Paniere con risposte chiuse - Reti neurali e deep learning (2023/2024)

MSE, RMSE

MSE, RMSE, MAE, MBE

SVMLoss, CrossEntropyLoss

10. Qual è la differenza principale fra le funzioni di loss SVMLoss e CrossEntropyLoss?

la SVMLoss è più efficiente nel rilevare outlier nel training set

sono praticamente identiche e si può usare una delle due indipendentemente dal task

nessuna

la CrossEntropyLoss penalizza fortemente le predizioni che, pur avendo confidenza elevata, sono errate

11. Quale fra le seguenti proprietà è falsa se riferita alla funzione di loss MSE?

tiene in conto solo della grandezza media dell'errore indipendentemente dalla sua direzione

calcola lo scarto quadratico medio tra l'uscita del modello e quella attesa

tiene in conto della grandezza media dell'errore e della sua direzione

è misurata come la media della differenza al quadrato tra le predizioni e le osservazioni reali

12. Descrivere le principali funzioni di loss per i task di classificazione.

13. Descrivere cosa sono e a come vengono utilizzate le funzioni di loss nel contesto dell'apprendimento automatico.

14. Descrivere le principali funzioni di loss per i task di regressione.

Downloaded by Carlo Marziani (carlomarziani62@gmail.com)

© 2016 - 2022 Università Telematica eCampus - Data Stampa 17/06/2022 14:03:25 - 53/84

lOMoARcPSD|14508144

Set Domande: RETI NEURALI E DEEP LEARNING

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE

Docente: Tradigo Giuseppe

Lezione 030

01. A cosa serve la tecnica di riduzione delle feature chiamata Quantile Sketch Array?

ad ottimizzare il modello di Machine Learning dopo l'addestramento

ad aumentare il numero delle feature per migliorare il processo di apprendimento

ad operare una diminuzione della dimensionalità tramite aggregazione di feature

ad ottimizzare il modello di Machine Learning durante l'addestramento

02. Quali sono i vantaggi della normalizzazione delle feature?

il modello sarà più generale e meno dipendente dalla classe target

ci sarà meno occupazione di memoria

i dati conterranno meno variazioni e le feature saranno più facilmente confrontabili

il training set avrà dimensioni più contenute

03. Cosa è falso se riferito all'EDA, Explorative Data Analysis, ovvero l'analisi esplorativa dei dati?

si effettua una selezione iniziale delle feature

si addestra un modello di Machine Learning

si formulano ipotesi di distribuzione e frequenziali sui dati

si analizza il dataset con tecniche di visualizzazione dei dati

04. Quali sono le fasi principali della Feature Engineering nel contesto del Machine Learning?

la definizione della funzione di loss e il calcolo dell'errore

la lettura dei dati dal disco, l'elaborazione e l'addestramento del modello

la scoperta iniziale delle feature, il loro raffinamento e la loro selezione

l'ottimizzazione della gestione della memoria e il calcolo del gradiente

05. Quali caratteristiche deve avere una buona feature in un processo di Machine Learning?

deve essere ridondante, dipendente da altre feature e composta

deve essere informativa, utile e discriminante

deve essere definita nel range [0, 1]

deve essere definita su un dominio intero o a virgola mobile

06. A cosa serve la Feature Engineering nel Machine Learning?

ad addestrare un modello di Machine Learning conun numero minimo di passi

ad ottimizzare un modello di Machine Learning durante l'addestramento

ad adattare il dominio di un problema al dine di renderlo adatto alle tecniche di Machine Learning

ad ottimizzare un modello di Machine Learning dopo l'addestramento

07. Qual è la definizione più appropriata di feature nel contesto del Machine Learning?

è una proprietà di un modello di Machine Learning

è una caratteristica di un dataset di addestramento

è una proprietà individuale misurabile associata ad un esempio di un dataset

è una fase del processo di apprendimento di un modello

Downloaded by Carlo Marziani (carlomarziani62@gmail.com)

© 2016 - 2022 Università Telematica eCampus - Data Stampa 17/06/2022 14:03:25 - 54/84

lOMoARcPSD|14508144

Set Domande: RETI NEURALI E DEEP LEARNING

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE

Docente: Tradigo Giuseppe

08. Quale fra i seguenti passi non fa parte del processo di Data Imputation di una feature?

utilizzare una funzione di trasferimento non lineare

utilizzare un valore rappresentativo della distribuzione della feature

utilizzare il valore mediano della feature

utilizzare un apposito classificatore per predire il valore mancante

09. A cosa è dovuta la presenza di dati mancanti nel contesto del Machine Learning?

a mancanza di memoria

ad errori durante la fase di apprendimento

a dimenticanze da parte dell'utente

ad errori di acquisizione, guasti o valori fuori scala

10. In cosa consiste l'arricchimento delle feature in un processo di Machine Learning?

nel binning dei valori di una feature in determinate finestre

nella normalizzazione dei valori delle feature nel range [0, 1]

nell'aggiunta di valori al dominio di definizione delle singole feature

nell'aggiungere dati da fonti esterne che possono migliorare il processo di apprendimento

11. Quali sono i criteri per selezionare buone feature nei processi di Feature Engineering?

12. Descrivere cosa si intende per Feature Engineering e a cosa serve facendo degli esempi.

13. Descrivere i vantaggi legati al processo di normalizzazione delle feature ed illustrare i principali approcci che si seguono per normalizzare le feature.

