Aop 2.Kol

52 Questions | Attempts: 799
Share

SettingsSettingsSettings
Aop 2.Kol - Quiz

.


Questions and Answers
  • 1. 
    Kompleksnost neuronskih modela:
    • A. 

      Opada sa porastom broja sinapsi

    • B. 

      Opada sa porastom broja neurona

    • C. 

      Raste sa porastom broja sinapsi

    • D. 

      Raste sa porastom broja neurona

  • 2. 
    Pravilo klasifikacije 1 NN glasi: 
    • A. 

      X pripada klasi kojoj pripada njen 2 sused

    • B. 

      X pripada onoj klasi kojoj pripada njen 1 sused

    • C. 

      X pripada klasi kojoj pripada vecina njenih prvih k suseda

  • 3. 
    Ako je klasa hipoteza H skup svih prava u 2D, tada je VC dimenzija ove klase:
    • A. 

      1

    • B. 

      2

    • C. 

      4

    • D. 

      3

  • 4. 
    Validacioni skup sluzi za:
    • A. 

      Selekciju modela

    • B. 

      Procenu tacnosti izabranog i obucenog modela

    • C. 

      Obucavanja modela

  • 5. 
    Sta su konacne klase hipoteza?
    • A. 

      One klase koje sadrze beskonacan broj prediktora (hipoteza)

    • B. 

      One klase cija je kardinalnost izmedju alefa_0 i alefa_1

    • C. 

      One klase koje sadrze konacan broj prediktora (hipoteza)

  • 6. 
    Biometrijska autentifikacija se moze posmatrati kao: ???
    • A. 

      Klasifikacioni problem sa vise od dve klase

    • B. 

      Klasifikacioni problem sa dve klase

    • C. 

      Regresioni problem

  • 7. 
    U scenariju pasivnog obucavanja, na raspolaganju su:
    • A. 

      Pored obucavajuceg skupa i podskup uzoraka koje sistem samostalno izdvaja iz obucavajuceg skupa 

    • B. 

      Samo uzorci iz obucavajuceg skupa

    • C. 

      Pored obucavajuceg skupa i uzorci koje sistem sam generise

  • 8. 
    VC dimenzija klase svih hiperravni u K - dimenzionom prostoru je:
    • A. 

      K

    • B. 

      K+1

    • C. 

      K-1

  • 9. 
    Masinsko ucenje je neophodno u slucaju da:
    • A. 

      Postoje eksperti za datu oblast razmatranja

    • B. 

      Ljudi su u stanju da objasne svoju ekspertizu

    • C. 

      Ne postoje eksperti za datu oblast razmatranja

    • D. 

      Ljudi nisu u stanju da objasne svoju ekspertizu

  • 10. 
    Kriva obucavanja prikazuje:
    • A. 

      Zavisnost greske na test skupu prilikom postepenog povecanja broja podataka, koristeci prethodne podatke kao prefiks uvecanom skupu podataka

    • B. 

      Zavisnost greske na test i validacionom skupu prilikom postepenog povecanja broja podataka, koristeci prethodne podatke kao prefiks uvecanom skupu podataka

    • C. 

      Zavisnost greske na validacionom skupu prilikom postepenog povecanja broja podataka, koristeci prethodne podatke kao prefiks uvecanom skupu podataka

    • D. 

      Zavisnost greske na obucavajucem skupu prilikom postepenog povecanja broja podataka, koristeci prethodne podatke kao prefiks uvecanom skupu podataka

  • 11. 
    Ako je krosvalidaciona greska velika, potrebno je: 
    • A. 

      Redukovati postojece podatke

    • B. 

      Obezbediti vise novih podataka

    • C. 

      Smanjiti broj obelezja

    • D. 

      Promeniti model

    • E. 

      Povecati broj obelezja

  • 12. 
    Sta je prava mera performansi jednog sistema masinskog ucenja?
    • A. 

      Tacnost na vidjenim primerima

    • B. 

      Tacnost na nevidjenim primerima

    • C. 

      Prosecna tacnost na vidjenim i nevidjenim primerima

  • 13. 
    Ako je velika greska na treningu, moguca poboljsanja su:
    • A. 

      Redukovati postojeci broj obelezja

    • B. 

      Dodati vise obelezja

    • C. 

      Produziti obucavanje

    • D. 

      Skratiti obucavanje

    • E. 

      Izabrati jednostavniji model

    • F. 

      Izabrati kompleksniji model

  • 14. 
    U sistemima masinskog ucenja sa induktivnim transferom:
    • A. 

      Vrsi se evaluacija sistema na primerima iz domena koji nije bio prisutan u procesu obucavanja

    • B. 

      Sistem obucen za jedan problem se koristi prilikom obucavanja sistema za neki drugi problem

    • C. 

