Aop 2.Kol
.
- 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