wayground logo

Free Printable Worksheets

NEW

Font size

S
M
L
XL
Worksheets

GENEL QUIZ

Total questions: 41

Worksheet time: 21mins

Name
Class
Date
1.

Bulanık mantık neden “kesin mantıktan” farklıdır?

a)

Sadece sayılarla çalışır

b)

Evet–Hayır kararları verir

c)

Ara değerleri de hesaba katar

d)

Sadece grafik çizer

2.

Antecedent değişkeni aşağıdakilerden hangisini temsil eder?

a)

Çıkış sonucu

b)

Giriş değişkeni

c)

Kural kümesi

d)

Simülasyon çıktısı

3.

Yaya sayısı 10 iken hem “az” hem “orta” kümelerine kısmen dahil olmasının sebebi nedir?

a)

Hata oluşması

b)

Python yuvarlama yapması

c)

Üyelik fonksiyonlarının örtüşmesi

d)

Kodun yanlış yazılması

4.

Aşağıdaki kod satırı ne işe yarar? yaya = ctrl.Antecedent(np.arange(0, 31, 1), 'yaya')

a)

Çıkış değişkeni tanımlar

b)

Giriş değişkeni tanımlar

c)

Kural oluşturur

d)

Sonucu hesaplar

5.

yaya.automf(3) ifadesi ne yapar?

a)

3 kural tanımlar

b)

3 farklı grafik çizer

c)

3 üyelik fonksiyonu oluşturur

d)

3 saniye bekler

6.

“EĞER yaya sayısı yüksek İSE süre uzun olsun” ifadesi bulanık mantıkta neyi temsil eder?

a)

Veri kümesi

b)

Üyelik fonksiyonu

c)

Kural

d)

Simülasyon

7.

ControlSystemSimulation sınıfının temel görevi nedir?

a)

Kütüphane yüklemek

b)

Kuralları eğitmek

c)

Sistemi çalıştırıp sonuç üretmek

d)

Grafik çizmek

8.

Bulanık sistem neden net bir sayı (örneğin 28.5 saniye) üretir?

a)

Ortalama alındığı için

b)

Defuzzification (durulaştırma) yapıldığı için

c)

Rastgele seçim yapıldığı için

d)

Python otomatik hesapladığı için

9.

Aynı anda iki kural aktif olabilir mi?

a)

Hayır

b)

Sadece biri çalışır

c)

Evet

d)

Sadece yüksek değerlerde

10.

Bulanık mantık hangi tür problemlerde daha uygundur?

a)

Kesin doğru–yanlış isteyenler

b)

Belirsizlik içerenler

c)

Sadece matematik problemleri

d)

Sadece görüntü işleme

11.

IRIS veri setinin temel amacı nedir?

a)

Çiçek saymak

b)

Yaprak rengini bulmak

c)

Yaprak ölçülerinden çiçek türünü tahmin etmek

d)

Fotoğraf sınıflandırmak

12.

IRIS veri setinde toplam kaç çiçek örneği vardır?

a)

100

b)

120

c)

150

d)

200

13.

Aşağıdakilerden hangisi X (özellikler) içinde yer alır?

a)

Çiçek türü

b)

Petal uzunluğu

c)

Tahmin sonucu

d)

Doğruluk oranı

14.

Y değişkeni neyi temsil eder?

a)

Girdi verileri

b)

Grafik

c)

Doğru cevap (etiket)

d)

Eğitim süresi

15.

Eğitim ve test verilerinin ayrılma sebebi nedir?

a)

Kod hızlansın diye

b)

Ezberlemeyi önlemek için

c)

Grafik çizmek için

d)

Veri azaltmak için

16.

Aşağıdakilerden hangisi IRIS türlerinden biri değildir?

a)

Setosa

b)

Versicolor

c)

Virginica

d)

Rosa

17.

model.fit(X, y) komutu ne yapar?

a)

Tahmin yapar

b)

Modeli sıfırlar

c)

Modeli eğitir

d)

Sonucu yazdırır

18.

model.predict() fonksiyonu ne zaman kullanılır?

a)

Eğitim sırasında

b)

Model kurulurken

c)

Yeni veri için tahmin yaparken

d)

Grafik çizerken

19.

Hata matrisinde köşegen (çapraz) hücreler neyi gösterir?

a)

Yanlış tahminleri

b)

Doğru tahminleri

c)

Eksik verileri

d)

Eğitim verisini

20.

