικής μάθησης που χρησιμοποιείται για ταξινόμηση δεδομένων.

b)

Ο αλγόριθμος K-means αρχικοποιεί K κεντρικά σημεία τα οποία ενημερώνονται με βάση τον μέσο όρο των σημείων δεδομένων που ανήκουν σε κάθε ομάδα.

c)

Ο αριθμός των ομάδων K δεν χρειάζεται να καθοριστεί εκ των προτέρων για τη λειτουργία του K-means.

d)

Ο K-means δεν επηρεάζεται από την αρχική τοποθέτηση των κεντρικών σημείων.

16.

Για τον αλγόριθμο DBSCAN, ποια πρόταση αποδίδει σωστά τα χαρακτηριστικά του;

a)

Ο DBSCAN απαιτεί την εκ των προτέρων καθορισμένη επιλογή του αριθμού των ομάδων.

b)

Ο DBSCAN βασίζεται στις παραμέτρους απόστασης (epsilon) και ελάχιστου αριθμού σημείων (minPts).

c)

Ο DBSCAN δεν μπορεί να αναγνωρίσει θόρυβο στα δεδομένα.

d)

Ο DBSCAN είναι κατάλληλος μόνο για δεδομένα με απλές κατανομές.

17.

Για ομαδοποίηση πελατών με βάση τις αγοραστικές τους συνήθειες, ποιος αλγόριθμος clustering είναι πιο κατάλληλος;

a)

Λογιστική Παλινδρόμηση

b)

Δέντρα απόφασης

c)

K-means clustering

d)

Ενισχυτική Μάθηση

18.

Ποια από τα παρακάτω παραδείγματα αντιστοιχούν σε επιβλεπόμενους αλγόριθμους;

a)

Λογιστική παλινδρόμηση

b)

Δέντρα αποφάσεων

c)

Ιεραρχική Ομαδοποίηση

d)

DBSCAN

19.

Ποια διατύπωση περιγράφει πιο σωστά τον αλγόριθμο DBSCAN;

a)

Ο DBSCAN απαιτεί τον εκ των προτέρων καθορισμό του αριθμού των ομάδων.

b)

Ο αλγόριθμος βασίζεται στην πυκνότητα των δεδομένων για τον εντοπισμό ομάδων.

c)

Ο DBSCAN μπορεί να αναγνωρίσει θόρυβο και να σχηματίσει ομάδες ανεξάρτητα από το σχήμα τους.

d)

Η απόδοση του DBSCAN είναι ανεξάρτητη από την επιλογή των παραμέτρων ε και minPts.

20.

Πώς ερμηνεύεται η ακρίβεια (accuracy) σε training και test set;

a)

Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια σημαίνει ότι η ταξινόμηση στο test set θα είναι επίσης 100% ακρίβεια.

b)

Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια δεν έχει καμία σχέση με την ακρίβεια στο test set.

c)

Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια μπορεί να υποδεικνύει υπερεκπαίδευση (overfitting) και δεν εγγυάται 100% ακρίβεια στο test set.

d)

Η ακρίβεια στο σύνολο δοκιμής (test set) είναι πάντα χαμηλότερη από την ακρίβεια στο σύνολο εκπαίδευσης (training set).

21.

Είναι απαραίτητα δεδομένα εκπαίδευσης (train data) στις μεθόδους clustering;

a)

Ένας αλγόριθμος ομαδοποίησης (clustering) λειτουργεί καλύτερα με εποπτευόμενα δεδομένα (supervised data).

b)

Ένας αλγόριθμος ομαδοποίησης (clustering) χρειάζεται «δεδομένα εκπαίδευσης» (train data) για να λειτουργήσει.

c)

Ένας αλγόριθμος ομαδοποίησης (clustering) δεν χρειάζεται δεδομένα εκπαίδευσης (train data) για να λειτουργήσει.

d)

Ένας αλγόριθμος ομαδοποίησης (clustering) χρειάζεται μόνο δεδομένα δοκιμής (test data) για να λειτουργήσει.

22.

Σε ένα δέντρο απόφασης, ποια είναι η σημασία κάθε χαρακτηριστικού/μεταβλητής;

a)

Τα χαρακτηριστικά που βρίσκονται στη ρίζα του δέντρου έχουν μικρότερη σημασία από αυτά που βρίσκονται στα κλαδιά.

b)

Τα χαρακτηριστικά που βρίσκονται στα κλαδιά του δέντρου έχουν μεγαλύτερη σημασία από αυτά που βρίσκονται στη ρίζα.

c)

Η θέση ενός χαρακτηριστικού στο δέντρο δεν επηρεάζει τη σημασία του.

d)

Τα χαρακτηριστικά που βρίσκονται πιο κοντά στη ρίζα του δέντρου θεωρούνται συνήθως πιο σημαντικά από αυτά που βρίσκονται πιο κάτω στα κλαδιά.

23.

Στον αλγόριθμο K-means, ποιος αποφασίζει την τιμή του K (αριθμός συστάδων);

a)

Ο αλγόριθμος K-means καθορίζει αυτόματα την τιμή του K.

b)

Ο χρήστης καθορίζει την τιμή του K πριν την εκτέλεση του αλγορίθμου.

c)

Ο αριθμός των clusters (K) καθορίζεται από τα δεδομένα κατά τη διάρκεια της εκτέλεσης του αλγορίθμου.

d)

Το K επιλέγεται τυχαία από τον αλγόριθμο σε κάθε επανάληψη.

24.

