Przycinanie drzew decyzyjnych stosuje się w celu:

Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:

Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:

Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:

Technika k-krotnej walidacji krzyżowej służy do:

Problem klasyfikacyjny polega na:

Klasyczny (perceptronowy) model neuronu posiada dwa wejścia o wagach w1=1, w2=2, na które podano odpowiednio sygnały x1=−1, x2=+1. Funkcja aktywacji jest funkcją liniową postaci y=2x. Sygnał wyjściowy neuronu wynosi:

Oryginalna zmienna x przyjmuje trzy wartości: -2, 1, 4. Po przeprowadzeniu normalizacji tej zmiennej wg metody min-max do przedziału [0, 1], oryginalnej wartości 1 odpowiada znormalizowana wartość:

.Argumentem funkcji aktywacji neuronu typu RBF jest

Przeuczenie modelu (overfitting) można rozpoznać po tym, że

Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest

.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę

Metoda wzmacniania gradientowego (gradient boosting) służy do

Problem klasteryzacyjny polega na

Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów

Poszukiwanie zbiorów częstych jest pierwszym etapem

Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych

Aglomeracyjne metody klasteryzacji polegają na

Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji

Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:

Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza

Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu

Która z poniższych metod NIE służy do wyznaczania odległości pomiędzy skupieniami:

Problem klasyfikacyjny można zamienić na problem regresyjny poprzez:

.Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:

Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:

Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest

W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:

Hiperparametrami modelu nazywa się parametry, które:

Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:

Problem regresyjny polega na: