Lataa PDF
1) Mikä on koneoppiminen?
Koneoppiminen on tietojenkäsittelytieteen haara, joka käsittelee järjestelmän ohjelmointia oppiakseen ja kehittymään automaattisesti kokemuksen avulla. Esimerkiksi: Robotit on ohjelmoitu siten, että ne voivat suorittaa tehtävän antureista kerättyjen tietojen perusteella. Se oppii ohjelmat automaattisesti tiedoista.
2) Mainitse ero tiedonlouhinnan ja koneoppimisen välillä?
Koneoppiminen liittyy niiden algoritmien tutkimiseen, suunnitteluun ja kehittämiseen, jotka antavat tietokoneille mahdollisuuden oppia ilman nimenomaista ohjelmointia. Vaikka tiedonlouhinta voidaan määritellä prosessiksi, jossa strukturoimaton data yrittää poimia tietoa tai tuntemattomia mielenkiintoisia malleja. Tämän prosessikoneen aikana käytetään oppimisalgoritmeja.
3) Mitä koneopetuksessa on 'ylivarustaminen'?
Koneoppimisessa, kun tilastollinen malli kuvaa satunnaisvirhettä tai melua taustalla olevan suhteen sijasta, tapahtuu "ylikuntoa". Kun malli on liian monimutkainen, tavallisesti havaitaan ylikuntoa, koska sillä on liikaa parametreja harjoitustietotyyppien lukumäärään nähden. Mallin suorituskyky on huono, mikä on ollut liikaa.
4) Miksi yliasennus tapahtuu?
Yliasennuksen mahdollisuus on olemassa, koska mallin koulutuksessa käytetyt kriteerit eivät ole samat kuin mallin tehokkuuden arvioinnissa käytetyt kriteerit.
5) Kuinka voit välttää yliasennuksen?
Käyttämällä paljon tietoja voidaan välttää ylisovitus, ylikuormitus tapahtuu suhteellisen, koska sinulla on pieni tietojoukko, ja yrität oppia siitä. Mutta jos sinulla on pieni tietokanta ja sinun on pakko tulla siihen perustuvan mallin kanssa. Tällaisessa tilanteessa voit käyttää tekniikkaa, joka tunnetaan ristikuvana . Tässä menetelmässä tietojoukko jakautuu kahteen osaan, testaus- ja harjoittelutietojoukkoihin, testausaineisto testaa vain mallia, kun taas harjoittelutietojoukossa datapisteet keksivät mallin.
Tässä tekniikassa mallille annetaan yleensä tietojoukko tunnetuista tiedoista, joille harjoitus (harjoitustietojoukko) suoritetaan, ja tuntemattomien tietojen tietojoukko, jota mallia testataan. Ristivalidoinnin idea on määritellä tietojoukko mallin "testaamiseksi" koulutusvaiheessa.
6) Mitä on induktiivinen koneoppiminen?
Induktiivinen koneoppiminen sisältää oppimisprosessin esimerkkien avulla, jossa järjestelmä havaittujen esiintymien joukosta yrittää saada aikaan yleisen säännön.
7) Mitkä ovat koneoppimisen viisi suosittua algoritmia?
- Päätöspuita
- Neuroverkot (takaisin eteneminen)
- Todennäköiset verkot
- Lähin naapuri
- Tukea vektorikoneita
8) Mitkä ovat erilaiset algoritmitekniikat koneoppimisessa?
Koneoppimisen eri tekniikat ovat
- Ohjattu oppiminen
- Valvomaton oppiminen
- Puolivalvottu oppiminen
- Vahvistusoppiminen
- Transduktio
- Opettelen oppimaan
9) Mitkä ovat kolme vaihetta koneoppimisen hypoteesien tai mallin rakentamiseksi?
- Mallirakennus
- Mallin testaus
- Mallin soveltaminen
10) Mikä on valvotun oppimisen tavanomainen lähestymistapa?
Ohjattavan oppimisen tavanomainen lähestymistapa on jakaa esimerkkisarja koulutusjoukkoon ja testiin.
