Teorija

Question 1

Slabosti preiskovanja v globino v primerjavi s preiskovanjem v širino

Answer 1

Lahko zaide v neskončne veje in ne najde rešitve. Ni optimalno, saj ne zagotavlja najkrajše poti do rešitve.

Question 2

Prednost preiskovanja v globino v primerjavi s širinskim preiskovanjem

Answer 2

Manjša prostorska zahtevnost, saj hrani le pot do trenutnega vozlišča.

Question 3

Podobnosti med algoritmom širinskega preiskovanja in iterativnim poglabljanjem

Answer 3

Oba algoritma sta popolna in zagotavljata, da bosta našla rešitev, če ta obstaja.

Question 4

Razlike med algoritmom širinskega preiskovanja in iterativnim poglabljanjem

Answer 4

Širinsko preiskovanje uporablja vrsto in hkrati razišče vsa vozlišča na isti globini. Iterativno poglabljanje kombinira širinsko in globinsko preiskovanje, ponavlja globinsko preiskovanje z vedno večjo dovoljeno globino.

Question 5

Definicija optimistične hevristične funkcije h v algoritmu A*

Answer 5

Hevristična funkcija h je optimistična, če nikoli ne preceni dejanskih stroškov poti do cilja (h(n) ≤ h*(n)).

Question 6

Zakaj smo zainteresirani za optimistične hevristične funkcije h v algoritmu A*

Answer 6

Optimistične funkcije zagotavljajo, da je A* popoln in optimalen, saj vedno najde najkrajšo pot.

Question 7

Kaj pomeni pretirano prilagajanje (angl. overfitting) v strojnem učenju

Answer 7

Pretirano prilagajanje pomeni, da model preveč natančno sledi učnim podatkom, vključno s šumom in nepomembnimi vzorci.

Question 8

Kaj so nezaželene posledice pretiranega prilagajanja

Answer 8

Model ima slabo generalizacijo na novih podatkih, kar vodi do slabše napovedne točnosti.

Question 9

Kako se manifestirajo težave pri učenju odločitvenih dreves iz šumnih podatkov

Answer 9

Odločitvena drevesa se lahko naučijo šumnih vzorcev, kar vodi do pretiranega prilagajanja in slabe napovedne točnosti.

Question 10

Kaj je osnovna ideja pri učenju dreves iz šumnih podatkov

Answer 10

Uporaba metod za obrezovanje dreves in tehnike, kot so omejitev globine drevesa, da se zmanjšajo vplivi šuma.

Question 11

Na kaj se nanaša beseda »kratkovidnost« (angl. myopy) v gradnji odločitvenih dreves

Answer 11

Kratkovidnost pomeni, da odločitvena drevesa sprejemajo odločitve na podlagi lokalno optimalnih kriterijev, ki niso nujno globalno optimalni.

Question 12

Za kaj se uporabljata metoda »prečno preverjanje« (angl. cross validation) in metoda »leave-one-out« v strojnem učenju

Answer 12

Prečno preverjanje in leave-one-out metoda se uporabljata za ocenjevanje napovedne točnosti modelov.

Question 13

Postopek prečnega preverjanja (k-fold cross validation)

Answer 13

Podatki se razdelijo na k podmnožic, model se trenira k-krat, vsakič z drugo podmnožico kot testno.

Question 14

Postopek leave-one-out

Answer 14

Posebna oblika prečnega preverjanja, kjer je k enako številu podatkovnih točk, kar pomeni, da se vsakič uporabi ena podatkovna točka kot testna.

Question 15

Kaj pomeni parameter k v metodi prečnega preverjanja

Answer 15

Parameter k določa število podmnožic, v katere se razdelijo podatki za prečno preverjanje.

Question 16

Bayesova formula za izračun pogojne verjetnosti P(A|B)

Answer 16

P(A|B) = \frac{P(B|A)P(A)}{P(B)}

Question 17

Bayesova formula za izračun P(A|BC)

Answer 17

P(A|BC) = \frac{P(C|A)P(B|A)P(A)}{P(B)P(C)}

Question 18

Naivna Bayesova formula za izračun P(A|BC)

Answer 18

P(A|BC) \approx P(A) \cdot P(B|A) \cdot P(C|A)

Question 19

V čem je naivna Bayesova formula naivna

Answer 19

Predpostavlja neodvisnost med atributi, kar pogosto ni resnično.

Question 20

Prednost naivne Bayesove formule

Answer 20

Preprosta in učinkovita za računanje ter pogosto daje dobre rezultate kljub poenostavitvi.

Question 21

Kaj pomeni “optimistična hevristična funkcija”

Answer 21

Hevristična funkcija je optimistična, če je njena ocena stroškov do cilja manjša ali enaka dejanskim stroškom.

Question 22

Zakaj smo pogosto zainteresirani za optimistične hevristične funkcije

Answer 22

Takšne funkcije zagotavljajo optimalnost in učinkovitost algoritmov, kot je A*.

Question 23

Katera hevristična funkcija deluje bolje v A* algoritmu, če je h1(N) < h2(N)

Answer 23

A* bo deloval bolje s hevristiko h2, ker boljša ocena (bližje dejanskim stroškom) vodi do manj preiskovanih vozlišč in hitrejšega dosega cilja.

Question 24

Kolikokrat več časa bo program potreboval za iskanje druge rešitve, če ima uniformno vejanje b = 5, prvo rešitev na globini 9 in drugo na globini 12

Answer 24

Razmerje T2:T1 je približno enako b^{12-9} = 5^3 = 125. Torej bo program potreboval približno 125-krat več časa.

