D

1. Które z poniższych metod należą do arsenału metod wstępnej obróbki danych:

Dyskretyzacja atrybutów ciągłych

Dyskretyzacja atrybutów całkowitych

Dyskretyzacja atrybutów porządkowych

Dyskretyzacja atrybutów o wartościach rzeczywistych

1. Który z poniższych wzorów umożliwia obliczanie entropii:

1. Atrybuty symboliczne to atrybuty

Które w przypadku użycia sieci neuronowych zostają zastąpione wartościami rzeczywistymi

1. Podczas krzyżowania wykorzystano metodę CX

R1: 4 7 2 1 6 9 11 8 3 10 5

R2: 4 2 11 8 10 7 3 6 1 5 9

W związku z tym zachodzą następujące relacje między potomkami:

R2 = D1, R1=D2

R2!=D2, R1!=D1

1. Budowa naiwnego klasyfikatora Bayesa wymaga

Znajomości arności wszystkich atrybutów

Obliczania entropii dla każdego z atrybutów

Wykorzystania zbioru uczącego podczas klasyfikacji elementów ze zbioru tekstowego

1. Do klasyfikacji wiersza danych

Do jakiej klasy został zakwalifikowany ów wiersz, jeśli wiadomo, że klasyfikator nie zwrócił wartości „nie wiem”?

Do klasy ACC. Drzewo pokaże wynik ACC, ponieważ w takim przypadku zasugeruję się większą liczbą udzielonych odpowiedzi. UNACC = 20 < ACC=23

Wartość A1 i A2 jest podana i jedyną nie wiedza A3 zatem rozpatrując poddrzewo o korzeniu w A3:

acc= 23/43 unacc= 20/43 unacc<acc korzeń został zakwalifikowany do acc

1. Poniższa macierz mogłaby być macierzą wag dwóch sieci neuronowych ze sprzężeniem zwrotnym. Jakich? Jakie parametry tych sieci można określić z całą pewnością na podstawi tej macierzy?

|0 1 3| Może przechowywać do 7 obrazów, jest to się Hopfilda, ma 3 neurony ………
|1 0 7| - jest symetryczna ma wyzerowaną przekątną
|3 7 0|

1. W celu skorygowania dowolnej wagi dowolnego neuronu warstwy ukrytej wielowarstwowej sieci neuronowej podczas stosowania metod propagacji wstecznej należy znać

Błędy neuronów warstwy następnej

Wagi neuronów warstwy następnej

Wagi neuronów warstwy poprzedniej

Wyjścia neuronów warstwy poprzedniej

1. Zaprojektuj klasyfikator poprawnie klasyfikujący poniższe punkty ze zbioru uczącego. Dla jasnych kwadratów na wyjściu oczekiwana wartość 1 a użyta funkcja ma być funkcją unipolarną.

y=x-1

x-y-1=0

[1,-1]

wagi 1, -1 oczekiwana 1

Funkcja aktywacji f(x) ={1 dla x<0 , 0 wpp

C

2 zad

Zostanie zaklasyfikowany do klasy UNACC bo przydzielenie w tym przypadku zależy od tego w jakiej klasie zostało poprawnie zakwalifikowanych więcej poprawnych elementów.

5 zad

Do sporządzenia wykresu pudełkowego należy obliczać:

Medianę

Zad 10 fuzzy –art.

Sieć ma 2 neurony, ponieważ są dwa prostokąty, każdy ma 4 wejścia

S