11) Mitä ovat 'Harjoittelusarja' ja 'Testisarja'?
Tietotekniikan eri osa-alueilla, kuten koneoppiminen, joukkoa tietoja löydetään potentiaalisesti ennakoiva suhde, joka tunnetaan nimellä 'Training Set'. Koulutusjoukko on esimerkkejä oppijalle, kun taas Testisarjaa käytetään oppijan luomien hypoteesien tarkkuuden testaamiseen, ja se on esimerkki, jota pidätetään oppijalta. Harjoitussarja eroaa testisarjasta.
12) Luettele erilaisia koneoppimisen lähestymistapoja?
Koneoppimisen eri lähestymistavat ovat
- Käsite Vs Luokittelu Oppiminen
- Symbolinen Vs tilastollinen oppiminen
- Induktiivinen Vs-analyyttinen oppiminen
13) Mikä ei ole koneoppiminen?
- Tekoäly
- Sääntöihin perustuva päättely
14) Selitä mikä on valvomattoman oppimisen tehtävä?
- Etsi dataryhmät
- Etsi datan matalaulotteiset esitykset
- Löydä mielenkiintoisia ohjeita tiedoista
- Mielenkiintoiset koordinaatit ja korrelaatiot
- Löydä uusia havaintoja / tietokannan puhdistus
15) Selitä mikä on valvotun oppimisen tehtävä?
- Luokitukset
- Puheentunnistus
- Regressio
- Ennusta aikasarja
- Merkitse merkkijonot
16) Mikä on algoritmista riippumaton koneoppiminen?
Koneoppimista, jossa matemaattiset perusteet ovat riippumattomia tietystä luokittelijasta tai oppimisalgoritmia, kutsutaan algoritmeista riippumattomaksi koneoppimiseksi?
17) Mikä on ero keinotekoisen oppimisen ja koneoppimisen välillä?
Algoritmien suunnittelu ja kehittäminen empiirisiin tietoihin perustuvan käyttäytymisen mukaan tunnetaan koneoppimisena. Tekoäly kattaa koneoppimisen lisäksi myös muita näkökohtia, kuten tiedon esityksen, luonnollisen kielenkäsittelyn, suunnittelun, robotiikan jne.
18) Mikä on luokittelija koneoppimisessa?
Koneoppimisen luokittelija on järjestelmä, joka syöttää vektorin erillisistä tai jatkuvista ominaisuusarvoista ja antaa yhden yksittäisen arvon, luokan.
19) Mitkä ovat Naive Bayesin edut?
Naivissa Bayesissa luokittelija lähestyy nopeammin kuin erottelevat mallit, kuten logistinen regressio, joten tarvitset vähemmän harjoitustietoja. Suurin etu on, että se ei voi oppia ominaisuuksien välistä vuorovaikutusta.
20) Millä alueilla kuviotunnistusta käytetään?
Kuvion tunnistusta voidaan käyttää
- Konenäkö
- Puheentunnistus
- Tiedonlouhinta
- Tilastot
- Epävirallinen haku
- Bioinformatiikka
21) Mikä on geneettinen ohjelmointi?
Geneettinen ohjelmointi on yksi koneoppimisen kahdesta tekniikasta. Malli perustuu testaamiseen ja parhaan valinnan tulosten joukosta valitsemiseen.
22) Mikä on induktiivinen logiikan ohjelmointi koneoppimisessa?
Induktiivinen logiikan ohjelmointi (ILP) on koneoppimisen osa-alue, joka käyttää loogista ohjelmointia, joka edustaa taustatietoa ja esimerkkejä.
23) Mikä on mallivalinta koneoppimisessa?
Mallien valinta eri matemaattisten mallien joukosta, joita käytetään kuvaamaan samaa tietojoukkoa, tunnetaan nimellä Mallin valinta. Mallivalintaa sovelletaan tilastoihin, koneoppimiseen ja tiedonlouhintaan.
24) Mitä kahta menetelmää käytetään valvotun oppimisen kalibroinnissa?
