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: 1722 razy
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza
wyspecjalizowany rodzaj neuronów przetwarzających obraz
warstwę wejściową rozprowadzającą sygnały do sieci
wektor wskazujący kierunek najszybszego spadku błędu sieci
uogólnienie pojęcia macierzy na wiele wymiarów
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu
leżących w tym samym wymiarze przestrzeni
najbliższych pod względem cech wejściowych
należących do tego samego klastra
najbliższych pod względem prognozowanej wartości
Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:
metoda k-średnich
metoda pojedynczego wiązania
metoda średnich połączeń
metoda najdalszego sąsiedztwa
Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:
prognozowanie stopnia przynależności do klasy
zamianę zmiennych kategorycznych na ciągłe
zredukowanie liczby klas do jednej
zmniejszenie liczby wymiarów do dwóch
.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
każdy obiekt tworzy osobne skupienie
wszystkie obiekty tworzą jedno skupienie
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zidentyfikowania minimum lokalnego funkcji błędu uczącego
zakończenia działania algorytmu uczącego
minimum błędu dla ciągu walidacyjnego
minimum błędu dla ciągu uczącego
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest
nieparametryczność
brak zdolności do modelowania zjawisk nieliniowych
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
klasyfikacji bezwzorcowej (grupowania)
poszukiwania reguł asocjacyjnych
regresyjnych (szacowanie, predykcja)
Hiperparametrami modelu nazywa się parametry, które:
mogą zmieniać się w bardzo szerokim zakresie wartości
opisują wagi połączeń pomiędzy całymi warstwami sieci
sterują przebiegiem procesu uczenia modelu
są dopasowywane podczas uczenia do danych wejściowych
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
klas zawierających instancje
instancji zgrupowanych w kategorie
obserwacji obejmujących cechy
obiektów posiadających atrybuty
Problem regresyjny polega na:
znajdowaniu prostej najlepiej dopasowanej do obserwacji
dopasowaniu współczynników modelu do obserwacji uczących
prognozowaniu wartości na podstawie obserwowanych cech
poszukiwaniu korelacji między zmiennymi wejściowymi
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.