Worksheetsyapay zeka 8. hafta
Total questions: 28
Worksheet time: 14mins
Optimizasyonu en iyi tanımlayan ifade hangisidir?
Her zaman en pahalı seçeneği seçmek
Hiçbir plan olmadan rastgele eylemler denemek
Bir görevi en iyi veya en verimli şekilde yapmak
Sonuç ne olursa olsun aynı yöntemi tekrarlamak
Hangi günlük durum optimizasyon örneğidir?
Puan hedefi belirlemeden çalışmak
Daha fazla para ile daha az ürün almak
Daha az yakıt kullanan en kısa rotayı bulmak
Kasıtlı olarak en uzun manzaralı rotayı almak
Tüm bio-mimetik veya doğa ilhamlı optimizasyon fikirlerine uyan örnekleri seçin.
Dağıtım rotalarını tasarlamak için karınca yollarını kullanmak
İnsansız hava araçlarını koordine etmek için kuş sürülerini taklit etmek
Takımlarda görev atamasını ilham almak için arıları kullanmak
Karışıklığı önlemek için doğayı görmezden gelmek
Bilgisayarlar bazı problemler için neden deneme-yanılma yöntemlerini kullanır?
Doğa matematik için asla yardımcı fikirler sunmaz
Bazı problemler her seçeneği kontrol etmek için çok karmaşıktır
Deneme-yanılma mükemmel bir çözüm garanti eder
Çünkü tam matematik her zaman daha hızlı ve basittir
Hangi cümle klasik matematik ve akıllı optimizasyonu doğru bir şekilde karşılaştırıyor?
Klasik matematik rastgele keşfeder, optimizasyon tam olarak hesaplar
Her iki yöntem de her zaman garanti mükemmel cevaplar verir
Klasik matematik kesin olarak hesaplar, optimizasyon iyi çözümler bulur
Hiçbir yöntem gerçek hayattaki problemleri hiç ele alamaz
Bir mağazanın hedefi: aynı parayla en fazla ürünü almak. Hangi değişken optimize edilmelidir?
Seçilen alışveriş sepetinin rengi
Para miktarına göre ürün sayısı
Koridorlarda geçirilen zaman
Sadece ürün markaları
Hangi çift, doğa davranışını yararlı bir optimizasyon fikriyle eşleştirir?
Kuğu sürüleri — daha yüksek barajlar inşa etmek
Karıncalar — yiyecek kaynaklarına en kısa yol
Arılar — tamamen takım çalışmasını göz ardı etmek
Doğal seçilim — herhangi bir değişimden kaçınmak
Beş adımlı bir genetik algoritma diyagramına bakın. Test yapılmadan önce olası çözümlerin ilk grubunu hangi adım oluşturur?
En iyi çözümlerin seçimi
Rastgele çözümler oluşturulur
Melezleme seçilen özellikleri karıştırır
Mutasyon küçük değişiklikler ekler
Yeni nesil üretilir
Genetik bir algoritmada, bir huniyi simgeleyen seçim adımının ANA amacı nedir?
Yeni kod ile ebeveynleri değiştirmek
En iyi performans gösterenleri korumak
Her yolu eşit şekilde test etmek
Tüm çözümleri rastgele karıştırmak
Tüm alışılmadık seçenekleri silmek
Hangi İKİ adım, genetik algoritmada yavrularda yeni özellikler doğrudan oluşturur?
Mutasyon küçük değişiklikler yapar
Hayatta kalanların seçimi
Uygunluk değerlendirmesi
Çaprazlama özellikleri yeniden birleştirir
Nüfusun başlatılması
Hangi ifade, evrimden ilham alan genetik algoritmaların amacını en iyi şekilde tanımlar?
İnsan tasarımı kuralları tam olarak kopyalamak
Her nesilde daha iyi bir çözüm bulmak
Hiçbir rastgele değişiklikten kaçınmak
Herhangi bir çözüm ortaya çıktığında durmak
Her çalışmada aynı çözüme ulaşmak
Karınca kolonisi optimizasyon grafiğinde, diğerlerinin yolları seçmesine yardımcı olan şey nedir?
Yapraklar üzerinde renkli işaretler
Minik yiyecek kırıntıları yığınları
Koku ile feromon yolları
Taşlar üzerinde su damlaları
Toprakta çizikler
Neden daha fazla karınca, karınca kolonisi modelinde daha kısa yolu kullanmaya başlar?
