Font size
Worksheets4ο ΣΕΤ -ΑΙ
Total questions: 32
Worksheet time: 17mins
Η Μηχανική Μάθηση δίνει τη δυνατότητα σε συστήματα να βελτιώνουν μόνα τους τη συμπεριφορά τους χωρίς λεπτομερείς οδηγίες για κάθε εργασία.
ΣΩΣΤΟ
ΛΑΘΟΣ
Η Μηχανική Μάθηση ξεπερνά το κλασικό μοντέλο «προγραμμάτισε–εκτέλεσε», επιτρέποντας μάθηση από δεδομένα χωρίς ρητή κωδικοποίηση για κάθε ξεχωριστή περίπτωση.
ΣΩΣΤΟ
ΛΑΘΟΣ
Η προοδευτική βελτίωση ενός μοντέλου μέσα από επαναλαμβανόμενη εκπαίδευση θυμίζει τον τρόπο που ένα μωρό μαθαίνει σταδιακά να περπατά;
ΣΩΣΤΟ
ΛΑΘΟΣ
Ποιες είναι οι κύριες κατηγορίες/οικογένειες της Μηχανικής Μάθησης;
Επιβλεπόμενη μάθηση
Αλγοριθμική μάθηση
Ενισχυτική μάθηση
Μη-επιβλεπόμενη μάθηση
Ποια εργαλεία χρησιμοποιούνται πιο συχνά για την ανάπτυξη εφαρμογών Τεχνητής Νοημοσύνης;
Python
TensorFlow
Microsoft Excel
PyTorch
Ποιες μέθοδοι εφαρμόζονται για τη βελτίωση/αναβάθμιση της ποιότητας των δεδομένων στη Μηχανική Μάθηση;
Καθαρισμός δεδομένων
Εμπλουτισμός δεδομένων
Αντικατάσταση ελλειπόντων τιμών
Κανονικοποίηση δεδομένων
Ποια είναι τα βασικά στάδια που θεωρούνται κρίσιμα στη διαδικασία επεξεργασίας φυσικής γλώσσας (NLP);
Αναγνώριση λέξεων
Ομαδοποίηση προτύπων
Εξαγωγή σημασίας
Επιλογή λέξεων
Σχετικά με το πώς αλληλεπιδρά ένα ρομπότ με το περιβάλλον του, ποιες από τις παρακάτω δηλώσεις είναι σωστές;
Οι αισθητήρες επιτρέπουν στα ρομπότ να συλλέγουν πληροφορίες για το περιβάλλον τους.
Οι ενεργοποιητές δεν είναι απαραίτητοι για την κίνηση των ρομπότ.
προγραμματισμός συμπεριφοράς βοηθά τα ρομπότ να εκτελούν επιθυμητές εργασίες και να αλληλεπιδρούν ευφυώς με το περιβάλλον τους.
Ο σχεδιασμός αλληλεπίδρασης δεν περιλαμβάνει την επιλογή κατάλληλων υλικών.
Ποιες είναι ενδεικτικές εφαρμογές νευρωνικών δικτύων στην επεξεργασία εικόνας και ομιλίας;
Ταξινόμηση εικόνων
Εντοπισμός αντικειμένων
Αναγνώριση ομιλητή
Παραγωγή κειμένου
Ποιες εφαρμογές νευρωνικών δικτύων συναντάμε στον χώρο της επεξεργασίας φυσικής γλώσσας (NLP);
Μηχανική μετάφραση
Ανάλυση συναισθήματος
Τμηματοποίηση εικόνας
Απάντηση ερωτήσεων
Ποια είναι τα βασικά πλεονεκτήματα των νευρωνικών δικτύων σε σχέση με τις κλασικές μεθόδους;
Ικανότητα μάθησης πολύπλοκων σχέσεων σε δεδομένα
Γενίκευση σε νέα, άγνωστα δεδομένα
Μπορούν να προσαρμοστούν σε νέα δεδομένα μέσω επανεκπαίδευσης
Δεν μπορούν να διαχειριστούν θόρυβο με αποτελεσματικό τρόπο
Όσον αφορά την Όραση Υπολογιστών (Computer Vision), ποιες από τις παρακάτω προτάσεις είναι ορθές;
Η παρακολούθηση κίνησης γίνεται με την ανίχνευση αλλαγών στις εικόνες από καρέ σε καρέ σε βίντεο.
