Nederlands
Menu

Basis van machine learning

Leer met meerkeuzevragen, waaronder rekenvragen, over gesuperviseerd, ongesuperviseerd en reinforcement learning, classificatie en regressie, k-means en hoofdcomponentenanalyse, kruisvalidatie, overfitting en regularisatie, de verwarringsmatrix met precisie, recall en F1-score, modellen zoals beslisbomen, SVM's en naive Bayes, voorwaartse propagatie en activatiefuncties van neurale netwerken, gradiëntafdaling en backpropagatie, CNN's, RNN's en de Transformer, en transfer learning en generatieve modellen.

Oefen 10 vragenWillekeurige vragen uit dit onderwerp · ongeveer 5 minuten Dit onderwerp oefenenAlle vragen over dit onderwerp in willekeurige volgorde Zwakke vragenAlleen de laatst fout beantwoorde vragen opnieuw oefenen

Basis van machine learning: kernpunten

Machine learning is de technologie die automatisch regels uit gegevens leert om voorspellingen en classificaties te maken. Er is gesuperviseerd leren, dat labels met juiste antwoorden gebruikt, ongesuperviseerd leren, dat structuur vindt in gegevens zonder labels, en reinforcement learning, dat acties leert aan de hand van beloningen. Bij elke methode is het belangrijkste hoe goed het model voorspelt op gegevens die niet voor het trainen zijn gebruikt (het generalisatievermogen).

U leert, vooral aan de hand van rekenvragen, het verdelen van gegevens in trainings-, validatie- en testdata en kruisvalidatie, overfitting en de afweging tussen bias en variantie, regularisatie en dropout, precisie, recall en de F1-score berekend uit een verwarringsmatrix, de ROC-curve en de gemiddelde kwadratische fout. Na typische modellen zoals lineaire regressie, logistische regressie, beslisbomen, random forests, k-nearest neighbors, SVM's en naive Bayes volgen voorwaartse propagatie in neurale netwerken, activatiefuncties, verliesfuncties, gradiëntafdaling en backpropagatie, minibatches en epochs, uitvoergroottes in CNN's, RNN's en de Transformer, transfer learning, generatieve modellen en de tokens van LLM's. Dat helpt ook bij de delen over AI van IT-certificeringsexamens.