Question 25

Oceni na grobo, koliko je vejanje b, če program najde prvo rešitev v 3 sek., drugo pa po 4 minutah, ki je za 4 korake daljša

Answer 25

Če je razlika v globini 4 korake in traja 4 minute (240 sekund) po prvih 3 sekundah, razmerje časa je 240/3 = 80. Torej, b^4 \approx 80, kar daje b \approx 3.

Question 26

Prostorska in časovna zahtevnost algoritmov preiskovanja v globino, v širino in iterativnega poglabljanja

Answer 26

Globinsko preiskovanje: Prostorska: O(d), Časovna: O(b^d). Širinsko preiskovanje: Prostorska: O(b^d), Časovna: O(b^d). Iterativno poglabljanje: Prostorska: O(d), Časovna: O(b^d).

Question 27

Prednosti in pomanjkljivosti globinskega preiskovanja

Answer 27

Prednosti: Nizka prostorska zahtevnost. Pomanjkljivosti: Lahko ne najde rešitve, če gre v neskončno globino.

Question 28

Prednosti in pomanjkljivosti širinskega preiskovanja

Answer 28

Prednosti: Zagotavlja najkrajšo pot, če obstaja rešitev. Pomanjkljivosti: Visoka prostorska zahtevnost.

Question 29

Prednosti in pomanjkljivosti iterativnega poglabljanja

Answer 29

Prednosti: Kombinira prednosti obeh, nizka prostorska zahtevnost in zagotavlja najkrajšo pot. Pomanjkljivosti: Višja časovna zahtevnost zaradi ponovnega iskanja.

Question 30

Ali je manhattanska razdalja optimistična hevristika za igre 8 ali 15 kvadratov

Answer 30

Da, manhattanska razdalja je optimistična hevristika, ker nikoli ne preceni dejanskih stroškov premikov ploščic.

Question 31

Relativni informacijski dobitek atributa

Answer 31

Relativni informacijski dobitek upošteva razmerje med informacijskim dobitkom in entropijo atributa, kar omogoča primerjavo atributov z različnimi razponi vrednosti.

Question 32

Kaj je entropija?

Answer 32

Entropija je mera negotovosti ali neurejenosti v podatkih, ki kvantificira povprečno količino informacij potrebnih za opisovanje podatkovnih vrednosti.

Question 33

Formula za izračun entropije

Answer 33

H(X) = -\sum_{i=1}^n P(x_i) \log P(x_i)

Question 34

Kaj je informacijski dobitek atributa

Answer 34

Informacijski dobitek je mera zmanjšanja entropije, ki pove, koliko dodatnih informacij določen atribut prinese za razločevanje med različnimi razredi v podatkovnem naboru.

Question 35

Kaj je pristranskost (bias) v strojnem učenju

Answer 35

Pristranost v strojnem učenju se nanaša na sistematična odstopanja, kjer model favorizira določene napovedi zaradi predpostavk, vgrajenih v model ali podatke.

Question 36

Kaj je jezikovna pristranskost (language bias)

Answer 36

Jezikovna pristranost se nanaša na pristranskost, ki izhaja iz predpostavk, povezanih z obliko ali strukturo jezika, uporabljeno za opis hipotez ali modelov, kar lahko omeji izražanje določenih rešitev.

Question 37

Pomen angleške besede »overfitting« v kontekstu strojnega učenja

Answer 37

Pretirano prilagajanje: Model se preveč prilagodi učnim podatkom in izgubi sposobnost generalizacije na nove podatke.

Question 38

Neugodne posledice šuma v učnih podatkih pri učenju odločitvenih dreves

Answer 38

Model se lahko nauči napačnih vzorcev, kar vodi do pretiranega prilagajanja in slabe napovedne točnosti.

Question 39

Metoda ocenjevanja klasifikacijske točnosti v algoritmih za rezanje odločitvenih dreves

Answer 39

Prečno preverjanje: Podatke razdelimo na več podmnožic, treniramo model na vsaki podmnožici in ocenimo točnost na preostalih.

Question 40

Postopek prečnega preverjanja (k-fold cross validation)

Answer 40

Podatke razdelimo na k delov, model treniramo k-krat, pri čemer vsakič uporabimo drug del za testiranje in ostale za treniranje.

Question 41

Postopek leave-one-out

Answer 41

Posebna oblika prečnega preverjanja, kjer je k enako številu podatkovnih točk, vsakič pustimo eno točko za testiranje in ostale za treniranje. Uporaba leave-one-out je smiselna pri majhnih podatkovnih množicah za maksimalno izkoriščanje razpoložljivih podatkov.

Question 42

Bayesova formula za verjetnost razreda R pri vrednostih atributov A1, A2, A3

Answer 42

P(R|A1=1, A2=2, A3=3) = \frac{P(A1=1, A2=2, A3=3|R)P(R)}{P(A1=1, A2=2, A3=3)}

Question 43

Razlika med Bayesovim in naivnim Bayesovim klasifikatorjem

Answer 43

Bayesov klasifikator upošteva vse odvisnosti med atributi, medtem ko naivni Bayesov predpostavlja njihovo neodvisnost.

Question 44

Naivni Bayesov klasifikator za verjetnost razreda R pri vrednostih atributov A1, A2, A3

Answer 44

P(R|A1=1, A2=2, A3=3) \approx P(R) \cdot P(A1=1|R) \cdot P(A2=2|R) \cdot P(A3=3|R)

Question 45

Primerjava Bayesovega in naivnega Bayesovega klasifikatorja

Answer 45

Bayesov klasifikator je natančnejši, a bolj zapleten in zahteva več podatkov. Naivni Bayesov je preprostejši in hitrejši, vendar temelji na močni predpostavki neodvisnosti atributov. Bayesov klasifikator je bolj zanesljiv, če so podatki zadostni in predpostavke držijo, medtem ko je naivni Bayesov bolj robusten pri omejenih podatkih.