Preuzmite PDF
1) Što je strojno učenje?
Strojno učenje grana je računalne znanosti koja se bavi programiranjem sustava kako bi se automatski učilo i usavršavalo iskustvom. Na primjer: Roboti su programirani tako da mogu izvršiti zadatak na temelju podataka koje prikupe od senzora. Program automatski uči iz podataka.
2) Spomenuti razliku između Data Mininga i strojnog učenja?
Strojno učenje povezano je s proučavanjem, dizajniranjem i razvojem algoritama koji računalima daju mogućnost učenja bez izričitog programiranja. Dok se istraživanje podataka može definirati kao proces u kojem nestrukturirani podaci pokušavaju izvući znanje ili nepoznate zanimljive obrasce. Tijekom ovog procesnog stroja koriste se algoritmi učenja.
3) Što je "prekomjerno opremanje" u strojnom učenju?
U strojnom učenju, kada statistički model opisuje slučajnu pogrešku ili šum, umjesto osnovnog odnosa, dolazi do "prekomjerne prilagodbe". Kad je model pretjerano složen, obično se uočava prekomjerno prilagođavanje zbog previše parametara s obzirom na broj vrsta podataka o treningu. Model pokazuje loše performanse koje su pretjerane.
4) Zašto se događa pretjerano opremanje?
Postoji mogućnost prekomjerne opremljenosti jer kriteriji koji se koriste za osposobljavanje modela nisu isti kao kriteriji koji se koriste za prosudbu učinkovitosti modela.
5) Kako možete izbjeći prekomjerno opremanje?
Korištenjem puno podataka može se izbjeći prekomjerno prilagođavanje, prekomjerno prilagođavanje događa se relativno s obzirom na to da imate mali skup podataka i iz njega pokušavate učiti. Ali ako imate malu bazu podataka i prisiljeni ste doći s modelom koji se temelji na tome. U takvoj situaciji možete koristiti tehniku poznatu kao unakrsna provjera valjanosti . U ovoj se metodi skupa podataka dijeli na dva odjeljka, skupove podataka za testiranje i obuku, skup podataka za testiranje testirat će samo model, dok će u podatkovnom skupu za obuku podatkovne točke izraditi model.
U ovoj se tehnici modelu obično daje skup poznatih podataka na kojem se izvodi trening (skup podataka o treningu) i skup nepoznatih podataka na osnovu kojih se model testira. Ideja unakrsne provjere valjanosti je definirati skup podataka za "testiranje" modela u fazi treninga.
6) Što je induktivno strojno učenje?
Induktivno strojno učenje uključuje proces učenja na primjerima, gdje sustav iz skupa promatranih slučajeva pokušava potaknuti opće pravilo.
7) Koji su pet popularnih algoritama strojnog učenja?
- Stabla odlučivanja
- Neuronske mreže (povratno širenje)
- Vjerojatnosne mreže
- Najbliži susjed
- Podržavaju vektorski strojevi
8) Koje su različite tehnike algoritma u strojnom učenju?
Različite vrste tehnika u strojnom učenju su
- Nadzirano učenje
- Učenje bez nadzora
- Učenje pod nadzorom
- Učenje s pojačanjem
- Transdukcija
- Učiti učiti
9) Koje su tri faze za izgradnju hipoteza ili modela u strojnom učenju?
- Izrada makete
- Ispitivanje modela
- Primjena modela
10) Koji je standardni pristup učenju pod nadzorom?
Standardni pristup nadziranom učenju je podijeliti niz primjera u set treninga i test.
11) Što su "trening set" i "test set"?
U raznim područjima informacijske znanosti, poput strojnog učenja, skup podataka koristi se za otkrivanje potencijalno prediktivnog odnosa poznatog kao "set treninga". Set treninga su primjeri koji se daju učeniku, dok se Test set koristi za provjeru točnosti hipoteza koje je generirao učenik, a to je niz primjera koji se zadržava od učenika. Trening se razlikuje od test seta.
12) Nabroji razne pristupe strojnom učenju?
Različiti pristupi u strojnom učenju su
- Koncept Vs Klasifikacija Učenje
- Simboličko vs statističko učenje
- Induktivno vs analitičko učenje
13) Što nije strojno učenje?
- Umjetna inteligencija
- Zaključivanje na temelju pravila
14) Objasnite koja je funkcija 'učenja bez nadzora'?
- Pronađite klastere podataka
- Pronađite nisko-dimenzionalne prikaze podataka
- Pronađite zanimljive upute u podacima
- Zanimljive koordinate i korelacije
- Pronađite nova zapažanja / čišćenje baze podataka
15) Objasnite koja je funkcija 'Nadgledanog učenja'?