Η αναγνώριση αντικειμένων βασίζεται αποκλειστικά στην ανάλυση χρωμάτων και υφών.
Τα συστήματα περιγραφής εικόνων μπορούν να χρησιμοποιηθούν για να βοηθήσουν άτομα με προβλήματα όρασης.
Η κατανόηση σκηνών περιλαμβάνει μόνο την ανάλυση οπτικών πληροφοριών, χωρίς να λαμβάνει υπόψη άλλα δεδομένα.
Ποιο στοιχείο διαφοροποιεί ένα σύστημα Γενικής Τεχνητής Νοημοσύνης (AGI) από μια «αδύναμη» ή εξειδικευμένη Τεχνητή Νοημοσύνη;
Ικανότητα εκμάθησης από νέες εμπειρίες
Εξαιρετικά εξειδικευμένες λειτουργίες
Δυνατότητα επίλυσης διαφόρων τύπων προβλημάτων
Σε ποιους τομείς της ιατρικής χρησιμοποιούνται νευρωνικά δίκτυα;
Ιατρική διάγνωση
Ανάλυση ιατρικών εικόνων
Πρόβλεψη ασθενειών
Χειρουργικές επεμβάσεις
Ποια θεωρούνται τα κύρια πλεονεκτήματα των νευρωνικών δικτύων;
Ικανότητα μάθησης
Γενίκευση
Προσαρμοστικότητα
Απλότητα στη δομή
Για την Εξαιρετικά Ευφυή Τεχνητή Νοημοσύνη, ποιες δηλώσεις είναι σωστές;
Η ΕΕΤεχνητή Νοημοσύνη επιδιώκει να ξεπεράσει τις ανθρώπινες νοητικές ικανότητες σε όλους τους τομείς.
Η ΕΕΤεχνητή Νοημοσύνη δεν μπορεί να μάθει και να προσαρμοστεί γρήγορα από δεδομένα και εμπειρίες
Η ΕΕΤεχνητή Νοημοσύνη μπορεί να οδηγήσει σε πρωτοφανείς επιστημονικές ανακαλύψεις και τεχνολογικές επαναστάσεις.
Η ανάπτυξη της ΕΕΤεχνητή Νοημοσύνη δεν εγείρει ηθικά διλήμματα και ανησυχίες σχετικά με την ευθύνη και τα δικαιώματα των ανθρώπων και των μηχανών.
Ποια είναι τα βασικά χαρακτηριστικά των νευρωνικών δικτύων;
Ικανότητα μάθησης από δεδομένα
Ευελιξία εφαρμογής σε διάφορα προβλήματα
Αδυναμία διαχείρισης πολύπλοκων δεδομένων
Συνεχής βελτίωση με την έκθεση σε περισσότερα δεδομένα
Ποια πλεονεκτήματα προσφέρουν τα νευρωνικά δίκτυα;
Ικανότητα μάθησης πολύπλοκων σχέσεων
Δυνατότητα γενίκευσης σε νέα δεδομένα
Ανάγκη για μικρό όγκο δεδομένων εκπαίδευσης
Προσαρμοστικότητα σε νέα δεδομένα
Ποια είναι τα κυριότερα ηθικά ζητήματα που προκύπτουν από τη χρήση νευρωνικών δικτύων;
Προκατάληψη
Δικαιοσύνη
Διαφάνεια στη λήψη αποφάσεων
Υψηλό κόστος ανάπτυξης
Ποιες από τις παρακάτω δηλώσεις για τις εφαρμογές των νευρωνικών δικτύων είναι ορθές;
Τα νευρωνικά δίκτυα χρησιμοποιούνται στη βιοπληροφορική για την ανάλυση γονιδιωματικών δεδομένων και την πρόβλεψη δομής πρωτεϊνών.
Στον τομέα της επεξεργασίας φυσικής γλώσσας, τα νευρωνικά δίκτυα χρησιμοποιούνται αποκλειστικά για μηχανική μετάφραση.
Η αναγνώριση ομιλητή, που αφορά την ταυτοποίηση ατόμων από τη φωνή τους, είναι μια εφαρμογή των νευρωνικών δικτύων στην αναγνώριση εικόνας και ομιλίας.
