Risposte multiple paniere di Sistemi esperti e soft computing

Domande sulla selezione degli attributi

1. Nella strategia di selezione all'indietro, il processo di selezione di attributi in genere comincia con:

• Un insieme iniziale di attributi vuoto
• Un insieme iniziale contenente un certo numero di attributi a caso
• Nessuna delle altre alternative
• Un insieme iniziale contenente tutti gli attributi

2. Nella strategia di selezione in avanti, il processo di selezione di attributi in genere comincia con:

• Nessuna delle altre alternative
• Un insieme iniziale contenente un certo numero di attributi a caso
• Un insieme iniziale di attributi vuoto
• Un insieme iniziale contenente tutti gli attributi

3. La selezione degli attributi è in sostanza un problema di:

• Classificazione
• Nessuna delle altre alternative
• Ottimizzazione
• Regressione

4. Cosa si intende per attributi ridondanti e irrilevanti?

5. Discutere le differenze fra metodi wrapper e metodi filter per la selezione di attributi.

Lezione 0181: Tecniche parametriche per la riduzione della numerosità

Quali fra le seguenti sono tecniche parametriche per la riduzione della numerosità?

• KNN
• Classificatori

bayesiani
Regressione lineare e modelli log-lineari
Alberi di decisione

2. Quale fra le seguenti non è una tecnica non parametrica per la riduzione della numerosità?
Campionamento
Istogrammi
Regressione lineare e modelli log-lineari
Clustering

3. Discutere la mutua informazione fra due attributi/variabili e spiegare come può essere utilizzata nel processo di selezione di attributi.
Lezione 019

1. Se una tecnica di discretizzazione dei dati utilizza le etichette delle classi e le informazioni da esse derivanti di che tipologia è?
Non supervisionata
Parametrica
Supervisionata
Semi-supervisionata

2. A cosa serve la normalizzazione dei dati?
Si tratta di una sorta di filtraggio per rimuovere l'eventuale rumore che affligge i dati
Nessuna delle altre alternative
Viene spesso utilizzata per discretizzare gli attributi
Viene spesso utilizzata nella fase di data transformation per fare in modo che tutti gli attributi abbiano lo stesso peso o influenza

3. Cosa si intende perintra-cluster Separazione chiara tra i cluster Robustezza rispetto a rumore e outliers Scalabilità per grandi quantità di dati 3. Quali sono le principali fasi di un algoritmo di clustering? Preprocessing dei dati Selezione delle feature Definizione della similarità o dissimilarità tra gli oggetti Assegnazione degli oggetti ai cluster Ricalcolo dei centroidi o dei punti rappresentativi dei cluster Iterazione delle fasi precedenti fino al raggiungimento di una condizione di convergenza 4. Cosa si intende per validazione dei cluster? La validazione dei cluster è un processo che mira a valutare la qualità dei cluster prodotti da un algoritmo di clustering. Esistono diverse metriche e tecniche per valutare la validità dei cluster, come l'indice di validità silhouette, l'indice di Dunn e l'indice di Davies-Bouldin. 5. Quali sono le principali sfide nell'utilizzo degli algoritmi di clustering? La scelta del giusto algoritmo di clustering in base alle caratteristiche dei dati e agli obiettivi dell'analisi La gestione di grandi quantità di dati e la scalabilità degli algoritmi La scelta delle feature rilevanti per l'analisi La gestione del rumore e degli outliers nei dati La valutazione e l'interpretazione dei risultati del clustering 6. Quali sono le principali applicazioni degli algoritmi di clustering? Segmentazione di clienti per strategie di marketing Raggruppamento di documenti per analisi testuale Classificazione di immagini o segnali Rilevamento di anomalie o outliers nei dati Analisi dei social network 7. Quali sono le principali differenze tra clustering gerarchico e clustering partizionale? Il clustering gerarchico produce una gerarchia di cluster, in cui i cluster possono essere nidificati all'interno di altri cluster. Il clustering partizionale, invece, produce un'unica partizione dei dati in cluster non nidificati. Il clustering gerarchico non richiede la specifica del numero di cluster desiderato, mentre il clustering partizionale richiede la specifica del numero di cluster iniziale. Il clustering gerarchico può essere agglomerativo o divisivo, mentre il clustering partizionale può utilizzare algoritmi come K-means o DBSCAN. Il clustering gerarchico è più adatto per dataset di piccole dimensioni, mentre il clustering partizionale è più adatto per dataset di grandi dimensioni. 8. Quali sono le principali tecniche di riduzione della dimensionalità utilizzate nel clustering? Principal Component Analysis (PCA) Linear Discriminant Analysis (LDA) Independent Component Analysis (ICA) t-SNE (t-Distributed Stochastic Neighbor Embedding) Non-negative Matrix Factorization (NMF) 9. Quali sono le principali sfide nell'utilizzo delle tecniche di riduzione della dimensionalità nel clustering? La scelta del giusto metodo di riduzione della dimensionalità in base alle caratteristiche dei dati e agli obiettivi dell'analisi La gestione della perdita di informazione durante la riduzione della dimensionalità La valutazione e l'interpretazione dei risultati della riduzione della dimensionalità La gestione di grandi quantità di dati e la scalabilità delle tecniche di riduzione della dimensionalità.

1. inter-clusterAlta similarità intra-cluster e bassa similarità inter-cluster
2. Bassa similarità intra-cluster e bassa similarità inter-cluster
3. Alta similarità intra-cluster e alta similarità inter-cluster

3. Con riferimento agli algoritmi di clustering, quali delle seguenti affermazioni è falsa?

Gli algoritmi di clustering aspirano a trovare gruppi nei dati in modo tale che la somiglianza dei dati all'interno dello stesso gruppo sia alta e sia bassa per punti appartenenti a gruppi diversi.

