Introduzione all'intelligenza artificiale e machine learning - Paniere compilato

Introduzione all'Intelligenza Artificiale e Machine Learning

Introduzione

all'Intelligenza

Artificiale e

Machine Learning

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 001

01. Testo Domanda

Testo Risposta Errata

Testo Risposta Corretta

Testo Risposta Errata

Testo Risposta Errata RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 002

01. Gli algoritmi di machine learning:

lavorano unicamente in maniera non supervisionata

imparano dagli esempi a migliorare le proprie prestazioni per la gestione di nuovi dati provenienti dalla stessa sorgente

non prevedono la fase di addestramento

non prevedono la fase di validazione

02. I seguenti tre tipi di ragionamento possono caratterizzare l'attività di Intelligenza Artificiale:

negazione, induzione, abduzione

deduzione, induzione, abduzione

deduzione, induzione, negazione

deduzione, negazione, abduzione

03. In una struttura gerarchica a insiemi:

il machine learning contiene l'IA che a sua volta contiene il deep learning

l'IA contiene il machine learning che a sua volta contiene il deep learning

il machine learning contiene il deep learning che a sua volta contiene l'IA

il deep learning contiene l'IA che a sua volta contiene il machine learning

04. L'Intelligenza artificiale è:

un insieme di algoritmi su base reti neurali convoluzionali

un'euristica

delle linee guida etica

la riproduzione parziale dell’attività intellettuale propria dell’uomo

05. Fornire un esempio di avvenimento o tappa importante nella storia dell' Intelligenza artificiale

06. Elencare una differenza principale tra Machine Learning e Deep Learning

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 003

01. Deep blue:

è il nome di un algoritmo di machine learning per la classificazione delle immagini

è il nome di un algoritmo di deep learning per la classificazione delle immagini

Hardware basato su intelligenza artificiale per battere lo scacchista Kasparov

Hardware basato su intelligenza artificiale per supportare il processo decisionale clinico è

02. Nel Test di Turing (o gioco di imitazione) ci sono 3 partecipanti: un uomo A, una donna B, e una terza persona C. Quest'ultima tenuta separata dagli altri

è

due e tramite una serie di domande deve stabilire qual l'uomo e quale la donna. Dal canto loro anche A e B hanno dei compiti: A deve ingannare C e portarlo a

fare un'identificazione errata, mentre B deve aiutarlo. Se A viene sostituito da un macchina, tale macchina viene definita 'intelligente' se:

se la frequenza con cui C indovina rimane la stessa

se la loss con cui C indovina rimane la stessa

se la loss con cui C indovina diminuisce

se la frequenza con cui C indovina diminuisce

03. Fornire una possibile definizione di Intelligenza Artificiale

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 004

01. Le Convolutional Neural Networks (CNNs):

sono state introdotte da Steve Jobs nel 1989

sono state introdotte da Yan LeCun nel 1989

sono state introdotte da Steve Jobs nel 1999

sono state introdotte da Yan LeCun nel 1999

02. La rete denominata AlexNet:

è un modello LSTM

è un sistema di Natural Language Preprocessing

è un Hidden Markov model

è una Convolutional Neural Network

03. Le CNN appena introdotte, risultavano inferiori ad altre tecniche per due principali assenze:

ingente quantità di dati e adeguati investimenti economici

ingente quantità di dati e potenza calcolo

credibilità popolare e potenza calcolo

ingente quantità di dati e credibilità popolare

04. Le classi delle immagini di ImageNet Challenge sono:

10

10000

1000

100

05. Una singolarità tecnologica:

è un punto nè differenziabile, nè derivabile

è un punto, previsto nello sviluppo di una civilizzazione, dove il progresso tecnologico accelera oltre la capacità di comprensione e previsione degli esseri umani moderni

è un punto non derivabile

è un punto non differenziabile RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 005