      Sistem obucen za jedan problem se ne koristi prilikom obucavanja sistema za neki drugi problem

  • 15. 
    Kod transduktivnog ucenja cilj je sinteza sistema masinskog ucenja koji se dobro ponasa:
    • A. 

      Samo na obucavajucem skupu

    • B. 

      Samo na test primerima, koji su bez oznaka prisutni u fazi obucavanja

    • C. 

      Samo na nevidjenim primerima

  • 16. 
    U metodu histograma procena funkcije gustine verovatnoce na skup uzoraka duzine N ima: 
    • A. 

      P_N(X)=(1/N) (broj uzoraka u binu u kome je X)

    • B. 

      P_N(X)=((broj uzoraka u binu u kome je X)/(velicina bina koji sadrzi X))

    • C. 

      P_N(X)=(1/N) ((broj uzoraka u binu u kome je X)/(velicina bina koji sadrzi X))

  • 17. 
    Kod induktivnog ucenja cilj je da se sintetisani sistem masinskog ucenja dobro ponasa na:
    • A. 

      Svim primerima iz normalne raspodele

    • B. 

      Svim primerima dobijenim iz raspodele koja je ista kao i za obucavajuci skup

    • C. 

      Svim primerima dobijenim iz svih mogucih raspodela

    • D. 

      Svim primerima dobijenim iz Laplasove raspodele

  • 18. 
    Ukoliko fiksiramo broj uzoraka u obucavajucem skupu, a povecamo dimenzionalnost (vektor obelezja je sve veci): ???
    • A. 

      Binovi ce postajati sve prazniji

    • B. 

      Binovi ce postajati sve popunjeniji

    • C. 

      Broj uzoraka po jednom binu se nece menjati

  • 19. 
    U sistemima masinskog ucenja, ulaz su:
    • A. 

      Program + izlaz

    • B. 

      Podaci + program

    • C. 

      Nijedna od ovih kombinacija

    • D. 

      Podaci + izlaz

  • 20. 
    Sta je ERM (Empirical Risc Minimization) princip sa induktivnim Bijasom?
    • A. 

      Minimizacija greske na trening skupu bez dodatnih ogranicenja

    • B. 

      Minimizacija greske na test skupu uz restrikciju prostora mogucih prediktora(hipo...

    • C. 

      Minimizacija greske na test skupu bez dodatnih ogranicenja

    • D. 

      Minimizacija greske na trening skupu uz restrikciju prostora mogucih prediktora(hipo...

  • 21. 
    Greska aproksimacije (bajas) se definise kao:
    • A. 

      Prosecna greska ostvariva u datoj klasi hipoteza H

    • B. 

      Maksimalna greska ostvariva u datoj klasi hipoteza H

    • C. 

      Minimalna greska ostvariva u datoj klasi hipoteza H

  • 22. 
    Kakva je razlika izmedju klasifikacije i regresije?
    • A. 

      Ulaz sistema masinskog ucenja je kontinualan u slucaju klasifikacije

    • B. 

      Izlaz sistema masinskog ucenja je kontinualan u slucaju klasifikacije

    • C. 

      Izlaz sistema masinskog ucenja je kontinualan u slucaju regresije

    • D. 

      Izlaz sistema masinskog ucenja je diskretan u slucaju klasifikacije

    • E. 

      Izlaz sistema masinskog ucenja je diskretan u slucaju klasifikacije

    • F. 

      Ulaz sistema masinskog ucenja je diskretan u slucaju regresije

    • G. 

      Ulaz sistema masinskog ucenja je kontinualan u slucaju regresije

    • H. 

      Ulaz sistema masinskog ucenja je diskretan u slucaju klasifikacije

  • 23. 
    Pomeraj ili bajas u masinskom ucenju ima znacenje:
    • A. 

      Uvodjenje restrikcija na obucavajuci skup

    • B. 

      Uvodjenje restrikcija na prostor hipoteza u kome se trazi finalno resenje

    • C. 

      Uvodjenje restrikcija na trajanje obucavanja

  • 24. 
    Greska estimacija (varijansa) se moze smanjiti:
    • A. 

      Prosirivanjem klase hipoteza H

    • B. 

      Povecanjem obucavajuceg skupa

    • C. 

      Redukovanjem klase hipoteza H

    • D. 

      Smanjivanjem obucavajuceg skupa

  • 25. 
    Kod aktivnog ucenja, sistem masinskog ucenja ima mogucnost da do izvesne mere:
    • A. 

      Zahteva od ucitelja da dodaje primere i da ih oznaci

    • B. 

      Zahteva od ucitelja da odbacuje primere iz obucavajuceg skupa 

    • C. 

      Zahteva od ucitelja da dodaje primere bez ciljne vrednosti (labela, oznaka)

Back to Top Back to top
×

Wait!
Here's an interesting quiz for you.

We have other quizzes matching your interest.