Pirma dalis

Question 1

Mašininis mokymas

Answer 1

Algoritmų ir modelių kūrimas, leidžiantis DI sistemoms išmokti atlikti užduotis efektyviau

Question 2

Prižiūrimas mokymas

Answer 2

Modelis mokomas naudojant pažymėtus duomenis, kur kiekvienai įvesčiai yra žinoma teisinga išvestis

Question 3

Pusiau prižiūrimas mokymas

Answer 3

Naudojamas nedidelis kiekis pažymėtu duomenų kartu su dideliu kiekiu nepažymėtu

Question 4

Neprižiūrimas mokymas

Answer 4

Naudojamas nepažymėtas duomenų rinkinys ir modelis pats išmoksta jų struktūra bei ryšius tarp jų

Question 5

Skatinamasis mokymas

Answer 5

Modelis gauna arba atlygį arba bauda už savo veiksmus

Question 6

Duomenų skaidymas

Answer 6

Skirsto į 3 grupes - mokymosi, validavimo, testavimo

Question 7

Klasifikavimas

Answer 7

Mašininio mokymo uždavinys, tikslas - priskirti įvesti vienai iš galimų klasių

Question 8

Dviejų klasių klasifikavimas

Answer 8

Objektų priskyrimas vienai iš dviejų galimų klasių

Question 9

Daugelio klasių klasifikavimas

Answer 9

Leidžia priskirti objektą vienai iš daugiau nei dviejų galimų klasių

Question 10

Klasifikavimo metrikos

Answer 10

Naudojamos įverinti klasifikavimo modelio prognozių tikslumą

Question 11

Tikslumas (accuracy)

Answer 11

Parodo kokia dalis modelio prognozių buvo teisingos

Question 12

Preciziškumas (precision)

Answer 12

Parodo, kokia dalis modelio prognozuotų teigiamų atveju yra tikrai teisingi

Question 13

Atkūrimo statistika (recall)

Answer 13

Parodo, kokią dalį visų tikrųjų teigiamų atveju modelis sugebėjo atpažinti

Question 14

F1 Statistika

Answer 14

Harmoninis tikslumo ir atkūrimo vidurkis

Question 15

Klasifikavimo lentelė (confusion matrix)

Answer 15

Matrica, kurioje pavaizduota, kiek prognoziu buvo teisingos ir klaidingos

Question 16

Naivusis Bajeso klasifikatorius

Answer 16

Remiasi tikimybių teorija ir daro prielaida, kad požymiai tarpusavyje nepriklausomi

Question 17

Sprendimų medis

Answer 17

Modelis, kuris priima sprendimus sekdamas šakomis pagal duomenų savybes

Question 18

Sprendimų medžio veikimas

Answer 18

Mokymo metu išrenkamas duomenų kintamasis, pagal kurį duomenys padalijami į dvi grupes, tai atliekama kol pasiekiamas stabdymo kriterijus

Question 19

Sprendimų medžio stabdymo kriterijai

Answer 19

Pogrupyje lieka per mažai duomenų, skirtymo kokybė nebepagerėja, medis pasiekia nustatyta maksimalų gylį

Question 20

Atsitiktinis miškas

Answer 20

Naudoja daugybę sprendimų medžių, kiekviena su atsitiktinai parinktai duomenimis, galutinis rezultatas nustatomas pagal medžių balsavimą

Question 21

K artimiausių kaimynų algoritmas

Answer 21

Priskiria objektą tai klasei, kuriai priklauso dauguma artimiausių (k) kaimynų

Question 22

Atraminių vektorių metodas (SVM)

Answer 22

Ieško geriausios ribos, skiriančios skirtingas klases erdvėje

Question 23

Kaip parenkama SVM riba

Answer 23

Kad atstumas iki artimiausių duomenų taškų abiejose pusėse būtų kuo didesnis, artimiausi taškai vadinami atraminiais vektoriais

Question 24

Klasterizavimas

Answer 24

Neprižiūrimas mokymo metodas, skirtas grupiuoti panašius duomenų taškus į klasterius pagal savybes

