Strona 1
morajda sys rozproszoe
Pytanie 1
Aglomeracyjne metody klasteryzacji polegają na:
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
Pytanie 2
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
warstwę wejściową rozprowadzającą sygnały do sieci
uogólnienie pojęcia macierzy na wiele wymiarów
wektor wskazujący kierunek najszybszego spadku błędu sieci
wyspecjalizowany rodzaj neuronów przetwarzających obraz
Pytanie 3
Algorytmy genetyczne (ewolucyjne) służą generalnie do realizacji zadań:
regresji
poszukiwania reguł asocjacyjnych
eksploracji danych zapisanych w chromosomach roślin i zwierząt
optymalizacji
Pytanie 4
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:
0,75
0,5
0,75
0,25
Pytanie 5
Przeuczenie modelu (overfitting) można rozpoznać po tym, że:
szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach
trafność predykcji modelu przekracza poziom 99.73%
liczba błędnie zaklasyfikowanych przypadków spada do 0
w procesie uczenia zaczyna rosnąć błąd dla próby testowej
Pytanie 6
Problem klasteryzacyjny polega na:
algorytmu wstecznej propagacji błędów
poszukiwaniu granic oddzielających obserwacje różnych klas
predykcji przynależności danej obserwacji do różnych klas
grupowaniu cech obserwacji w skorelowane ze sobą zespoły
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
Pytanie 7
Pojęcie tensora występujące często w dziedzinie uczenia głębokiego oznacza:
warstwę wejściową rozprowadzającą sygnały do sieci
wektor wskazujący kierunek najszybszego spadku błędu sieci
uogólnienie pojęcia macierzy na wiele wymiarów
wyspecjalizowany rodzaj neuronów przetwarzających obraz
Pytanie 8
Metoda K najbliższych sąsiadów wybiera sąsiadów analizowanego punktu:
najbliższych pod względem cech wejściowych
leżących w tym samym wymiarze przestrzeni
należących do tego samego klastra
najbliższych pod względem prognozowanej wartości