- Klasifikacije
- Prepoznavanje govora
- Regresija
- Predvidite vremenske serije
- Anotiraj nizove
16) Što je strojno učenje neovisno o algoritmu?
Strojno učenje u kojem su matematički temelji neovisni o bilo kojem određenom klasifikatoru ili algoritam učenja naziva se algoritam neovisno strojno učenje?
17) Koja je razlika između umjetnog učenja i strojnog učenja?
Dizajniranje i razvijanje algoritama prema ponašanju na temelju empirijskih podataka poznati su pod nazivom Strojno učenje. Iako umjetna inteligencija, osim strojnog učenja, obuhvaća i druge aspekte poput predstavljanja znanja, obrade prirodnog jezika, planiranja, robotike itd.
18) Što je klasifikator u strojnom učenju?
Klasifikator u strojnom učenju je sustav koji unosi vektor diskretnih ili kontinuiranih vrijednosti značajke i daje jednu diskretnu vrijednost, klasu.
19) Koje su prednosti Naivnog Bayesa?
U Naivskom Bayesovom klasifikatoru konvergirat će se brže od diskriminacijskih modela poput logističke regresije, tako da vam treba manje podataka o treningu. Glavna prednost je što ne može naučiti interakcije između značajki.
20) U kojim se područjima koristi prepoznavanje uzoraka?
Prepoznavanje uzoraka može se koristiti u
- Računalna vizija
- Prepoznavanje govora
- Data mining
- Statistika
- Neformalno pronalaženje
- Bio-informatika
21) Što je genetsko programiranje?
Genetsko programiranje jedna je od dviju tehnika koje se koriste u strojnom učenju. Model se temelji na ispitivanju i odabiru najboljeg izbora između niza rezultata.
22) Što je induktivno logičko programiranje u strojnom učenju?
Induktivno logičko programiranje (ILP) podpolje je strojnog učenja koje koristi logičko programiranje koje predstavlja pozadinsko znanje i primjere.
23) Što je odabir modela u strojnom učenju?
Proces odabira modela među različitim matematičkim modelima koji se koriste za opisivanje istog skupa podataka poznat je pod nazivom Odabir modela. Odabir modela primjenjuje se na područja statistike, strojnog učenja i rudarenja podataka.
24) Koje su dvije metode korištene za kalibraciju u nadgledanom učenju?
Dvije metode korištene za predviđanje dobrih vjerojatnosti u nadgledanom učenju su
- Plattova kalibracija
- Izotonična regresija
Ove su metode dizajnirane za binarnu klasifikaciju i nisu trivijalne.
25) Koja se metoda često koristi za sprečavanje prekomjerne opreme?
Kada postoji dovoljno podataka, 'Izotonična regresija' koristi se za sprečavanje problema s prekomjernom opremom.
26) Koja je razlika između heuristike za učenje pravila i heuristike za stabla odlučivanja?
Razlika je u tome što heuristika za stabla odlučivanja procjenjuje prosječnu kvalitetu određenog broja razdvojenih skupova, dok polaznici pravila procjenjuju samo kvalitetu skupa slučajeva koji su pokriveni pravilom kandidata.
27) Što je Perceptron u strojnom učenju?
U strojnom učenju Perceptron je algoritam za nadziranu klasifikaciju ulaznih podataka u jedan od nekoliko mogućih nebinarnih izlaza.
28) Objasnite dvije komponente Bayesova logičkog programa?
Bayesov logički program sastoji se od dvije komponente. Prva komponenta je logična; sastoji se od skupa Bayesovih klauzula koji obuhvaća kvalitativnu strukturu domene. Druga komponenta je kvantitativna, ona kodira kvantitativne podatke o domeni.
29) Što su Bayesove mreže (BN)?
Bayesova mreža koristi se za predstavljanje grafičkog modela odnosa vjerojatnosti između skupa varijabli.
30) Zašto se algoritam učenja zasnovan na instancama ponekad naziva i algoritam lijenog učenja?
Instalacijski algoritam učenja naziva se i lijenim algoritmom učenja jer odgađaju proces indukcije ili generalizacije dok se ne izvrši klasifikacija.
31) Koje su dvije metode klasifikacije koje SVM (Support Vector Machine) može podnijeti?
- Kombiniranje binarnih klasifikatora
- Modificiranje binarnog programa radi uključivanja višerazrednog učenja
32) Što je ansambl učenje?
Da bi se riješio određeni računalni program, strateški se generiraju i kombiniraju višestruki modeli poput klasifikatora ili stručnjaka. Taj je postupak poznat pod nazivom ansambl učenje.
