reti neurali e deep learning

2.01. Quando nasce nella storia l'idea di costruire macchine pensanti?. Sin dall'antica Grecia. Dopo la Rivoluzione Francese. Dopo la rivoluzione industriale. Dopo la nascita di Cristo.

2.02. Quali, fra i seguenti problemi, non era possibile risolvere efficacemente utilizzando i calcolatori prima della nascita dell'Intelligenza Artificiale?. L'analisi delle proprietà di funzioni matematiche. La gestione di macchinari complessi. Il riconoscimento efficiente di oggetti da dataset di immagini. Il calcolo efficiente di operazioni fra numeri.

2.03. Qual è il modo più corretto per tradurre il codice CycL: "(#isa #Studente #Persona)"?. Isa è sia uno Studente che una Persona. Salva Studente e Persona nel database CycL. Isa è prima uno Studente e poi una Persona. Uno Studente è una Persona.

2.04. Quale fra i seguenti modelli descrive meglio un moderno sistema di Intelligenza Artificiale?. Un insieme di librerie e funzioni per il calcolo numerico. Un sistema di inferenza. Un sistema che estrare significato dai dati. Un sistema basato su regole.

2.05. Cosa è più difficile raggiungere per sistema di Intelligenza Artificiale?. La capacità di eseguire velocemente molti calcoli. La capacità di eseguire un gran numero di compiti in poco tempo. La possibilità di comunicare rapidamente con gli altri sistemi e con gli esseri umani. La conoscenza soggettiva ed intuitiva che si ottiene con la conoscenza del mondo.

2.06. A cosa servono le regole di inferenza logica?. Ad effettuare calcoli di tipo logico. Ad inferire conoscenza a partire dai dati. A tentare di codificare la conoscenza del mondo per implementare sistemi intelligenti. Ad estrarre stringhe di testo dal segnale audio.

2.07. Per quale motivo è stato implementato il sistema Cyc negli anni 80?. Per effettuare rapidamente un numero elevato di calcoli. Per migliorare i sistemi di Intelligenza Artificiale esistenti. Per definire un motore di inferenza in grado di rappresentare regole e definizioni. Per migliorare l'interazione uomo-macchina.

2.08. Per quali scopi sono state progettate le macchine pensanti moderne?. Per effettuare calcoli in modo efficiente. Per far comprendere ad una macchina il significato di dati complessi. Per sostituire l'uomo in qualsiasi atttività intellettiva. Per soggiogare le popolazioni tencologicamente meno avanzate.

3.01. Quale fra le seguenti è la migliore definizione di "feature" estratta dai dati?. E' un sottoinsieme di dati. E' una proprietà che ci permette di discriminare a quale insieme appartiene un dato. E' una funzione usata dai modelli di Machine Learning per analizzare i dati. E' una immagine appartenente ad un dataset di input.

3.02. Quale fra le seguenti strutture rappresenta meglio uno schema di autoencoder?. (encoder)-[input]-[rappresentazione interna]-[output]-(decoder). [input]-(encoder)-[rappresentazione interna]-[output]. [input]-(encoder)-[rappresentazione interna]-(decoder)-[output]. (encoder)-[input]-[output]-(decoder).

3.03. Quale tra le seguenti definizioni è falsa se riferita alle "feature" estratte dai dati?. Permettono di capire una certa istanza a quale insieme appartiene. Sono proprietà discriminanti dei dati. Sono di sottoinsiemi di dati del dataset di input. Sono critiche per le performance predittive di un modello di Machine Learning.

3.04. Cosa può mettere in difficoltà un modello di Machine Learning?. Un gran numero di esempi nel dataset di input. I calcoli necessari per elaborare un dataset di input. Una scelta non ottimale delle feature estratte dai dati. Se il tipo di dati che si da in input non è una immagine.

3.05. Qual è il principale problema risolto dal Machine Learning?. Ottenere dei modelli che imparino dai dati. Ottenere dei modelli che elaborino immagini e documenti senza errori. Ottenere dei modelli che permettano di migliorare il calcolo tensoriale. Ottenere dei modelli che effettuino calcoli molto velocemente.

3.06. Quale fra i seguenti modelli aiuta nella progettazione delle feature?. Representation Learning. Macchina di Von Neumann. Foglio Excel. Sistemi basati su regole.

3.07. A cosa serve il Representation Learning?. a definire i colori e le forme rappresentate in una foto. ad imparare a rappresentare figure in formato digitale. a rappresentare correttamente un'immagine. a selezionare automaticamente le feature in un dataset.