Non è sempre noto a priori il numero di cluster da cercare.

Non ci sono classi predefinite, l'apprendimento del modello non avviene utilizzando esempi etichettati.

Gli algoritmi di clustering possono essere utilizzati per la compressione dei dati.

4. Che tipo di apprendimento si utilizza quando si creano modelli per il clustering?

Non supervisionato

Parzialmente supervisionato

Supervisionato

Semi-supervisionato

5. Discutere la principale differenza fra

1. Quali sono i principali requisiti che devono assicurare gli algoritmi di clustering?
2. Discutere la principale differenza fra apprendimento supervisionato e non supervisionato.
3. Definire il concetto di cluster.
4. Esistono differenze fra problemi di clustering e di classificazione?
5. Cosa si intende per classificazione binaria?
6. Come sono i dataset che in genere si utilizzano nel contesto della classificazione?

Che tipo di apprendimento si utilizza quando si creano modelli di classificazione?

1. Supervisionato
2. Semi supervisionato
3. Non supervisionato
4. Nessuna delle altre alternative

5. Discutere la differenza fra classificazione binaria e classificazione multi-classe.

6. Cosa sono i multi-classificatori?

7. Discutere le principali differenze fra classificazione e clustering.

8. Riassumere brevemente le fasi del processo di classificazione.

Lezione 0220

1. Quali sono i parametri caratteristici di un rete neurale artificiale?

1. L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle uscite
2. L'insieme dei neuroni, l'insieme dei pesi associati ai collegamenti, l'insieme delle soglie o dei livelli di attivazione
3. Nessuna delle altre alternative
4. L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle soglie o dei livelli di attivazione

Lezione 0230

1. Di che tipo è l'uscita del percettrone?

1. Ordinale
2. Intera
3. Reale
4. Binaria

Cosa significa addestarre un percettrone?

Identificare il numero di ingressi ...

Il problema si riduce alla determinazione dell'insieme dei pesi (w0, w1, wn)

Identificare il numero di pesi migliore per minimizzare gli errori di classificazione

Identificare il numero di neuroni

Nessuna delle altre alternative

3. Cosa deve simulare un percettrone?

Il funzionamento di un assone

Il funzionamento di una rete neurale

Il funzionamento del cervello

Il funzionamento di un neurone

4. Che cosa è il percettrone?

L'elemento base dell'FP-growth

L'elemento base delle reti neurali artificiali

L'elemento base per il clustering

L'elemento base degli alberi di decisione

5. Discutere le principali funzioni di attivazione che possono essere usate nei percettroni.

6. Cosa è il percettrone? Disegnare la sua struttura e discutere i suoi parametri.

7. In cosa consiste la progettazione di una rete neurale?

8. Quali sono le principali componenti di una rete neurale?

Lezione 0241.

1. Come avviene la generazione dei pesi iniziali nell'algoritmo backpropagation?
   • Con il metodo dei minimi quadrati
   • Nessuna delle altre alternative
   • A caso
   • Con la propagazione all'indietro dell'errore
2. Che problemi possono essere risolti con le reti neurali feedforward?
   • Generazione di regole associative, regressione e classificazione
   • Classificazione
   • Clustering
   • Ottimizzazione
3. Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward?
   • Presenza di feedback
   • Presenza di funzioni soglia
   • Ogni unità è collegata solo a quella dello strato successivo
   • Presenza di pesi sulle connessioni
4. Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward?
   • Presenza di pesi sulle connessioni
   • Presenza di funzioni soglia
   • Presenza di stato interno
   • Ogni unità è collegata solo a quella dello strato successivo
5. Come si chiama l'algoritmo di apprendimento delle reti feedforward?
   • Sequential covering
   • Back propagation
   • Deltra

1. Nessuna delle altre alternative
2. Quante uscite in genere si usano nelle reti neurali feedforward quando si vuole risolvere un problema di classificazione con C classi?
   • Dipende dal numero di campioni disponibili per ciascuna classe
   • Due
   • Dipende dal numero di istanze del training set
3. Come si chiama l'algoritmo di apprendimento dei parametri di un percettrone?
   • Nessuna delle altre alternative
   • Sequential covering
   • Back propagation
   • Delta rule
4. Disegnare e discutere lo schema e i parametri di una rete feedforward.
5. In cosa consiste l'addestramento di un percettrone? Discutere l'algoritmo delta rule.
6. Perché sono state introdotte le reti multi-strato? Non bastava il semplice percettrone?
7. Come si possono utilizzare le reti feedforward per la classificazione?
8. Come avviene l'apprendimento di una rete feedforward?
9. Cosa sono le reti RBF?
10. Quali sono i problemi e le possibili soluzioni che si possono incontrare nell'addestramento di

• una rete feedforward?
• le epoche di addestramento di una rete feedforward?
• i criteri di stop per l'addestramento di una rete feedforward?
• il modello delle reti Self Organizing Feature Maps?
• il tipo di apprendimento utilizzato per le reti Self Organizing Feature Maps?
• i problemi risolti dalle Self Organizing Feature Maps?
• una Self Organizing Feature Map?
• l'apprendimento delle SOM?
• le SOM?

le SOM?

7. Discutere le differenze fra SOM e reti competitive.

8. Discutere l'architettura di una SOM.

Lezione 0280

1. Cosa sono gli hedge dei fuzzy set?

Sono dei termini che si sovrappongono ai fuzzy set

Sono i termini linguistici (molto, leggermente...)

Sono termini che modificano la forma dei fuzzy set

Nessuna delle altre opzioni

2. Quale è l'idea di base della logica fuzzy?

Un elemento può appartenere a più insiemi del dominio

Un elemento può appartenere solo ad un insieme del dominio