Ohjatun oppimisen hyvien todennäköisyyksien ennustamiseen käytetyt kaksi menetelmää ovat
- Levyn kalibrointi
- Isotoninen regressio
Nämä menetelmät on suunniteltu binääriluokitusta varten, eikä se ole triviaali.
25) Mitä menetelmää käytetään usein ylivarustamisen estämiseksi?
Kun tietoa on riittävästi, isotonista regressiota käytetään estämään ylikuormitusongelma.
26) Mikä on ero sääntöjen oppimisen heuristisen ja päätöspuiden heuristisen välillä?
Erona on se, että päätöksentekopuiden heuristiikka arvioi useiden eriytyneiden joukkojen keskimääräistä laatua, kun taas sääntöjen oppijat arvioivat vain ehdokassäännön kattaman ilmentymien joukon laatua.
27) Mitä Perceptron on koneoppimisessa?
Koneoppimisessa Perceptron on algoritmi syötteen valvotulle luokittelulle yhteen monista mahdollisista ei-binaarisista lähdöistä.
28) Selitä Bayesin logiikkaohjelman kaksi komponenttia?
Bayesin logiikkaohjelma koostuu kahdesta osasta. Ensimmäinen komponentti on looginen; se koostuu joukosta Bayesin lausekkeita, jotka vangitsevat toimialueen laadullisen rakenteen. Toinen komponentti on kvantitatiivinen, se koodaa kvantitatiivista tietoa domeenista.
29) Mitä ovat Bayesian Networks (BN)?
Bayesin verkkoa käytetään kuvaamaan muuttujien joukon todennäköisyyssuhteen graafista mallia.
30) Miksi instanssipohjaista oppimisalgoritmia kutsutaan joskus Lazy-oppimisalgoritmiksi?
Ilmentymiin perustuvaa oppimisalgoritmia kutsutaan myös Lazy-oppimisalgoritmiksi, koska ne viivästyttävät induktio- tai yleistysprosessia, kunnes luokitus on suoritettu.
31) Mitkä ovat kaksi luokittelumenetelmää, joita SVM (Support Vector Machine) pystyy käsittelemään?
- Binaaristen luokittelijoiden yhdistäminen
- Binaarin muokkaaminen moniklassisen oppimisen sisällyttämiseksi
32) Mitä yhtyeoppiminen on?
Tietyn laskentaohjelman ratkaisemiseksi strategisesti luodaan ja yhdistetään useita malleja, kuten luokittelijat tai asiantuntijat. Tämä prosessi tunnetaan yhtyeoppimisena.
33) Miksi yhtyeoppimista käytetään?
Ensemble-oppimista käytetään mallin luokituksen, ennustamisen, funktion lähentämisen jne. Parantamiseen.
34) Milloin yhtyeopetusta käytetään?
Ensemble-oppimista käytetään, kun rakennat tarkempia ja toisistaan riippumattomia komponenttiluokituksia.
35) Mitkä ovat yhtyeiden menetelmien kaksi paradigmaa?
Kaksi yhdistelmämenetelmien paradigmaa ovat
- Peräkkäiset kokonaisuusmenetelmät
- Rinnakkaiset kokonaisuusmenetelmät
36) Mikä on kokonaisuusmenetelmän yleinen periaate ja mikä on kassaaminen ja lisääminen kokonaisuusmenetelmässä?
Ansamblimenetelmän yleisenä periaatteena on yhdistää useiden mallien ennusteet, jotka on rakennettu tietylle oppimisalgoritmille, jotta voidaan parantaa robustisuutta yhden mallin suhteen. Laukku on menetelmä yhdessä epävakaiden arviointi- tai luokitusjärjestelmien parantamiseksi. Vaikka tehostamismenetelmää käytetään peräkkäin yhdistetyn mallin esijännityksen vähentämiseksi. Sekä tehostaminen että pussitus voivat vähentää virheitä vähentämällä varianssiaikaa.
37) Mikä on luokitusvirheen bias-varianssikohtainen hajoaminen kokonaisuusmenetelmässä?
