Wyszukaj
Zaloguj / zarejestruj się
Jeśli masz już konto, możesz się zalogować.
Jeśli nie masz konta, zarejestruj nowe podając nazwę użytkownika, adres email i hasło.
Formularz kontaktowy
Memorizer+
Wykup dostęp
Ta funkcja jest dostępna dla użytkowników, którzy wykupili plan Memorizer+
Fiszki
Programowanie systemów rozproszonych
Test w formie fiszek
Ilość pytań: 31 Rozwiązywany: 1731 razy
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza
wektor wskazujący kierunek najszybszego spadku błędu sieci
warstwę wejściową rozprowadzającą sygnały do sieci
uogólnienie pojęcia macierzy na wiele wymiarów
wyspecjalizowany rodzaj neuronów przetwarzających obraz
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu
najbliższych pod względem cech wejściowych
najbliższych pod względem prognozowanej wartości
należących do tego samego klastra
leżących w tym samym wymiarze przestrzeni
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda najdalszego sąsiedztwa
metoda k-średnich
metoda średnich połączeń
metoda pojedynczego wiązania
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
zamianę zmiennych kategorycznych na ciągłe
prognozowanie stopnia przynależności do klasy
zmniejszenie liczby wymiarów do dwóch
zredukowanie liczby klas do jednej
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
każdy obiekt tworzy osobne skupienie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
wszystkie obiekty tworzą jedno skupienie
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zakończenia działania algorytmu uczącego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
minimum błędu dla ciągu uczącego
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
brak zdolności do modelowania zjawisk nieliniowych
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
nieparametryczność
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
poszukiwania reguł asocjacyjnych
klasyfikacji bezwzorcowej (grupowania)
regresyjnych (szacowanie, predykcja)
Hiperparametrami modelu nazywa się parametry, które:
są dopasowywane podczas uczenia do danych wejściowych
mogą zmieniać się w bardzo szerokim zakresie wartości
opisują wagi połączeń pomiędzy całymi warstwami sieci
sterują przebiegiem procesu uczenia modelu
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
instancji zgrupowanych w kategorie
klas zawierających instancje
obserwacji obejmujących cechy
obiektów posiadających atrybuty
Problem regresyjny polega na:
poszukiwaniu korelacji między zmiennymi wejściowymi
znajdowaniu prostej najlepiej dopasowanej do obserwacji
prognozowaniu wartości na podstawie obserwowanych cech
dopasowaniu współczynników modelu do obserwacji uczących
Cześć!
Wykryliśmy, że blokujesz reklamy na naszej stronie.
Reklamy, jak zapewne wiesz, pozwalają na utrzymanie i rozwój serwisu. W związku z tym prosimy Cię o ich odblokowanie by móc kontynuować naukę.