%100 doğruluk neden her zaman iyi bir şey değildir?

a)

Model yavaş çalışır

b)

Grafik bozulur

c)

Overfitting olabilir

d)

Kod hata verir

21.

%100 doğruluk neden her zaman iyi bir şey değildir?

a)

Model yavaş çalışır

b)

Grafik bozulur

c)

Overfitting olabilir

d)

Kod hata verir

22.

Lineer regresyon hangi tür problemler için kullanılır?

a)

Sınıflandırma

b)

Metin analizi

c)

Sayısal tahmin

d)

Görüntü tanıma

23.

X değişkeni genellikle neyi temsil eder?

a)

Sonuç

b)

Tahmin

c)

Girdi

d)

Hata

24.

Aşağıdakilerden hangisi lineer regresyon örneğidir?

a)

Çiçek türü bulma

b)

Not tahmini

c)

Kedi–köpek ayırma

d)

Trafik ışığı kontrolü

25.

Modelin “öğrenmesi” ne anlama gelir?

a)

Veriyi ezberlemesi

b)

En uygun doğruyu bulması

c)

Rastgele çizgi çizmesi

d)

Sonucu yazdırması

26.

Aşağıdaki kodda reshape(-1,1) neden kullanılır? X = np.array([1,2,3,4,5]).reshape(-1,1)

a)

Grafik çizmek için

b)

Veriyi modele uygun hale getirmek için

c)

Hızlandırmak için

d)

Yuvarlama yapmak için

27.

Lineer regresyon doğrusu neyi minimize etmeye çalışır?

a)

Veri sayısını

b)

Eğimi

c)

Hata miktarını

d)

Kod satırını

28.

Model eğitilmeden predict() çağrılırsa ne olur?

a)

Doğru tahmin yapar

b)

Hata verir

c)

Daha iyi sonuç verir

d)

Grafik çizer

29.

6 saat çalışan bir öğrencinin notu nasıl tahmin edilir?

a)

Ezberle

b)

En yakın noktayı seç

c)

Doğruyu takip et

d)

Rastgele seç

30.

Lineer regresyonun en temel varsayımı nedir?

a)

Veri doğrusal ilişkilidir

b)

Veri kategoriktir

c)

Veri bulanıktır

d)

Veri metindir

31.

Lineer regresyon neden “denetimli” öğrenmedir?

a)

İnsan kontrol eder

b)

Etiketli veri vardır

c)

Kural yazılır

d)

Grafik kullanılır

32.

Makine öğrenmesinin ilk adımı nedir?

a)

Tahmin

b)

Model eğitimi

c)

Veri toplama

d)

Grafik çizme

33.

Aşağıdakilerden hangisi makine öğrenmesi algoritmasıdır?

a)

While döngüsü

b)

Linear Regression

c)

Print

d)

Import

34.

Aşağıdaki kodda Y neyi temsil eder? Y = np.array([45,55,65,75,85])

a)

Çalışma saatleri

b)

Tahmin sonuçları

c)

Alınan notlar

d)

Eğitim oranı

35.

model.fit(X,Y) satırı hangi aşamadır?

a)

Veri hazırlama

b)

Öğrenme

c)

Tahmin

d)

Değerlendirme

36.

Model neden geçmiş verilerle eğitilir?

a)

Ezberlesin diye

b)

Geleceği tahmin edebilsin diye

c)

Kod kısalsın diye

d)

Grafik çizsin diye

37.

Aynı veriyle sürekli yüksek doğruluk almak neyi gösterebilir?

a)

Başarı

b)

Overfitting

c)

Hız artışı

d)

Hata

38.

Lineer regresyon çizgisi neyi temsil eder?

a)

Ortalama

b)

En mantıklı ilişki

c)

En uzak nokta

d)

En kısa yol

39.

Makine öğrenmesi neden “kural yazmadan” çalışır?

a)

Kuralları kendisi çıkarır

b)

Kurallar gereksizdir

c)

Python izin vermez

d)

Rastgele çalışır

40.

Eğitim verisi az olursa ne olur?

a)

Daha iyi öğrenir

b)

Daha hızlı çalışır

c)

Yanlış tahminler artar

d)

Grafik düzelir

41.

Makine öğrenmesinin günlük hayattaki bir örneği hangisidir?

a)

Metin yazma

b)

Sıcaklık tahmini

c)

Word dosyası açma

d)

Klasör oluşturma