Oppimisalgoritmin odotettu virhe voidaan hajottaa puolueellisuudeksi ja varianssiksi. Bias-termi mittaa kuinka läheisesti oppimisalgoritmin tuottama keskimääräinen luokittelija vastaa kohdefunktiota. Varianssitermi mittaa sitä, kuinka paljon oppimisalgoritmin ennuste vaihtelee eri harjoitusjoukoille.
38) Mikä on inkrementaalinen oppimisalgoritmi yhdessä?
Inkrementaalinen oppimismenetelmä on algoritmin kyky oppia uusista tiedoista, jotka voivat olla käytettävissä sen jälkeen, kun luokittelija on jo luotu jo käytettävissä olevasta aineistosta.
39) Mihin PCA: ta, KPCA: ta ja ICA: ta käytetään?
PCA (pääkomponenttianalyysi), KPCA (kernelipohjainen pääkomponenttianalyysi) ja ICA (riippumaton komponenttianalyysi) ovat tärkeitä ominaisuuksien uuttotekniikoita, joita käytetään ulottuvuuden pienentämiseen.
40) Mitä ulottuvuuden vähentäminen koneoppimisessa on?
Koneoppimisessa ja tilastoissa ulottuvuuden vähentäminen on prosessi, jolla pienennetään harkittavien satunnaismuuttujien määrää ja joka voidaan jakaa ominaisuuksien valintaan ja ominaisuuksien poimintaan.
41) Mitkä ovat tukivektorikoneet?
Tukivektorikoneet ovat valvottuja oppimisalgoritmeja, joita käytetään luokitteluun ja regressioanalyysiin.
42) Mitkä ovat relaatioarviointitekniikoiden komponentit?
Relaatioarviointitekniikoiden tärkeät komponentit ovat
- Tiedonkeruu
- Maaperän totuuden hankinta
- Ristivahvistustekniikka
- Kyselyn tyyppi
- Pisteytysmittari
- Merkitystesti
43) Mitkä ovat peräkkäisen valvotun oppimisen eri menetelmät?
Eri menetelmät peräkkäisen valvotun oppimisen ongelmien ratkaisemiseksi ovat
- Liukuikkunamenetelmät
- Toistuvat liukuikkunat
- Piilotetut Markow-mallit
- Suurin entropia Markow -mallit
- Ehdolliset satunnaiset kentät
- Kaaviomuuntajaverkot
44) Mitkä ovat robotiikan ja tietojenkäsittelyn alueet, joilla peräkkäinen ennustusongelma syntyy?
Robotiikan ja tietojenkäsittelyn alueet, joilla peräkkäinen ennustusongelma syntyy, ovat
- Jäljitelmäoppiminen
- Strukturoitu ennuste
- Mallipohjainen vahvistusoppiminen
45) Mikä on erätilastollinen oppiminen?
Tilastolliset oppimistekniikat mahdollistavat funktion tai ennustimen oppimisen havaittujen tietojen joukosta, joka voi ennustaa näkymättömiä tai tulevia tietoja. Nämä tekniikat takaavat oppimisen ennustajan suorituskyvyn tuleville näkymättömille tiedoille tietojenkäsittelyprosessia koskevan tilastollisen oletuksen perusteella.
46) Mikä on PAC-oppiminen?
PAC (Todennäköisesti Noin Oikea) -oppiminen on oppimisjärjestelmä, joka on otettu käyttöön analysoimaan oppimisalgoritmeja ja niiden tilastollista tehokkuutta.
47) Mitkä ovat eri luokat, jotka voit luokitella sekvenssin oppimisprosessin?
- Sekvenssin ennustus
- Sekvenssin generointi
- Sekvenssin tunnistus
- Peräkkäinen päätös
48) Mitä on sekvenssioppiminen?
Sekvenssioppiminen on menetelmä loogisella tavalla opettamiseen ja oppimiseen.
49) Mitkä ovat kaksi koneoppimisen tekniikkaa?
Koneoppimisen kaksi tekniikkaa ovat
- Geneettinen ohjelmointi
- Induktiivinen oppiminen
Suurten verkkokauppasivustojen toteuttama suositusmoottori käyttää koneoppimista.