01. Quale evento ha dimostrato il potenziale delle reti neurali convoluzionali (CNN) nel riconoscimento delle immagini?:

La creazione delle Generative Adversarial Networks (GAN) nel 2014

L'introduzione delle Reti Neurali Ricorrenti (RNN) nel 2012

Il successo di BERT nel 2018

La vittoria di AlexNet nella competizione ImageNet nel 2012

02. Qual è stato uno dei fattori chiave per il successo del deep learning negli anni 2010?:

La riduzione della quantità di dati necessari per l'addestramento

L'uso delle CPU per l'addestramento delle reti neurali

La diminuzione della potenza di calcolo disponibile

La disponibilità di grandi quantità di dati e l'uso delle GPU

03. Quale serie di modelli di generazione del linguaggio è stata sviluppata da OpenAI?:

CNN

Suppot Vector Machine

BERT

GPT

04. Quale delle seguenti affermazioni descrive correttamente le reti neurali convoluzionali (CNN)?:

Sono particolarmente efficaci per il riconoscimento vocale

Sono utilizzate principalmente per l'analisi delle serie temporali

Utilizzano meccanismi di attenzione

Sono lo standard per compiti di visione artificiale

05. Le GAN consistono in due reti neurali:

che hanno il compito di generare contenuto testuale

in competizione tra loro

chiamate reti siamesi

chiamate GPT

06. Fornire una definizione di Deep Learning RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 006

01. Quale delle seguenti è una misura per mitigare il bias nei modelli di IA?

Ridurre la dimensione dei modelli

Monitorare e correggere i pregiudizi nei dati di addestramento

Aumentare la velocità di calcolo anche nei paesi emergenti

Utilizzare solo dati non etichettati

02. Fornire esempi e sfide principali di AI generativa RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 007

01. Cosa implica il principio etico della prevenzione del danno nell'uso dell'IA?

Subordinare gli esseri umani ai sistemi di IA

Evitare che i sistemi di IA causino danni o peggiorino la situazione umana

Incentivare l'uso malevolo dei sistemi di IA

Limitare l'accesso delle persone vulnerabili agli sviluppi tecnologici

02. Qual è uno degli obiettivi principali delle linee guida etiche per l'IA?

Depotenziare l'IA nel mercato europeo

Mantenere la fiducia dei cittadini europei e l'aderenza agli standard etici

Promuovere l'uso non regolamentato delle tecnologie AI

Mantenere la fiducia dei cittadini europei promuovendo anche l'uso non regolamentato delle tecnologie AI