Alle vragen over Basis van machine learning (40)
  1. Welke van de volgende taken bij gesuperviseerd leren is een regressietaak?
  2. Welke van de volgende is een voorbeeld van ongesuperviseerd leren?
  3. Welke beschrijving van reinforcement learning is juist?
  4. Welke beschrijving van de werkwijze van clustering met k-means (k-means-clustering) is juist?
  5. Welke beschrijving van hoofdcomponentenanalyse (PCA) is juist?
  6. Wat is, als de gegevens worden verdeeld in trainingsdata, validatiedata en testdata, het belangrijkste gebruik van de validatiedata?
  7. Bij 5-voudige kruisvalidatie (k-voudige kruisvalidatie met k = 5) op 1000 gegevenspunten: hoeveel gegevenspunten worden er bij elke trainingsronde gebruikt?
  8. Wat is er te zien als er overfitting optreedt?
  9. Welke uitspraak is juist als de fout van een model wordt opgesplitst in bias en variantie?
  10. Welke beschrijving van regularisatie en verwante methoden om overfitting te beperken is juist?
  11. Welke van de volgende stappen bij het bouwen van een machinelearningmodel veroorzaakt data leakage (informatie uit de evaluatiedata die in de training terechtkomt)?
  12. Een model voor classificatie met twee klassen is geëvalueerd op 200 testgegevens. De verwarringsmatrix toont 45 terecht-positieven (TP), 5 fout-positieven (FP), 45 fout-negatieven (FN) en 105 terecht-negatieven (TN). Welke combinatie van precisie en recall is juist?
  13. Een model voor classificatie met twee klassen is geëvalueerd op 200 testgegevens, met TP = 20, FP = 5, FN = 30 en TN = 145. Welke waarde ligt het dichtst bij de F1-score?
  14. Welke beschrijving van de ROC-curve en de AUC, die worden gebruikt om modellen voor classificatie met twee klassen te evalueren, is juist?
  15. Bij gegevens van 1000 items, waarvan er maar 10 positief zijn: wat is de accuracy van een model dat elk item als negatief voorspelt?
  16. Vier gegevenspunten hebben de werkelijke waarden 3, 5, 2 en 6, en het model voorspelt daarvoor 2, 5, 4 en 4. Wat is de gemiddelde kwadratische fout (MSE)?
  17. Met de kleinstekwadratenmethode wordt een rechte y = ax + b aangepast aan de drie gegevenspunten (x, y) = (1, 3), (2, 4) en (3, 8). Wat is de voorspelde waarde bij x = 4?
  18. Bij logistische regressie wordt z = 2x − 4 door de sigmoïdefunctie σ(z) = 1 ÷ (1 + e^(−z)) gehaald, en het resultaat wordt uitgevoerd als de kans dat het item positief is. Wat is de uitvoer bij x = 2?
  19. Een knoop van een beslisboom bevat 6 gegevenspunten van klasse A en 4 van klasse B. Wat is de Gini-onzuiverheid van deze knoop?
  20. Welke beschrijving van het verschil tussen bagging (random forests en dergelijke) en boosting bij ensemble learning is juist?
  21. De klasse van het tweedimensionale punt (0, 0) wordt met k-nearest neighbors voorspeld. De trainingsdata bestaan uit de rode punten (1, 0), (3, 0) en (0, −3) en de blauwe punten (0, 2) en (−2, 1). Welke combinatie van voorspellingen voor k = 3 en k = 5 is juist bij gebruik van de euclidische afstand?
  22. Welke beschrijving van een support vector machine (SVM) is juist?
  23. 20% van alle e-mails is spam. Een bepaald woord komt voor in 50% van de spammails en in 5% van de andere e-mails. Welke waarde ligt het dichtst bij de kans dat een e-mail met dit woord spam is?
  24. Welke logische functie kan niet worden weergegeven door een enkelvoudig perceptron dat alleen uit een invoerlaag en een uitvoerlaag bestaat (één neuron dat met een drempel 0 of 1 uitvoert)?
  25. Bij classificatie met drie klassen zijn de waarden die in de softmaxfunctie gaan (logits) 3, 1 en 0. Ongeveer hoeveel keer zo groot is de uitvoer (kans) van de eerste klasse als die van de tweede klasse? Welke waarde ligt het dichtst bij het antwoord?
  26. Een klein neuraal netwerk met de invoer x₁ = 1 en x₂ = 2 heeft twee verborgen neuronen h₁ = ReLU(x₁ + x₂ − 1) en h₂ = ReLU(x₁ − 2x₂ + 1) en de uitvoer y = 2h₁ + 3h₂ + 1. Wat is de waarde van y?
  27. Zij p de kans die een model aan de juiste klasse toekent. Welke beschrijving van het kruisentropieverlies −log p, dat wordt gebruikt om classificatiemodellen te trainen, is juist?
  28. Bij gradiëntafdaling is de gradiënt van het verlies ∂L/∂w bij het gewicht w = 2,0 gelijk aan 0,5 en is de leersnelheid 0,1. Wat is het gewicht na één update?
  29. De afgeleide dy/dx van y = (2x + 1)² bij x = 1 wordt met de kettingregel bepaald, met u = 2x + 1 en y = u². Welke waarde is juist?
  30. Waarom zijn in een neuraal netwerk met veel gestapelde lagen de lagen dicht bij de invoer moeilijk te trainen als de sigmoïdefunctie als activatiefunctie wordt gebruikt?
  31. Een model wordt getraind op 10.000 trainingsgegevens met een minibatchgrootte (batchgrootte) van 50. Hoeveel keer worden de gewichten in één epoch bijgewerkt?
  32. Hoeveel trainbare parameters heeft een volledig verbonden laag met 64 ingangen en 32 uitgangen (met één bias per uitgang)?
  33. Op een beeld van 28×28 met één kanaal wordt een convolutie met een filter van 5×5 (stride 1, geen padding) toegepast, gevolgd door max-pooling van 2×2 (stride 2). Wat zijn de hoogte en breedte van de uitvoer?
  34. Welke beschrijving van recurrente neurale netwerken (RNN's) en LSTM's is juist?
  35. Welke beschrijving van de self-attention die in de Transformer wordt gebruikt, is juist?
  36. Welke beschrijving van transfer learning, waarbij een model dat op een grote hoeveelheid gegevens is getraind met weinig gegevens voor een andere taak wordt gebruikt, is juist?
  37. Welke beschrijving van modellen die beelden en vergelijkbare gegevens genereren, is juist?
  38. Welke beschrijving van de manier waarop een groot taalmodel (LLM) tekst verwerkt, is juist?
  39. Waar moet op worden gelet bij het bouwen van een model dat uit sollicitatiedocumenten voorspelt of iemand wordt aangenomen, met eerdere aannamebeslissingen als juiste antwoorden?
  40. Welke beschrijving van verklaarbare AI (XAI) is juist?

Andere onderwerpen in Computersystemen