Downloaded by Carlo Marziani (carlomarziani62@gmail.com)

© 2016 - 2022 Università Telematica eCampus - Data Stampa 17/06/2022 14:03:25 - 55/84

lOMoARcPSD|14508144

Set Domande: RETI NEURALI E DEEP LEARNING

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE

Docente: Tradigo Giuseppe

Lezione 031

01. Quale dei seguenti oggetti viene utilizzato come tipo di dati dalla libreria TensorFlow?

np.array

tf.multiDimArray

tf.Tensor

np.ndarray

02. Che differenza c'è tra i gradi di esecuzione di PyTorch e quelli di TensorFlow?

i grafi di esecuzione di PyTorch sono statici mentre quelli di TensorFlow sono dinamici

TensorFlow usa grafi di esecuzione statici mentre PyTorch non usa grafi di esecuzione

i grafi di esecuzione di PyTorch sono dinamici mentre quelli di TensorFlow sono statici

nessuna

03. Quando vengono costruiti di grafi di esecuzione di PyTorch?

ad ogni epoca durante la fase di backpropagation

prima che inizi il processo di apprendimento

dopo la validazione del modello

ad ogni iterazione durante la fase di feedforward

04. Il codice "if tf.config.list_physical_devices('GPU'): print('ok') else: print('no')" che cosa fa?

stampa l'elenco delle GPU disponibili

stampa 'ok' se il sistema è predisposto all'uso di una GPU

stampa 'ok' se nel sistema sono disponibili GPU, 'no' altrimenti

stampa 'ok' se TensorFlow ha accesso al driver di una GPU, 'no' altrimenti

05. Dato il tensore "x = tf.constant([[1., 2., 3.], [4., 5., 6.]])" di TensorFlow, cosa stamperà "print(x.shape)"?

(1, 2, 3)(4, 5, 6)

(3, 2)

un messaggio di errore

(2, 3)

06. Quali dei seguenti tipo di dati utilizza la libreria TensorFlow per memorizzare i dataset?

tensori

matrici bidimensionali

array

numeri a virgola mobile

07. Che cos'è un computational graph o grafo di esecuzione in TensorFlow?

è un grafo di modelli di Deep Learning

è una rappresentazione delle risorse computazionali della macchina

è un grafo di nodi di calcolo

è una rappresentazione di espressioni matematiche che possono essere eseguite anche in parallelo

Downloaded by Carlo Marziani (carlomarziani62@gmail.com)

© 2016 - 2022 Università Telematica eCampus - Data Stampa 17/06/2022 14:03:25 - 56/84

lOMoARcPSD|14508144

Set Domande: RETI NEURALI E DEEP LEARNING

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE

Docente: Tradigo Giuseppe

08. Quali sono le differenze fra PyTorch e TensorFlow nell'implementazione del parallelismo?

in PyTorch è trasparente grazie allo schema di esecuzione asincrona di Python mentre in TensorFlow va configurata manualmente

nessuna

in PyTorch non è implementata, mentre in TensorFlow va configurata manualmente

in PyTorch è trasparente grazie allo schema di esecuzione asincrona di Python mentre in TensorFlow non è implementata

09. Dato il tensore "x = torch.ones(2, 3)" di PyTorch, cosa stamperà "print(x)"?

tensor([[1., 1., 1.], [1., 1., 1.]])

[2, 3]

[1., 1., 1.], [1., 1., 1.]

2, 3

10. Qual è la differenza principale tra Keras rispetto alle due librerie PyTorch e TensorFlow?

Keras è più veloce ed efficiente rispetto alle altre due librerie

Keras è agnostica rispetto ai dati e fornisce un approccio più orientato ai dataset che ai singoli dati

non c'è nessuna differenza fra le tre librerie

Keras permetto l'utilizzo della GPU, mentre le altre due no

11. Descrivere le principali differenze fra le librerie TensorFlow, PyTorh e Keras.

Downloaded by Carlo Marziani (carlomarziani62@gmail.com)

© 2016 - 2022 Università Telematica eCampus - Data Stampa 17/06/2022 14:03:25 - 57/84

lOMoARcPSD|14508144

Set Domande: RETI NEURALI E DEEP LEARNING

INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE

Docente: Tradigo Giuseppe

Lezione 032

01. Che cos'è Jupyter Notebook?

è un insieme di librerie e un repository di dataset per modelli di Machine Learning

è costituito da un server web locale e delle pagine web in cui scrivere ed eseguire codice Python

è un editor per la scrittura di codice nativo

è un ambiente di esecuzione per script Python dedicato ai device mobile

02. Cosa si può dire in merito all'installazione di Jupyter Notebook?

non è necessaria in quanto si può utilizzare via web direttamente dal sito di Python

si deve acquistare su Internet e installare come programma nativo del Sistema Operativo

si può installare tramite il gestore dei pacchetti pip di Python con "pip install jupyter"

non è necessaria in quanto è sempre preinstallato sulla propria macchina

03. Quali elementi può contenere un Jupyter Notebook?

il codice Python ed i risultati di esecuzione

solo codice Python e la sua documentazione

il codice Python, la sua descrizione, le equazioni, i risultati delle elaborazioni e i grafici

solo codice Python

04. Con quale estensione viene memorizzato su disco un file notebook di Jupyter?

.jupyter

.note

.jnb

.ipynb

05. Quali tipi di celle possiamo inserire in un Jupyter Notebook?

Code, Markdown e Results

Code e Documentation

Code, Markdown, Raw NBConvert e Heading

Code

06. A c