Τα νευρωνικά δίκτυα χρησιμοποιούνται στην κλιματική μοντελοποίηση μόνο για την πρόβλεψη της θερμοκρασίας.
Όσον αφορά την ταξινόμηση και τις προτάσεις σε πλατφόρμες όπως Netflix, Amazon, Spotify, τι ισχύει;
Η Netflix χρησιμοποιεί μόνο κατηγοριοποίηση βάσει περιεχομένου για τις προτάσεις ταινιών και σειρών
Η Amazon δεν χρησιμοποιεί συνεργατικό φιλτράρισμα για την πρόταση προϊόντων.
Το Spotify χρησιμοποιεί αλγορίθμους ταξινόμησης για να κατηγοριοποιεί νέα τραγούδια και άλμπουμ σύμφωνα με τις μουσικές προτιμήσεις των χρηστών.
Τοποθέτησε στη σωστή σειρά τα στάδια ανάπτυξης ενός μοντέλου Μηχανικής Μάθησης.
Α) Επιλογή του κατάλληλου αλγορίθμου και δημιουργία του μοντέλου.
Β) Εκπαίδευση του μοντέλου με τα δεδομένα εκπαίδευσης.
Γ) Αξιολόγηση του μοντέλου με τα δεδομένα δοκιμής.
Δ) Συλλογή και προετοιμασία δεδομένων.
Δ->Α->Γ->Β
Δ->Γ->Α->Β
Β->Α->Γ->Δ
Δ->Β->Γ->Α
Σε σχέση με τον αλγόριθμο K-means, ποια από τις παρακάτω δηλώσεις είναι σωστή;
Ο K-means είναι ένας αλγόριθμος επιβλεπόμενης μηχανικής μάθησης που χρησιμοποιείται για ταξινόμηση δεδομένων.
Ο αλγόριθμος K-means αρχικοποιεί Κ κεντρικά σημεία τα οποία ενημερώνονται με βάση τον μέσο όρο των σημείων δεδομένων που ανήκουν σε κάθε ομάδα.
Ο αριθμός των ομάδων Κ δεν χρειάζεται να καθοριστεί εκ των προτέρων για τη λειτουργία του K-means.
Ο K-means δεν επηρεάζεται από την αρχική τοποθέτηση των κεντρικών σημείων.
Ποια από τα παρακάτω παραδείγματα αντιστοιχούν σε επιβλεπόμενους αλγόριθμους;
Λογιστική παλινδρόμηση
Δέντρα αποφάσεων
Ιεραρχική Ομαδοποίηση
DBSCAN
Ποια διατύπωση περιγράφει πιο σωστά τον αλγόριθμο DBSCAN;
Ο DBSCAN απαιτεί τον εκ των προτέρων καθορισμό του αριθμού των ομάδων
Ο αλγόριθμος βασίζεται στην πυκνότητα των δεδομένων για τον εντοπισμό ομάδων
Ο DBSCAN μπορεί να αναγνωρίσει θόρυβο και να σχηματίσει ομάδες ανεξάρτητα από το σχήμα τους
Η απόδοση του DBSCAN είναι ανεξάρτητη από την επιλογή των παραμέτρων ε και minPts.
Ποια είναι η ορθή σειρά βημάτων στην προεπεξεργασία δεδομένων;
Α) Κανονικοποίηση ή τυποποίηση των δεδομένων.
Β) Διαχωρισμός των δεδομένων σε εκπαιδευτικό και δοκιμαστικό σύνολο.
Γ) Μετατροπή κατηγορικών χαρακτηριστικών σε αριθμητικά (π.χ. one-hot encoding).
Δ) Καθαρισμός των δεδομένων από ακατάλληλες ή ελλιπείς εγγραφές
Γ->Α->Δ->Β
Δ->Α->Γ->Β
Α->Δ->Γ->Β
Δ->Β->Γ->Α
Ποια ακολουθία περιγράφει σωστά τη διαδικασία αξιολόγησης ενός μοντέλου;
Α) Δοκιμή του μοντέλου με τα δοκιμαστικά δεδομένα
Β) Εκπαίδευση του μοντέλου με τα δεδομένα εκπαίδευσης.
