.
A) Asocijacija
B) Neizrazite logike
C) Objekt – atribut – vrijednost
D) Semantičkih mreža
E) Zaključivanja na temelju pravila
A) Ulančavanje pravila prema naprijed
A) Ulančavanje pravila prema unatrag
C) Rekurzija
D) Pretraživanje u dubinu
E) Pretraživanje u širinu
A) Metoda najbližeg susjeda
B) K-means algoritma
C) Dendrograma
D) Kohonenove neuronske mreže
A) Proporcija pozitivnih i negativnih primjera
B) Broj klasa i broj primjera
C) Logaritmi svake klase
D) Sume entropije ne binarne klasifikacije
A) Web mininga
B) Metoda rudarenja po podatcima
C) Skladištenje podataka
D) Genetički algoritmi
E) Neuronske mreže
A) Pravac
B) Hiperravnine
C) Kruga
D) Ravnine
E) Točke
A) Drugi korijen iz sume kvadratnih razlika
B) Umnožak vektora X i težinskog vektora W
C) Logaritam sume svih točaka
D) Umnožak transponiranog vektora W i vektora Y
A) Overfitting
B) Hipoteza
C) Perceptron
D) Decizijsko pravilo
E) Generalizacija
A) Težinske koeficijente
B) Hiperravnine
C) LMSE metodu
D) Konfuzijsku matricu
E) Centroide
A) Da će se koristiti 10 nasumičnih točaka od kojih će se izračunavati metrika udaljenosti do nove točke
B) Da će se nova točka (instanca) stvarati u klasu s obzirom na većinsku klasu najbližih 10 susjednih točaka
C) Da će se testiranjem točnosti algoritma vršiti na način da se set za učenje podijeli na 10 dijelova od kojih će 1 biti za testiranje a 9 za treniranje
D) Da će biti najmanje 10 iteracija u određivanju najbližih susjeda koko bi se odredila najbliža klasna točka
A) Konfuzijske matrice
B) Formule Hiperravnine
C) Skupa za testiranje
D) Težinskih faktora
E) Ukupne pogreške
A) 1R
B) k-means
C) bootstrap
D) unsupervised Bayes
E) J48
A) Klasteriranja
B) Entropije
C) Klasifikacije
D) Asocijacije
E) Regresije
A) 33% skupa za testiranje
B) Unakrsnu validaciju
C) Algoritam koji ne zahtijeva testiranje
D) Skup za testiranje
E) Metrike udaljenosti
A) Korištenjem unakrsne validacije sa više foldova
B) Okretanjem konfuzijske matrice po dijagramu (pivot)
C) Smanjivanjem broja atributa u skupu za učenje
D) Dodavanjem novih instanci u skupu za učenje
A) Odabir atributa koji će se stavit u korijen stabla odlučivanja
B) Izbor atributa koji će se koristiti u procesu treniranja stabla odlučivanja
C) Način skraćivanja stabla odlučivanja zbog redukcije kompleksnosti
D) Slučajni odabir instanci za testiranje iz skupa za učenje
A) ID3
B) J84
C) K-means
D) kNN
A) Povećavanje entropije
B) Izbjegavanje nedostajućih podataka
C) Povećanje informacijskog dobitka
D) Izbjegavanja over – fittinga
A) 1000 instanci i 2 atributa
B) 200 instanci i 10 atributa
C) 10 instanci i 20 atributa
D) 100 instanci i 20 atributa
A) Sigurno visoka
B) Manja od 50%
C) Vjerojatno niska
D) Viša od 2%
A) Sigurno će predvidjeti prvu klasu
B) S vjerojatnošću od 60% predvidjeti će drugu klasu
C) S vjerojatnošću od 80% predvidjeti će prvu klasu
D) Predvidjeti će drugu klasu ako su na svih 10 atributa naklonjeni toj klasi, inače predvidjeti će prvu klasu
A) Vektor klasa
B) Vektor značajki
C) Vektor težinskih koeficijenata
D) Vektor n-dimenzionalnog prostora
A) Euklidske udaljenosti
B) Overfittinga
C) Cross validacije
D) Konfuzijske matrice
A) Nehijerarhijski metoda klasteriranja
B) Validacije klasifikatora sa k-fold metodom
C) Nadgledanog učenja za utvrđivanja različitosti klasa
D) Izračunavanje informacijskog dobitka
A) Moramo otvoriti dio s bazom podataka, upotrijebiti mogućnost vanjskih podataka i uz pomoć upravitelja povezanih tablica uspostaviti link između tablice iz baze i programa.
B) Moramo otvoriti dio s programima, upotrijebiti mogućnost vanjskih podataka i uz pomoć upravitelja povezanih tablica uspostaviti link između tablica iz baze i programa.
C) Moramo otvoriti dio s programima, upotrijebiti mogućnost alata za baze podataka i uz pomoć programa za relacije uspostaviti link između tablica iz baze i programa.
D) Moramo otvoriti dio s programima, upotrijebiti mogućnost vanjskih podataka i uz pomoć upravitelja povezanih tablica kopirati tablice iz baze i programa.
A) Samo za cvorove bez djece
B) Samo za korijen stabla
C) Za svaki atribut koji je kandidat za cvor odluke
D) Samo za klasne atribute kandidate za list stabla
A) dedukcija
B) indukcija
C) redukcija
A) Upotrijebiti minimalno 66% iz seta za treniranje
B) Upotrijebiti poseban set za treniranje
C) Upotrijebiti set za ucenje
D) Upotrijebiti cross-validaciju sa minimalno 10 foldova
A) 2 zavisne varijable
B) 1 zavisnu nominalnu varijablu
C) 2.nominalne
D) 1 zavisna i 1 nezavisna varijablja
E) 2 nezavisne varijable
A) Izracunavanje udaljenosti između točaka u nehijerarhijskim metodama klasteriranja
B) Izracunavanje gresaka za konfuzijsku matricu
C) Pronalazenje tezinskih faktora w u decizijskim funkcijama
D) Klasificiranje na temelju najmanjeg postotka greske
A) H(x)=w1x1
B) H(x)=w0+w1x1
C) H(x)=w0
D) H(x)=w0+x1
A) Broj klastera
B) Broj objekata
C) Broj klasa
D) Broj iteracija
A) Metode linearne regresije
B) Mjere udaljenosti
C) Nehijerarhijske metode klasteriranja
D) Algoritme za nadgledano ucenje
A) Broj najblizih objekata koji se uzimaju u obzir
B) Broj klasa
C) Broj glasova za n-tu klasu
D) Broj klastera koji su najblizi n-toj instanci
A) k- means
B) stabla odlučivanja
C) asocijska pravila
D) NaiveBayes
A) gini
B) bootstrap
C) minkowski
D) ID3
E) boosting
A) aglomeracijski dendrogram
B) redukciju dimenzija
C) postupak unakrsne validacije
D) k-means iteracije
E) divizijski graf
A) nadgledano učenje
B) učenje bez treniranja
C) učenje bez učitelja
D) nenadgledano učenje
E) linearno učenje
A) klaster algoritam
B) linearnu klasifikaciju
C) linearnu regresiju
D) pretrenirani klasifikator
E) hiperravninu u dvodimenzionalnom prostoru
Quiz Review Timeline +
Our quizzes are rigorously reviewed, monitored and continuously updated by our expert board to maintain accuracy, relevance, and timeliness.