33) Zašto se koristi ansambl učenje?
Učenje u ansamblu koristi se za poboljšanje klasifikacije, predviđanja, aproksimacije funkcije itd. Modela.
34) Kada koristiti ansambl učenje?
Učenje u ansamblu koristi se kada gradite klasifikatore komponenata koji su točniji i međusobno neovisni.
35) Koje su dvije paradigme ansambl metoda?
Dvije su paradigme ansambl metoda
- Metode sekvencijalnog ansambla
- Paralelne ansambl metode
36) Koji je opći princip ansambl metode, a što spakiranje i pojačavanje u metodi ansambla?
Općenito načelo ansambl metode kombinira predviđanja nekoliko modela izgrađenih s danim algoritmom učenja kako bi se poboljšala robusnost u odnosu na jedan model. Vrećanje je metoda u cjelini za poboljšanje nestabilnih shema procjene ili klasifikacije. Iako se metode pojačavanja koriste uzastopno kako bi se smanjila pristranost kombiniranog modela. Pojačavanje i dodavanje vrećica mogu smanjiti pogreške smanjenjem pojma varijance.
37) Što je dekompozicija varijance pristranosti klasifikacijske pogreške u ansambl metodi?
Očekivana pogreška algoritma učenja može se razložiti na pristranost i varijancu. Pojam pristranosti mjeri koliko se prosječni klasifikator koji stvara algoritam učenja podudara s ciljnom funkcijom. Pojam varijance mjeri koliko kolebanje predviđanja algoritma učenja varira za različite setove treninga.
38) Što je algoritam inkrementalnog učenja u ansamblu?
Inkrementalna metoda učenja sposobnost je algoritma da uči iz novih podataka koji mogu biti dostupni nakon što je klasifikator već generiran iz već dostupnog skupa podataka.
39) Za što se koriste PCA, KPCA i ICA?
PCA (Analiza glavnih komponenata), KPCA (Analiza glavnih komponenata na temelju jezgre) i ICA (Neovisna analiza komponenata) važne su tehnike ekstrakcije značajki koje se koriste za smanjenje dimenzionalnosti.
40) Što je smanjenje dimenzija u strojnom učenju?
U strojnom učenju i statistici, smanjenje dimenzija je postupak smanjenja broja slučajnih varijabli pod razmatranjem i može se podijeliti na odabir značajke i izdvajanje značajke.
41) Što su strojevi s vektorima potpore?
Strojevi za vektorske potpore nadzirani su algoritmi učenja koji se koriste za klasifikaciju i regresijsku analizu.
42) Koje su komponente tehnika relacijskog vrednovanja?
Važne sastavnice tehnika relacijskog vrednovanja su
- Prikupljanje podataka
- Prikupljanje istine u zemlji
- Tehnika unakrsne provjere valjanosti
- Vrsta upita
- Metrika bodovanja
- Test značajnosti
43) Koje su različite metode za sekvencijalno nadzirano učenje?
Različite su metode za rješavanje problema sekvencijalnog nadziranog učenja
- Metode kliznih prozora
- Ponavljajući klizni prozori
- Skriveni modeli Markowa
- Maksimalni entropijski modeli Marwa
- Uvjetna slučajna polja
- Grafičke transformatorske mreže
44) Koja su područja robotike i obrade informacija gdje se javlja problem sekvencijalnog predviđanja?
Područja u robotici i obradi informacija gdje se javlja problem sekvencijalnog predviđanja su
- Učenje imitacije
- Strukturirano predviđanje
- Učenje pojačanja na temelju modela
45) Što je skupno statističko učenje?
Statističke tehnike učenja omogućuju učenje funkcije ili prediktora iz skupa promatranih podataka koji mogu predviđati neviđene ili buduće podatke. Ove tehnike pružaju jamstva o učinku naučenog prediktora na budućim neviđenim podacima na temelju statističke pretpostavke o procesu generiranja podataka.
46) Što je PAC učenje?
PAC (vjerojatno približno točno) učenje je okvir učenja koji je uveden za analizu algoritama učenja i njihove statističke učinkovitosti.
47) Koje su različite kategorije koje možete kategorizirati proces učenja redoslijeda?
- Predviđanje slijeda
- Generiranje sekvenci
- Prepoznavanje sekvence
- Slijedna odluka
48) Što je učenje u slijedu?
Učenje u slijedu metoda je poučavanja i učenja na logičan način.
49) Koje su dvije tehnike strojnog učenja?
Dvije su tehnike strojnog učenja
- Genetsko programiranje
- Induktivno učenje
Stroj za preporuke koji provode glavne web stranice za e-trgovinu koristi Strojno učenje.