Question 25

K-vidurkių klasterizavimas

Answer 25

Paskirsto duomenis į k skaičių grupių, minimizuodamas atstumą tarp duomenų taškų ir jų klasterio centro

Question 26

Aglomeracinis hierarchinis klasterizavimas

Answer 26

Pradeda nuo kiekvieno taško jų klasteryje ir sujungia du artimiausius, iki kol visi taškai yra viename klasteryje

Question 27

Susiejimas

Answer 27

Apibrėžia, kaip skaičiuoti atstumą tarp klasterių aglomeracinio klasterizavimo metu

Question 28

Susiejimo (linkage) tipai

Answer 28

Pilnas susiejimas - max atstumas Viengubas susiejimas - min atstumas Vidutinis susiejimas - vidurtinis atstumas Centroidų susiejimas Ward

Question 29

Centroidų susiejimas

Answer 29

Atstumas tarp A ir B klasterių centroidų (vidutinių taškų)

Question 30

Ward susiejimas

Answer 30

Jungia klasterius taip, kad mažėtų vidinė variacija (skirtumai klasterio viduje)

Question 31

Dimensijų mažinimas

Answer 31

Metodas, leidžiantis sumažinti duomenų savybių skaičių, išlaikant svarbiausią informacija

Question 32

Pagrindinių komponentų analizė (PCA)

Answer 32

Transformuoja duomenis į naują ašių rinkinį, pagrįsta duomenų dispersija ir išlaiko tik reikšmingiausius komponentus

Question 33

Tiesinė regresija

Answer 33

Metodas, modeliuojantis priklausomybę tarp kintamųjų naudojant tiesinę funkciją

Question 34

Mažiausių kvadratų metodas

Answer 34

Naudojamas, kad būtų rasta skirtumų tarp tikrųjų ir prognozuotų reikšmių suma, padeda rasti tokį modelį, kuris kuo tiksliau apibūdina bendra tendenciją

Question 35

Dirbtiniai neuronų tinklai (DNN)

Answer 35

Biologinių neuronų veikimu įkvėpti modeliai, sudaryti iš tarpusavyje sujungtų dirbtinių neuronų sluoksnių

Question 36

Svoriai

Answer 36

Nustato, kiek įtakos turi įvesties signalas kiekvienam neuronui

Question 37

Postūmiai (bias)

Answer 37

Leidžia neuronui išmokti poslinkį nuo nulio, pridedant konstantą prie svorinių įvesčių sumų

Question 38

Aktyvacijos funkcijos

Answer 38

Nusprendžia ar neuronas turėtų būti aktyvuotas ir įveda nelineariškumą į tinklą

Question 39

Kam reikalingas nelinerališkumas

Answer 39

Be jo tinklas negalėtų modeliuoti sudėtingų priklausomybių

Question 40

Perceptronas

Answer 40

Paprasčiausias neuroninis modelis, kuris apskaičiuoja svorinių įvesčių sumą, prideda postūmį ir taiko aktyvacijos funkciją

Question 41

Tiesioginio sklydimo (feedforward) neuroniniai tinklai

Answer 41

Perduoda duomenis iš įvesties į išvestį vieną kryptimi, be grįžtamojo ryšio

Question 42

Daugiasluoksnis perceptronas (MLP)

Answer 42

Perceptronų neuroninis tinklas su vienu ar keliais paslėptais sluoksčiai, gebantis modeliuoti sudėtingas nelineariškas priklausomybės tarp įvesties ir išvesties

Question 43

Logistinė regresija

Answer 43

Klasifikavimo metodas, kuris naudoja sigmoidinę funkciją prognozuoti tikimybę, kad duomenys priklauso vienai ar kitai klasei

Question 44

Neuroninių tinklų mokymas (training)

Answer 44

Procesas, kurio metu atnaujinami svoriai, remiantis klaida tarp prognozuotos ir tikros reikšmės

Question 45

Atgalinio sklidimo algoritmas (backpropagation)

Answer 45

Apskaičiuoja klaidos gradientus kiekviename tinklo sluoksnyje ir perduoda juos atgal, kad būtų galima optimizuoti svorius