Intelligenza Artificiale & Machine Learning: contiene spiegazione e 200 Domande esame + Risposte

(CNN)?

Risposta: Strato convoluzionale, strato di pooling, strato completamente connesso.

8. Domanda: Cos'è la "propagazione in avanti" (Forward Propagation)?

Risposta: Il processo in cui gli input fluiscono attraverso la rete neurale, dal primo

strato all'ultimo, per generare un output.

9. Domanda: Cos'è la "backpropagation"?

Risposta: L'algoritmo utilizzato per addestrare le reti neurali, calcolando il gradiente

dell'errore rispetto ai pesi e aggiornando i pesi per ridurre l'errore.

10.Domanda: Cos'è una "funzione di costo" (o funzione di perdita)?

Risposta: Una funzione che misura quanto bene il modello sta performando,

quantificando la differenza tra l'output previsto e l'output effettivo.

11.Domanda: Cos'è l'"ottimizzatore" in Deep Learning?

Risposta: Un algoritmo che modifica i pesi della rete per minimizzare la funzione di

costo (es. Stochastic Gradient Descent, Adam).

12.Domanda: Cosa sono i "pesi" (weights) in una rete neurale?

Risposta: I parametri che determinano la forza delle connessioni tra i neuroni. Sono

ciò che la rete "impara" durante l'addestramento.

13.Domanda: Cos'è una "rete neurale convoluzionale" (CNN)?

Risposta: Un tipo di rete neurale particolarmente efficace per l'elaborazione di

immagini e video, che utilizza strati convoluzionali.

14.Domanda: Qual è il vantaggio principale delle CNN per le immagini?

Risposta: Sono in grado di rilevare automaticamente le caratteristiche gerarchiche

(bordi, texture, forme) dalle immagini.

15.Domanda: Cos'è una "rete neurale ricorrente" (RNN)?

Risposta: Un tipo di rete neurale progettata per gestire dati sequenziali (come testo o

serie temporali), mantenendo una "memoria" degli stati precedenti.

16.Domanda: Qual è la limitazione principale delle RNN tradizionali?

Risposta: Il problema della "vanishing gradient" (gradiente evanescente) che

impedisce loro di apprendere dipendenze a lungo termine.

17.Domanda: Come risolvono le LSTM (Long Short-Term Memory) il problema delle

RNN?

Risposta: Utilizzando "celle di memoria" e "gate" (input, forget, output) per controllare

il flusso di informazioni e gestire le dipendenze a lungo termine.

18.Domanda: Cos'è una "Generative Adversarial Network" (GAN)?

Risposta: Un'architettura di rete neurale composta da due reti (generatore e

discriminatore) che competono tra loro per generare dati realistici (es. immagini).

19.Domanda: A cosa serve il "generatore" in una GAN?

Risposta: Crea nuovi dati (es. immagini) che assomigliano ai dati di addestramento.

20.Domanda: A cosa serve il "discriminatore" in una GAN?

Risposta: Cerca di distinguere i dati reali da quelli generati dal generatore.

21.Domanda: Cos'è il "Transfer Learning"?

Risposta: L'utilizzo di un modello pre-addestrato su un grande dataset (es. ImageNet)

come punto di partenza per un nuovo compito, riaddestrando solo gli ultimi strati.

22.Domanda: Qual è un vantaggio del Transfer Learning?

Risposta: Richiede meno dati e meno tempo di addestramento per raggiungere buone

prestazioni su compiti simili.

23.Domanda: Cos'è un "Autoencoder"?

Risposta: Una rete neurale non supervisionata che impara una rappresentazione

compressa (codifica) dei dati di input, cercando di ricostruirli fedelmente in output.

24.Domanda: Qual è un'applicazione degli Autoencoder?

Risposta: Riduzione della dimensionalità, denoising (rimozione del rumore),

rilevamento di anomalie.

25.Domanda: Cos'è il "Dropout" in Deep Learning?

Risposta: Una tecnica di regolarizzazione che disattiva casualmente un sottoinsieme

di neuroni durante l'addestramento per prevenire l'overfitting.

26.Domanda: Qual è la funzione di un "batch normalization" layer?

Risposta: Normalizza gli input dei layer successivi, stabilizzando l'addestramento e

permettendo tassi di apprendimento più elevati.

27.Domanda: Cos'è la "learning rate"?

Risposta: Un iperparametro che controlla la dimensione dei passi con cui i pesi del

modello vengono aggiornati durante l'ottimizzazione.

28.Domanda: Cosa sono gli "iperparametri"?

Risposta: Parametri che non vengono appresi dal modello durante l'addestramento,

ma sono impostati manualmente prima dell'addestramento (es. learning rate, numero

di strati).

29.Domanda: Perché il Deep Learning ha avuto tanto successo negli ultimi anni?

Risposta: Grazie alla disponibilità di grandi dataset, alla maggiore potenza

computazionale (GPU) e allo sviluppo di algoritmi più efficienti.

30.Domanda: Cos'è un "Tensor"?

Risposta: Una struttura dati multidimensionale utilizzata nelle librerie di Deep

Learning (come TensorFlow e PyTorch) per rappresentare dati.

Sezione 6: Natural Language Processing (NLP)

1. Domanda: Cos'è il Natural Language Processing (NLP)?

Risposta: La branca dell'AI che si occupa dell'interazione tra computer e linguaggio

umano.

2. Domanda: Qual è l'obiettivo principale del NLP?

Risposta: Consentire alle macchine di comprendere, interpretare e generare

linguaggio umano.