Ποια ιδιότητα χαρακτηρίζει τον αλγόριθμο K-means;

a)

Στον αλγόριθμο k-means, ένα σημείο μπορεί να ανήκει σε περισσότερες από μία ομάδες (clusters).

b)

Στον αλγόριθμο k-means, ένα σημείο μπορεί να μην ανήκει σε καμία ομάδα (cluster).

c)

Στον αλγόριθμο k-means, οι ομάδες (clusters) καθορίζονται τυχαία και δεν αλλάζουν.

d)

Στον αλγόριθμο k-means, όλα τα σημεία πάντα ανήκουν σε μία και μόνο μία ομάδα (cluster).

25.

Πώς εφαρμόζεται η ιεραρχική (agglomerative) ομαδοποίηση σε προϊόντα;

a)

Ξεκινάμε με όλα τα προϊόντα σε μία ομάδα και προοδευτικά διαχωρίζουμε την ομάδα σε υποομάδες μέχρι κάθε προϊόν να αποτελεί τη δική του ξεχωριστή ομάδα.

b)

Υπολογίζουμε την απόσταση μεταξύ όλων των ζευγών προϊόντων και συνενώνουμε τα δύο πιο απομακρυσμένα ζεύγη σε μία ομάδα.

c)

Ξεκινάμε με κάθε προϊόν ως ξεχωριστή ομάδα και προοδευτικά συνενώνουμε τις πιο κοντινές ομάδες μέχρι όλες οι ομάδες να συγχωνευθούν σε μία.

d)

Καθορίζουμε εκ των προτέρων τον αριθμό των ομάδων που θέλουμε να δημιουργήσουμε και αναθέτουμε τα προϊόντα στις ομάδες με βάση τα χαρακτηριστικά τους.

26.

Σχετικά με τη χρήση Τεχνητής Νοημοσύνης στην ανίχνευση απάτης, τι ισχύει;

a)

Η Τεχνητή Νοημοσύνη δεν μπορεί να χρησιμοποιηθεί για την ανίχνευση απάτης στις ασφαλίσεις.

b)

Η ανάλυση φυσικής γλώσσας (επεξεργασία φυσικής γλώσσας) χρησιμοποιείται για την ανίχνευση απάτης σε έγγραφα, emails και συνομιλίες.

c)

Η Τεχνητή Νοημοσύνη δεν μπορεί να αναλύσει τη συμπεριφορά των χρηστών για την ανίχνευση ανωμαλιών.

d)

Η προγνωστική ανάλυση με Τεχνητή Νοημοσύνη δεν είναι δυνατή για την πρόβλεψη πιθανού κινδύνου απάτης στο μέλλον.

27.

Πώς εκπαιδεύεται ένα μοντέλο ανίχνευσης απάτης χρησιμοποιώντας συναλλαγές με ετικέτες;

a)

Επιβλεπόμενη Μάθηση

b)

Μη-Επιβλεπόμενη Μάθηση

c)

ημι-Επιβλεπόμενη Μάθηση

d)

Ενισχυτική Μάθηση

28.

Πώς μπορεί η Τεχνητή Νοημοσύνη να αυτοματοποιήσει τη διαχείριση κινδύνου;

a)

Η Τεχνητή Νοημοσύνη δεν μπορεί να χρησιμοποιηθεί για την ανίχνευση κυβερνοαπειλών σε πραγματικό χρόνο.

b)

Οι ασφαλιστικές εταιρείες δεν χρησιμοποιούν Τεχνητή Νοημοσύνη για την αυτόματη αξιολόγηση αιτήσεων αποζημίωσης.

c)

Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στη βελτιστοποίηση διαδρομών παράδοσης στην εφοδιαστική αλυσίδα και τα logistics.

d)

Η αυτόματη ανάλυση ιατρικών εξετάσεων με Τεχνητή Νοημοσύνη δεν παρέχει προληπτικές ειδοποιήσεις στους γιατρούς.

29.

Ποια οφέλη προσφέρουν τα νευρωνικά δίκτυα στις οικονομικές προβλέψεις;

a)

Μείωση της ανάγκης για δεδομένα

b)

Ακριβείς προβλέψεις με βάση ιστορικά δεδομένα

c)

Αυτοματοποίηση διαδικασιών ανάλυσης

d)

Αύξηση του ανθρώπινου δυναμικού

30.

Για την ανίχνευση απάτης με Τεχνητή Νοημοσύνη, ποιες από τις παρακάτω δηλώσεις είναι σωστές;

a)

Η Τεχνητή Νοημοσύνη χρησιμοποιείται για την ανάλυση συναλλαγών σε πραγματικό χρόνο, εντοπίζοντας ασυνήθιστες ή ύποπτες δραστηριότητες.

b)

Τα συστήματα Τεχνητή Νοημοσύνη μπορούν να αναλύσουν τη συμπεριφορά των χρηστών σε ψηφιακές πλατφόρμες, αλλά όχι να εντοπίσουν ανωμαλίες που υποδηλώνουν απάτη.

c)

Η Επεξεργασία Φυσικής Γλώσσας (επεξεργασία φυσικής γλώσσας) χρησιμοποιείται για την ανάλυση μεγάλου όγκου κειμένων και τον εντοπισμό ύποπτων ή κακόβουλων δηλώσεων.

d)

Η Τεχνητή Νοημοσύνη στην ανίχνευση απάτης περιορίζεται μόνο στον τραπεζικό τομέα και δεν έχει εφαρμογές σε άλλους κλάδους

31.

Ποιο από τα ακόλουθα αποτελεί παράδειγμα ημι-επιβλεπόμενης μάθησης;

a)

Πρόβλεψη τιμών μετοχών

b)

Ταξινόμηση ιατρικών εικόνων

c)

Εκπαίδευση ρομπότ για βάδισμα

d)

Ανίχνευση απάτης σε συναλλαγές