03. Chi è responsabile di garantire che i sistemi AI soddisfino i requisiti di robustezza tecnica e sicurezza?

Utenti finali

Regolatori governativi

Sviluppatori di hardware

Distributori

04. Quali sono le tre componenti chiave per un IA affidabile?

legale, etica, robusta

legale, efficente, innovativa

sicura, economica, scalabile

etica, sicura, giusta

05. Qual è uno dei diritti fondamentali su cui si basa un'IA affidabile?

Esclusione delle opinioni degli utenti finali

Rispetto della dignità umana

Riduzione della partecipazione democratica

Accesso gratuito ai servizi di AI

06. Qual è il ruolo principale degli sviluppatori nel garantire un'IA affidabile?

Monitorare l'uso degli AI da parte degli utenti

Sviluppare strategie di marketing per i prodotti AI

Implementare e applicare i requisiti ai processi di progettazione e sviluppo

Implementare misure di sicurezza informatica

07. Descrivere le componenti principali per realizzare un framework etico basato su Intelligenza artificiiale

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 008

01. Quale tecnologia è fondamentale per i veicoli autonomi per percepire l'ambiente circostante?

Visione artificiale

Wi-Fi

RFID

Bluetooth

02. In che modo la visione artificiale può aiutare gli atleti durante l'allenamento?

Analizzando i movimenti per migliorare l'esecuzione del gesto tecnico

Calcolando i tempi di recupero

Pianificando la dieta

Gestendo gli sponsor

03. Fornire degli esempi applicativi di AI in computer vision

04. Fornire degli esempi applicativi di AI in medicina RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 009

01. Selezionare l'affermazione corretta sul Machine Learning:

Machine Learning è sinonimo di Intelligenza Artificiale

Il Machine Learning è un sottoinsieme dell'Intelligenza Artificiale

Il Machine Learning è un sottoinsieme del Deep Learning

Machine Learning è sinonimo di Deep Learning

02. Qual è l'obiettivo principale dell'apprendimento automatico?

Imparare dall'esperienza

Evitare l'analisi dei dati

Seguire regole deterministiche

Creare equazioni predeterminate

03. Il Machine Learning:

Gestisce solamente dati strutturati

Utilizza solamente dataset piccoli e controllati

Si concentra sulla previsione e sul riconoscimento di pattern, sviluppando modelli che generalizzino bene soprattutto su nuovi dati mai visti dal modello

Si può definire come sinonimo di Statistica

04. L'intelligenza Artificiale:

Viene definita come una qualsiasi tecnica che permette a computer di "mimare" l’intelligenza umana

Include il Machine Learning

Tutte le risposte sono corrette

Include il Deep Learning

05. Il Machine Learning:

Non possiede mai aspetti in comune con la Statistica

Può essere considerato un sinonimo di Statistica

E' un sottoinsieme della Statistica

Non può essere considerato un sinonimo di Statistica

06. Quale dei seguenti è un fattore chiave nella scelta di un algoritmo di machine learning?

La velocità dell'operatore

Il numero di utenti finali

Il costo dell'hardware

La natura dei dati a disposizione

07. Spiegare la differenza tra apprendimento supervisionato e non supervisionato

08. Sulla base di quali criteri dovremmo scegliere il giusto algoritmo di Machine Learning?

09. Fornire una definizione di Machine Learning RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 010

01. La distinzione tra e-mail desiderate o spam è comunemente un task di:

Classificazione e regressione

Classificazione

Nessuna delle precedenti

Regressione

02. La previsione del prezzo di una casa dato in input al modello caratteristiche è comunemente un task di:

Regressione

Classificazione e regressione

Nessuna delle precedenti

Classificazione

03. Qual è una delle sfide principali dell'apprendimento non supervisionato?

L'etichettatura dei dati

La valutazione delle prestazioni del modello

La riduzione del rumore nei dati

La definizione delle variabili di ingresso

04. Quale delle seguenti affermazioni è vera per l'apprendimento non supervisionato?

È meno adatto per l'esplorazione dei dati

Si basa su regole deterministiche

Identifica pattern nascosti nei dati

Richiede etichette predefinite per funzionare

05. Quale delle seguenti tecniche è utilizzata per prevedere valori continui?

Regressione

Riduzione delle dimensionalità

Clustering

Classificazione

06. Quale modalità di apprendimento automatico non utilizza etichette per i dati?

Apprendimento rinforzato

Apprendimento non supervisionato

Apprendimento supervisionato

Apprendimento semi-supervisionato

07. Cos'è l'etichettatura nel contesto del machine learning?

L'identificazione di pattern

La raccolta di dati non elaborati

La suddivisione dei dati in cluster

L'aggiunta di label a ogni campione in input RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

08. Quale tecnica viene utilizzata per prevedere valori categorici?

Clustering

Classificazione Gina

Regressione 2025-01-25 15:21:20

--------------------------------------------

Riduzione delle dimensionalità Il clustering non è adatto per prevedere

valori categorici perché è una tecnica

non supervisionata utilizzata per

raggruppare dati simili insieme in base a

determinate caratteristiche, senza l'uso

di etichette predefinite. In altre parole, il

clustering trova strutture o pattern nei

dati senza sapere in anticipo a quali

categorie appartengono i dati. È utile

per scoprire insiemi di dati simili o per

esplorare la struttura dei dati, ma non

per prevedere categorie specifiche. Per

prevedere valori categorici, è

necessaria una tecnica supervisionata

come la classificazione, che utilizza dati

etichettati per addestrare un modello a

riconoscere e assegnare le etichette

corrette a nuovi dati.