3. Domanda: Fai tre esempi di applicazioni del NLP.

Risposta: Traduzione automatica, chatbot, analisi del sentiment, sommario

automatico.

4. Domanda: Cos'è la "tokenizzazione" nel NLP?

Risposta: Il processo di suddividere un testo in unità più piccole chiamate "token"

(parole, punteggiatura).

5. Domanda: Cos'è la "stemming" e la "lemmatizzazione"?

Risposta: Tecniche per ridurre le parole alla loro forma base. Stemming taglia la fine

delle parole; lemmatizzazione considera il significato e la forma morfologica.

6. Domanda: Cosa sono le "stop words"?

Risposta: Parole molto comuni (es. "il", "e", "di") che spesso vengono rimosse dal testo

in fase di pre-elaborazione perché di scarso valore informativo.

7. Domanda: Cos'è il "Bag of Words" (BoW)?

Risposta: Un modello di rappresentazione del testo in cui l'ordine delle parole viene

ignorato, e solo la frequenza delle parole è considerata.

8. Domanda: Cos'è TF-IDF?

Risposta: Una tecnica di ponderazione che riflette l'importanza di una parola in un

documento rispetto a una collezione di documenti.

9. Domanda: Cosa sono gli "Embeddings" (incorporamenti) di parole?

Risposta: Rappresentazioni vettoriali dense e a bassa dimensionalità di parole che

catturano il loro significato semantico e le relazioni contestuali.

10.Domanda: Cita un algoritmo per la creazione di word embeddings.

Risposta: Word2Vec, GloVe, FastText.

11.Domanda: Cos'è l'"Analisi del Sentiment"?

Risposta: Il processo di determinare il tono emotivo (positivo, negativo, neutro)

espresso in un testo.

12.Domanda: A cosa serve il "Part-of-Speech (POS) tagging"?

Risposta: Ad assegnare a ogni parola in un testo la sua categoria grammaticale (nome,

verbo, aggettivo, ecc.).

13.Domanda: Cos'è il "Named Entity Recognition" (NER)?

Risposta: Il processo di identificare e classificare le entità nominate nel testo in

categorie predefinite (es. persone, organizzazioni, luoghi, date).

14.Domanda: Fai un esempio di problema di traduzione automatica.

Risposta: Tradurre un testo dall'italiano all'inglese.

15.Domanda: Cos'è un "chatbot"?

Risposta: Un programma informatico progettato per simulare una conversazione con

utenti umani, via testo o voce.

16.Domanda: Come si chiama la tecnica che permette ai chatbot di "capire" il linguaggio?

Risposta: Natural Language Understanding (NLU).

17.Domanda: Cos'è il "Language Modeling"?

Risposta: Il compito di predire la parola successiva in una sequenza, data una

sequenza di parole precedenti.

18.Domanda: Qual è il ruolo dei "Transformer" nel NLP moderno?

Risposta: Sono architetture di rete neurale che hanno rivoluzionato il NLP, superando

le RNN grazie ai meccanismi di "attention" e permettendo l'elaborazione parallela.

19.Domanda: Cita un modello NLP basato su Transformer.

Risposta: BERT, GPT (Generative Pre-trained Transformer), T5.

20.Domanda: Cos'è il "fine-tuning" di un modello Transformer?

Risposta: L'addestramento di un modello pre-addestrato (es. BERT) su un dataset più

piccolo e specifico per un compito particolare di NLP.

Sezione 7: Computer Vision (CV)

1. Domanda: Cos'è la Computer Vision?

Risposta: La branca dell'AI che permette ai computer di "vedere", elaborare e

interpretare immagini e video, estraendo informazioni significative.

2. Domanda: Qual è l'obiettivo principale della Computer Vision?

Risposta: Replicare la capacità di visione umana nelle macchine, consentendo loro di

comprendere il contenuto visivo del mondo.

3. Domanda: Fai tre esempi di applicazioni della Computer Vision.

Risposta: Riconoscimento facciale, rilevamento di oggetti, auto a guida autonoma,

ispezione di qualità industriale.

4. Domanda: Cos'è il "riconoscimento di oggetti" (Object Recognition)?

Risposta: Il compito di identificare e localizzare oggetti specifici all'interno di

un'immagine o un video.

5. Domanda: Cos'è il "rilevamento di oggetti" (Object Detection)?

Risposta: Il compito di identificare la presenza di oggetti di interesse e disegnare un

"bounding box" attorno a ciascuno di essi.

6. Domanda: Qual è la differenza tra riconoscimento e rilevamento di oggetti?

Risposta: Il riconoscimento identifica la categoria di un oggetto; il rilevamento

identifica la categoria e la posizione precisa.

7. Domanda: Cos'è la "segmentazione semantica"?

Risposta: Il compito di classificare ogni pixel di un'immagine assegnandogli una

categoria (es. strada, albero, cielo).

8. Domanda: Cos'è la "segmentazione dell'istanza" (Instance Segmentation)?

Risposta: Identifica e segmenta ogni singola istanza di un oggetto in un'immagine,

anche se dello stesso tipo.

9. Domanda: Qual è il ruolo delle CNN (Reti Neurali Convoluzionali) nella Computer

Vision?

Risposta: Sono l'architettura dominante, eccellenti nell'estrarre automaticamente

caratteristiche complesse dalle immagini.

10.Domanda: Cos'è una "convoluzione" in una CNN?

Risposta: Un'operazione in cui un filtro (kernel) viene applicato su piccole regioni

dell'immagine per estrarre caratteristiche come bordi o textur