Învățare automată

Teste grilă cu noțiuni generale

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm

1. Care este scopul algoritmilor de grupare (clustering)?
a) Determinarea unei submulțimi de atribute relevante din mulțimea de antrenare
b) Găsirea unor grupuri astfel încât instanțele din același grup să fie mai asemănătoare
între ele decât cu instanțele altor grupuri
c) Identificarea unor relații interesante între date tranzacționale aparent neînrudite
d) Învățarea supervizată a unei relații între intrările și ieșirea instanțelor dintr-o mulțime de date

2. Cum se actualizează poziția unui centru cj într-un pas al algoritmului k-medii (k-means)?
a) Poziția instanței celei mai depărtate de toate celelalte centre
b) Poziția instanțelor care reprezintă valori extreme
c) Poziția unor instanțe alese aleatoriu
d) Media aritmetică a pozițiilor instanțelor pentru care cj este cel mai apropiat centru

3. Care din următoarele metode reprezintă criterii de omogenitate care pot fi folosite de
algoritmii care generează arbori de decizie?
a) Entropia sau indexul Gini
b) Cei mai apropiați vecini
c) Validarea încrucișată (cross-validation)
d) Corecția Laplace

4. Ce se poate spune despre natura algoritmului kNN (cei mai apropiați k vecini), comparativ cu
un algoritm de inducție a arborilor de decizie (DT, decision tree)?
a) kNN este un clasificator activ (eager learner) iar DT este un clasificator pasiv (lazy learner)
b) kNN și DT sunt clasificatoare active (eager learners)
c) kNN este un clasificator pasiv (lazy learner) iar DT este un clasificator activ (eager
learner)
d) kNN și DT sunt clasificatoare pasive (lazy learners)

5. Prin ce se caracterizează algoritmul Random Forest?

a) Se antrenează câte un arbore aleatoriu pe o mulțime de antrenare bootstrapped. Pentru
o instanță de test, fiecare arbore dă un vot privind apartenența la o clasă. Clasa cu cele mai
multe voturi este răspunsul pădurii aleatorii
b) Se antrenează o mulțime de arbori pe mulțimea de antrenare folosind entropia ca măsură de
omogenitate. Pentru o instanță de test, fiecare arbore dă un vot privind apartenența la o clasă. Clasa cu
cele mai multe voturi este răspunsul pădurii aleatorii
c) Se folosește în fiecare iterație algoritmul Decision Stump, un arbore de decizie cu un singur
nivel, iar instanțele clasificate greșit primesc ponderi aleatorii mai mari în iterația următoare. Prin
sumarea rezultatelor parțiale, se obține răspunsul pădurii aleatorii
d) Se antrenează o mulțime de arbori pe mulțimea de antrenare folosind entropia ca măsură de
omogenitate. Se selectează în mod aleatoriu un arbore dintre aceștia, iar răspunsul său este răspunsul
pădurii aleatorii

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm

 6. În contextul algoritmilor de clasificare, ce înseamnă boosting?
a) Sumarea ponderată a ieșirilor mai multor modele individuale
b) Un meta-algoritm prin care, folosind un clasificator slab, se obține un clasificator
puternic
c) Procesul prin care, dintr-o mulțime de date unică, se creează mai multe mulțimi de date
bootstrapped

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm

d) Metoda pe care o apelează în mod repetat algoritmul Adaboost când este cuplat cu algoritmul
Decision Stump

7. În contextul algoritmilor de clasificare și regresie, care este scopul regularizării?

a) Transformarea funcției obiectiv într-o funcție liniară, mai ușor de optimizat
b) Transformarea funcției obiectiv într-o funcție concavă, mai ușor de optimizat
c) Reducerea valorilor parametrilor unui model pentru a preveni supra-potrivirea
(overfitting)
d) Accelerarea procesului de optimizare a funcției obiectiv

8. Pentru regresia liniară, dacă avem funcția obiectiv J(w) = 1/2 * Σi (w1 + w2 * xi – yi)2, care sunt
expresiile gradienților celor doi parametri? (ei reprezintă eroarea pentru instanța i)
a) δJ / δw1 = Σi (ei * yi), iar δJ / δw2 = Σi (ei * xi)
b) δJ / δw1 = Σi (ei * xi), iar δJ / δw2 = Σi (ei)
c) δJ / δw1 = Σi (ei * xi * yi), iar δJ / δw2 = Σi (ei * xi)
d) δJ / δw1 = Σi (ei), iar δJ / δw2 = Σi (ei * xi)

9. Care este scopul unei stive de autoencodere (stacked autoencoders)?

a) Generează modele probabilisitice pe baza datelor de antrenare
b) Clasificarea imaginilor descărcate de pe internet
c) Autoencoderele comprimă succesiv dimensiunea intrărilor, astfel încât se rețin
trăsăturile esențiale, de ordin mai înalt, ale acestora
d) Accelerarea antrenării cu algoritmul backpropagation, deoarece autoencoderele copiază
direct intrările la ieșire

10. Ce este o rețea de convingeri profundă (Deep Belief Network, DBN)?

a) O rețea neuronală cu funcții de bază radiale (Radial Basis Functions, RBF) cu mai mult de 2
straturi ascunse
b) O rețea de convingeri (belief network) în care fiecare nod este dependent condițional de toate
celelalte noduri
c) O rețea neuronală de tip perceptron multistrat cu mai mult de 2 straturi ascunse
d) O mulțime de mașini Boltzmann restricționate (Restricted Boltzmann Machine, RBM)
agregate în stivă și în care antrenarea se face de obicei strat cu strat

11. Ce tip de reprezentare a cuvintelor poate încorpora relații semantice, permițând realizarea de
analogii de tipul: queen = king + (woman – man)?
a) Reprezentarea prin vectori de cuvinte (word embeddings)
b) Reprezentarea atomică
c) Reprezentarea rezultată din traducere automată
d) Reprezentarea prin învățare cu întărire

12. În cadrul straturilor de agregare (pooling):

a) Se determină gradienții imaginilor de intrare
b) Se aplică funcția de activare pe imaginile de intrare
c) Se combină mai multe imagini de intrare
d) Se reduce dimensiunea imaginilor de intrare

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm

 13. Componenta FC (fully-connected) a unei rețele neuronale de convoluție realizează:
a) Reducerea dimensiunii imaginilor de la intrare
b) Extragerea trăsăturilor semnificative din imaginile de la intrare
c) Aplicarea unor operații de filtrare pe imaginile de la intrare
d) Clasificarea imaginilor pe baza unui set de “feature map”-uri

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm

14. Metoda Bozinovic-Srihari se poate folosi pentru:
a) Alinierea rândurilor de text dintr-o imagine
b) Calculul eficient al profilurilor unei imagini
c) Segmentarea caracterelor dintr-o imagine
d) Normalizarea gradului de înclinare al caracterelor dintr-o imagine

15. Antrenarea rețelelor neuronale recurente se face folosind:

a) Back Propagation Through Time
b) Short Long-Term Memory
c) Run Length Smoothing
d) Long Short-Term Memory

Florin Leon & Marius Gavrilescu, Invatare automata, http://florinleon.byethost24.com/curs_ml.htm