Paniere Sistemi esperti e soft computing - risposte multiple

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04)

Docente: Ducange Pietro

Lezione 008

01. Come funziona l'inferenza abduttiva?

Essa spiega gli effetti in termini delle loro cause

Si parte dal generale allo specifico usando il concetto di implicazione. È una forma di ragionamento matematicamente esatto.

Questo significa che se le premesse sono vere, anche la conclusione è garantita essere vera

Nessuna delle altre opzioni

Affinché la conclusione sia vera occorre che l'assunzione sia indotta dalla nostra conoscenza del dominio ed aggiunta alla premessa. La conclusione non ha esattezza matematica

02. Quali sono le fasi di intervista fatta ad un esperto?

Fase di orientamento, fase strutturata e fase di analisi

Fase di orientamento, fase strutturata e fase in cui si pensa a voce alta

Nessuna delle altre opzioni

Fase di orientamento, fase strutturata e fase di sintesi

03. L'interazione dell'ingegnere della conoscenza con molti esperti è in genere

1. considerata:
   • Necessaria
   • Nessuna delle altre opzioni
   • Un valore aggiunto
   • Fonte di problemi
2. 04. Il fatto che in genere un esperto produca delle regole molto semplici durante le interviste è in genere considerato come:
   • Un valore aggiunto
   • Nessuna delle altre opzioni
   • Fonte di problemi
   • Necessario
3. 05. Come funziona l'inferenza deduttiva?
   • Essa spiega gli effetti in termini delle loro cause
   • Si parte dal generale allo specifico usando il concetto di implicazione. È una forma di ragionamento matematicamente esatto. Questo significa che se le premesse sono vere, anche la conclusione è garantita essere vera
   • Nessuna delle altre opzioni
   • Affinché la conclusione sia vera occorre che l'assunzione sia indotta dalla nostra conoscenza del dominio ed aggiunta alla premessa. La conclusione non ha esattezza matematica
4. 06. Come funziona l'inferenza induttiva?
   • Si parte dal generale allo specifico usando il concetto di implicazione. È una forma di ragionamento matematicamente

esatto. Questo significa che se le premesse sono vere, anche la conclusione è garantita essere vera. Essa spiega gli effetti in termini delle loro cause. Nessuna delle altre opzioni. Affinché la conclusione sia vera occorre che l'assunzione sia indotta dalla nostra conoscenza del dominio ed aggiunta alla premessa. La conclusione non ha esattezza matematica.

07. Cosa significa che l'inferenza induttiva è caratterizzata dall'esattezza matematica? © 2016 - 2019 Università Telematica eCampus - Data Stampa 13/06/2019 12:03:28 - 9/42

Set Domande: SISTEMI ESPERTI E SOFT COMPUTING INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04)

Docente: Ducange Pietro

Lezione 009

01. Su cosa si basano I sistemi CBR? Nessuna delle altre opzioni (il CBR utilizza la conoscenza specifica di situazioni concrete Regole di produzione precedentemente sperimentate dette casi) Reti semantiche i sistemi esperti tradizionali usano frames. il CBR usa casi Frame

02. Cosa è un

Il sistema CBR è un metodo di inferenza.

Un sistema esperto può essere basato su CBR.

Una rete neuronale è un sistema esperto.

Quale fra i seguenti passi non fa parte dei sistemi CBR?

Riusa

Mantieni

Recupera

Combina

Quale fra le seguenti caratteristiche non sono tipiche di un sistema esperto?

È in grado di imparare

Elabora i dati, tipicamente rappresentati sotto forma di vettori, matrici e strutture

Ha una interfaccia utente altamente interattiva

Fornisce traccia esplicita della catena di passi di ragionamento compiuti per arrivare ad una soluzione

Discutere il ciclo delle "quattro R".

Quali sono i passi fondamentali per trovare una soluzione utilizzando un sistema esperto basato su CBR?

Discutere le differenze nei paradigmi di funzionamento fra Sistema Esperto e Programma Convenzionale.