Γ) Υπολογισμός των μετρικών αξιολόγησης (π.χ. ακρίβεια, ανάκληση, F1-score).
Δ) Διαχωρισμός των δεδομένων σε εκπαιδευτικό και δοκιμαστικό σύνολο.
Γ->Β->Δ->Α
Α->Δ->Β->Γ
Γ->Δ->Β->Α
Β->Δ->Γ->Α
Ποια είναι η σωστή σειρά ενεργειών για τη βελτίωση ενός μοντέλου;
Α) Εκπαίδευση και επαναξιολόγηση του μοντέλου με τις βελτιωμένες υπερπαραμέτρους και δεδομένα.
Β) Υπερπαραμετροποίηση του μοντέλου χρησιμοποιώντας τεχνικές όπως Grid Search ή Random Search.
Γ) Αξιολόγηση της απόδοσης του μοντέλου χρησιμοποιώντας μετρικές όπως cross-validation.
Δ) Συλλογή περισσότερων δεδομένων ή δημιουργία νέων χαρακτηριστικών για βελτίωση του μοντέλου.
Α->Β->Γ->Δ
Δ->Α->Γ->Β
Γ->Β->Δ->Α
Δ->Β->Γ->Α
Ποια είναι η σωστή ακολουθία βημάτων για τον αλγόριθμο K-means;
Α) Επιλογή τυχαία K σημείων από το σύνολο δεδομένων ως τα αρχικά κέντρα των ομάδων.
Β) Υπολογίζουμε το νέο κέντρο για κάθε ομάδα ως τον μέσο όρο
Γ) Αναθέτουμε κάθε σημείο δεδομένων στην ομάδα του κοντινότερου κέντρου. Δ) Επιλογή του αριθμού των ομάδων K.
Δ->Α->Γ->Β
Δ->Β->Γ->Α
Γ->Α->Δ->Β
Δ->Γ->Α->Β
Ποια είναι η σωστή σειρά βημάτων στην ιεραρχική συσσωρευτική ομαδοποίηση;
Α) Υπολογίζεις την απόσταση μεταξύ όλων των ζευγών ομάδων.
Β) Δημιουργείς έναν πίνακα Τεχνητή Νοημοσύνης που περιλαμβάνει τις αποστάσεις μεταξύ όλων των ζευγών ομάδων.
Γ) Συγχωνεύεις τις δύο πιο κοντινές ομάδες σε μία ομάδα.
Δ) Ξεκινάς με κάθε σημείο δεδομένων να αποτελεί μια ξεχωριστή ομάδα.
Γ->Β->Α->Δ
Δ->Β->Α->Γ
Δ->Γ->Α->Β
Α->Β->Δ->Γ
Πώς ερμηνεύεται η ακρίβεια (accuracy) σε training και test set;
Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια σημαίνει ότι η ταξινόμηση στο test set θα είναι επίσης με 100% ακρίβεια.
Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια δεν έχει καμία σχέση με την ακρίβεια στο test set.
Η ταξινόμηση στο σύνολο εκπαίδευσης (training set) με 100% ακρίβεια μπορεί να υποδεικνύει υπερεκπαίδευση (overfitting) και δεν εγγυάται 100% ακρίβεια στο test set
Η ακρίβεια στο σύνολο δοκιμής (test set) είναι πάντα χαμηλότερη από την ακρίβεια στο σύνολο εκπαίδευσης (training set).
Σε ένα δέντρο απόφασης, ποια είναι η σημασία κάθε χαρακτηριστικού/μεταβλητής;
Τα χαρακτηριστικά που βρίσκονται στη ρίζα του δέντρου έχουν μικρότερη σημασία από αυτά που βρίσκονται στα κλαδιά.
Τα χαρακτηριστικά που βρίσκονται στα κλαδιά του δέντρου έχουν μεγαλύτερη σημασία από αυτά που βρίσκονται στη ρίζα.
Η θέση ενός χαρακτηριστικού στο δέντρο δεν επηρεάζει τη σημασία του
Τα χαρακτηριστικά που βρίσκονται πιο κοντά στη ρίζα του δέντρου θεωρούνται συνήθως πιο σημαντικά από αυτά που βρίσκονται πιο κάτω στα κλαδιά.