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 011

01. Che cosa si intende per il processo chiamato feature engineering?

La visualizzazione dei dati

La pulizia dei dati

L'estrazione manuale di caratteristiche dai dati

La creazione automatica di algoritmi

02. Che tipo di dati sono "Piccolo/Medio/Grande"?

Dati numerici

Dati continui

Dati categorici nominali

Dati categorici ordinali

03. Che cosa si intende per il processo chiamato Representation Learning?

La classificazione dei dati in categorie

La memorizzazione dei dati in un database

La trasformazione dei dati in forma visuale

L'apprendimento automatico di caratteristiche informative dai dati grezzi

04. Qual è una tra le differenze principali tra dati continui e discreti?

I dati continui possono assumere qualsiasi valore all'interno di un intervallo

I dati discreti possono assumere qualsiasi valore all'interno di un intervallo

I dati continui sono sempre interi

I dati discreti sono sempre frazioni

05. Contestualizzare i dati numerici e i dati categorici nello scenario dei dati strutturati

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 012

01. Come si accede al primo elemento di un array a?

a[1]

a.first()

a[0]

a(1)

02. Descrivere le principali funzionalità della libreria Numpy

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 013

01. Descrivere le principali funzionalità della libreria Pandas

02. Definire un Dataframe e descrivere alcune delle sue peculiaretà

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 015

01. Quale metodo ordina i dati in base a uno o più valori di colonna?

agg

filter

groupby

sort_values

02. Quale comando restituisce il numero di righe di un DataFrame df?

df.shape[0]

df.num_rows()

df.size()

df.rows()

03. Quale comando elenca i tipi di dati delle colonne di un DataFrame df?

df.types()

df.dtypes

df.data_types()

df.columns()

04. Quale comando carica un file CSV in un DataFrame in pandas?

pd.import_csv()

pd.load_csv()

pd.read_csv()

pd.open_csv()

05. Quale comando calcola la media tra le righe di un DataFrame df?

df.mean(axis=1)

df.row_mean()

df.mean(rows=False)

df.mean(axis=0)

06. La funzione head() applicata a un DataFrame:

restituisce le prime 5 colonne

restituisce le prime 5 righe

restituisce la prima riga del dataframe

restituisce il label della prima colonna

07. Quale metodo rimuove le righe con valori mancanti in pandas?

fillna()

notnull()

dropna()

isnull() RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 016

01. Quale comando di Matplotlib permette di visualizzare il grafico?

plt.show()

plt.visualize()

plt.draw()

plt.display()

02. Descrivere le principali funzionalità della libreria Matplotlib

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 017

01. Elencare e descrivere tecniche per standardizzare il dato numerico

RISPOSTE CHIUSE

Introduzione all'Intelligenza Artificiale e Machine Learning

Lezione 018

01. I dati grezzi delle cartelle cliniche elettroniche:

sono pronti per essere utilizzati da algoritmi di Intelligenza Artificiale

sono stringhe di testo

sono immagazzinati in campi omogenei

sono immagazzinati in campi eterogenei

02. Task di predizione paziente di controllo (0) e paziente diabetico (1), sfruttando informazioni di patologie, farmaci e lab test. Ottengo il label dal codice ICD9

della patologia diabetica. Per una corretta esecuzione del task, tra le features dell' EHR dataset per IA in fase di predizione:

devo indipendentemente eliminare la feature con codice ICD9 della patologia diabetica perchè correlata con le altre features

posso lasciare la feature con codice ICD9 della patologia diabetica

devo indipendentemente eliminare la feature con codice ICD9 della patologia diabetica perchè correlata con il label

posso lasciare la feature con codice ICD9 della patologia diabetica qualora sia presente una discreta quantità di altre features tra patologie, farmaci e lab test

03. Tutti i dataset estratti da una cartella clnica elettronica hanno in comune:

il tipo del dato

Il tipo di predittori

la dimensione del dato

Un identificativo univoco (i.e., ID) del paziente

04. Tra le problematiche di EHR dataset reali, per elevata dimensione del dataset, si intende:

elevato numero di pazienti ed elevato numero di features ridondanti

elevato numero di pazienti ed elevato numero di features Gina

2025-01-25 15:43:57

elevato numero di missing values ed elevato numero di features --------------------------------------------

elevat