Fornire un esempio di come si potrebbero rappresentare i casi.

Cosa si intende per ragionamento basato sui casi?

© 2016 - 2019 Università Telematica eCampus - Data Stampa 13/06/2019 12:03:28 - 11/42Set Domande: SISTEMI ESPERTI E SOFT COMPUTINGINGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04)Docente: Ducange Pietro

Lezione 01

01. Quali sono i pilastri operativi su cui si basa ogni algoritmo di data mining?

Pilastri di algoritmo di Intelligenza Artificiale

Esplorazione, Modellazione, Valutazione

Selezione, Modellazione, Valutazione

Nessuna delle altre alternative

Esplorazione, Valutazione, Visualizzazione

02. Cosa si intende per knowledge elicitation?

Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.

Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati.

Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di

caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.possono essere utili nei processi decisionali.

1. Quali sono le fasi del KDD?
2. Discutere la differenza fra modelli predittivi e descrittivi.

I modelli descrittivi, identificati tipicamente da algoritmi di clustering o regole associative, vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli è quello di approfondire la conoscenza nascosta dietro ai dati. Con il clustering, per esempio, si riesce a verificare se i dati sono organizzati in gruppi che hanno caratteristiche simili. Le regole associative consentono di prevedere tendenze e relazioni esistenti fra le variabili/attributi che caratterizzano le transazioni gestite da un sistema di data mining.

I modelli predittivi, tipici degli algoritmi di classificazione e regressione, utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.

possono essere utili nei processi decisionali. Per esempio, un algoritmo di classificazione, consente di assegnare una etichetta caratteristica ad una nuova transazione che viene gestita in un sistema di data mining. Un algoritmo di regressione consente di effettuare delle previsioni future sul valore che potrà assumere una determinata variabile, sulla base dei suoi valori passati o sulla base dei valori di altre variabili.

05) Le fasi di KDD sono: Selection Sampling, Preprocessing and cleaning, Transformation and reduction, Data Mining, Visualization Evaluation © 2016 - 2019 Università Telematica eCampus - Data Stampa 13/06/2019 12:03:28 - 12/42

Set Domande: SISTEMI ESPERTI E SOFT COMPUTING INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04) Docente: Ducange Pietro

Lezione 012

1. A cosa serve la cross validation? evita overfitting
2. A migliorare la capacità di generalizzazione dei modelli
3. A migliorare l'accuratezza dei modelli
4. A migliorare

l'adattabilità dei modelli Nessuna delle altre alternative 02. Cosa succede durante un addestramento non supervisionato? I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico Nessuna delle altre alternative Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation 03. Cosa succede durante un addestramento supervisionato? Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross validation Nessuna delle altre alternative Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico

dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico

I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema

04. Che cosa è l'overfitting?

E' il fenomeno per cui in fase di addestramento un modello allontana molto dal campione osservato e assume una grande capacità di generalizzazione

Nessuna delle altre alternative

E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e assume una grande capacità di generalizzazione

E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e perde la capacità di generalizzazione

05. Discutere il problema dell'overfitting.

06. Discutere il processo della cross validation.

07. Elencare le differenze fra boosting e bagging. © 2016 - 2019 Università

Telematica eCampus - Data Stampa 13/06/2019 12:03:28 - 13/42 Set Domande: SISTEMI ESPERTI E SOFT COMPUTING INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04) Docente: Ducange Pietro Lezione 013 01. Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati? - Nessuna delle altre alternative - Pulizia dei dati - Integrazione dei dati - Riduzione dei dati 02. Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati? - Riduzione dei dati - Trasformazione dei dati - Pulizia dei dati - Gestione dei dati 03. Cosa si intende per riduzione della dimensionalità? - Si parla di riduzione dimensionale quando i dati sono sostituiti da delle rappresentazioni di più piccole dimensioni si parla di riduzione della numerosità (esempio uso di cluster o istogrammi) - Si parla di riduzione dimensionale quando i dati sono sostituiti da dati sottocampionati