Karıncalar sabit bir rotayı ezberler
Daha fazla sefer, o kokuyu daha güçlü hale getirir
Oradaki koku daha yavaş soluyor
Her zaman daha az dönüş var
Yuva oraya daha yakın taşınır
Bir karar ağacının seçim yaparken arkasındaki ana fikir nedir?
Adım adım if/else kurallarını takip et
Rastgele şanslarla tahmin et
Son kişinin seçimini kopyala
Her zaman en uzun yolu seç
Örnek karar ağacında, eğer yağmur yağıyorsa, hangi eylem gerçekleştirilmelidir?
Dışarıda güneş gözlüğü tak
Yanına şemsiye al
Tüm açık hava etkinliklerini iptal et
Hiçbir şemsiye getirme
Hangi ifade karar ağaçlarını en iyi tanımlar?
Belirsizlikten kaçınırlar ve kurallara uyarlar
Şansa ve tahmine dayanırlar
Her zaman insan görüşlerine ihtiyaç duyarlar
Asla if/else mantığını kullanmazlar
Temel bir sinir ağı diyagramında, giriş katmanının ana rolü nedir?
Yalnızca çıkış düğümlerine bağlanmak
Özellikleri vektörlere sıkıştırmak
Son karar etiketlerini oluşturmak
Verilerden ham özellikleri almak
Hangi ifade derin öğrenme modellerindeki gizli katmanları en iyi tanımlar?
Yalnızca eğitim görüntülerini saklar
Özellikleri adım adım dönüştürür
Gürültülü pikselleri kalıcı olarak siler
Sınıf adlarını doğrudan çıktılar
Ağ katman sayısı arttıkça ne olur?
Çıkış katmanını kaldırmak zorundadır
Önceki girdileri tamamen unutur
Daha derin hale gelir ve daha fazla öğrenebilir
Her zaman sadece daha yavaş hale gelir
Bir CNN'de, konvolüsyon adımı görüntüye ne yapar?
Pixel pozisyonlarını rastgele karıştırır
Kenarlar gibi faydalı desenleri bulur
Tüm arka plan bölgelerini siler
Renkleri sınıf adlarına dönüştürür
Konvolüsyondan sonra CNN'de neden havuzlama kullanılır?
Her özellik haritasını büyütmek için
Özellikleri korurken boyutu azaltmak için
Ekstra çıktı sınıfları eklemek için
Etiketleri sayılara dönüştürmek için
Bir CNN, bir kedi ve köpek resmini sınıflandırıyor. Hangi seçenek son çıktıyı doğru bir şekilde tanımlar?
Her sınıf için bir olasılık
Yeni bir havuzlama pencere boyutu
Resmin daha büyük bir versiyonu
Piksellerin koordinatları listesi
Hangi seçenek, diyagramda gösterilen CNN'lerin bir örnek kullanımını göstermektedir?
Hava basıncından hava durumu tahmini
Kitapları dillere çevirmek
Fotoğraflardaki yüz tanıma
Gelen e-postaları gönderen adına göre sıralama
Hangi yöntem karar ağaçlarını tanımlar?
Büyük veri setleri için katmanlı ağlar
Zaman desenleri için bellek birimleri
Doğa ilhamlı arama sezgileri
Açık seçimler için eğer-o zaman adımları
Akıllı optimizasyon ne yapmaya çalışır?
Kompakt kodlardan girişleri yeniden inşa etmek
Verileri dallanma kuralları kullanarak bölmek
Uzun vadeli dizileri ezberlemek
Aramayı yönlendirmek için doğayı kopyalamak
Bu fikirleri temel olandan ileri seviyeye doğru basit bir yolda sıralayın: optimizasyon, akıllı optimizasyon, karar ağaçları, derin öğrenme. Hangi sıralama mantıklıdır?
Akıllı, derin öğrenme, ağaçlar, temel optimizasyon
Karar ağaçları, derin öğrenme, optimizasyon, akıllı
Optimizasyon, akıllı optimizasyon, ağaçlar, derin
Derin öğrenme, optimizasyon, ağaçlar, akıllı
Karar ağaçları hangi tür verilerle en iyi şekilde çalışır?
Kategorik veriler
İkili veriler
Hepsi
Sürekli sayısal veriler
Genetik algoritmalarda, mutasyon adımının amacı nedir?
Yeni çözümler oluşturmak
En iyi çözümleri korumak
Seçim sürecini hızlandırmak
Rastgele değişiklikler eklemek