3.08. Quale fra i seguenti NON è un buon esempio di feature?. il nome del file in cui è memorizzata una immagine. l'età di uno Studente. la specie di un animale. il colore di un'automobile.

4.01. A quale scopo i fattori variazionali vengono estratti dai dati?. Per tentare di comprimere i dati prima di darli in input al modello. Per spiegare i risultati di un modello di Machine Learning. Per migliorare il numero di operazioni e calcoli effettuati da un modello. Per distinguere i dati e migliorare le performance di predizione dei modelli.

4.02. Cosa è corretto dire riguardo ai fattori variazionali estratti dai dati?. I fattori variazionali non sono mai influenti sulle capacità predittive del modello. I fattori variazionali sono fra i risultati restituiti da un modello di Machine Learning. I fattori variazionali alcune volte possono essere non osservabili. I fattori variazionali sono sempre un sottoinsieme delle feature osservabili.

4.03. Quali, fra i seguenti esempi, NON rappresenta un fattore variazionale?. L'accento di un oratore nel file audio digitale acquisito mentre parla. Il colore di un oggetto raffigurato nei pixel di una immagine digitale. La forma di un'auto in un'immagine digitale. L'indirizzo di un paziente in una cartella clinica.

4.04. Un tipico modello di Deep Learning: Permette di definire delle regole statiche per analizzare i dati in ingresso. Ha una architettura a più strati che analizzano input complessi a partire da strutture più semplici. Adatta automaticamente la sua architettura ai dati in ingresso. Ha una architettura a due strati: uno di ingresso ed uno di uscita.

4.05. Quale fra le seguenti definizioni è la più corretta per un Multi-Layer Perceptron?. E' una funzione matematica mappa un input in un output. E' una funzione matematica che mappa un output in un input. E' un modello dotato di uno strato per la percezione dei dati. E' una rete neurale con due strati: uno di input e uno di output.

4.06. Quali, fra i seguenti schemi, rappresenta meglio un modello di Deep Learning?. [input]-[output]. [input]-[funzione]-[output]. [input]-[regole semantiche]-[output]. [input]-[primo strato]-[secondo strato]-[terso strato]-[output].

4.07. Quali trasformazioni sono operate dagli strati nascosti di un modello di Deep Learning su una immagine in input?. Si Effettua una Fast Fourier Transform e si estraggono le componenti frequenziali a maggiore intensità. Si usano le regole definite dal progettista e si classifica l'immagine. Si estraggono prima pattern semplici, poi sempre più complessi fino ad ottenere una classificazione. Si estraggono tutti gli oggetti contenuti nell'immagine, si analizzano i colori e poi si calcola la media.

4.08. Cosa possiamo dire dei modelli di Deep Learning in relazione ai fattori variazionali?. Gestiscono i fattori variazionali solo tramite intervento umano. Gestiscono i fattori variazionali tramite regole statiche scritte dal progettista. Sono stati messi a punto per avere a che fare con i fattori variazionali. Non riescono a gestire i fattori variazionali.

5.01. Cosa è falso affermare in relazione alle Reti Neurali Artificiali?. Un fattore limitante sono i limiti nella rappresentazione dei numeri in virgola mobile nel calcolatore. Possono essere utilizzate come strumento di indagine del cervello umano. Possono essere limitate dalla quantità di memoria a disposizione nel calcolatore. Un fattore limitante è il numero di neuroni artificiali che possiamo attualmente usare.

5.02. Quali sono stati i principali motivi che hanno inizialmente impedito la diffusione dei modelli basati su Reti Neurali Artificiali?. La mancanza di fondi per la ricerca. I limiti dei modelli di reti neurali dell'epoca. L'assenza di esperti nel settore della ricerca sulle reti. I limiti hardware dei calcolatori dell'epoca.

5.03. Cosa è più corretto affermare in relazione alla diffuzione dei sistemi di apprendimento automatico?. Sono nati prima i sistemi cibernetici e poi quelli connessionistici. Sono nate prima le reti neurali e poi i sistemi cibernetici. I sistemi cibernetici sono nati contemporaneamente ai sistemi connessionistici. Sono nati prima i sistemi connessionistici e poi i sistemi cibernetici.

5.04. Quali sono stati i principali risultati dei sistemi connessionistici?. La definizione di sistemi per effettuare calcolo differenziale numerico. La definizione di metodi per l'addestramento di reti con più strati nascosti. La definizione di sistemi basati su regole definite dal progettista. La definizione di sistemi per il calcolo parallelo.

5.05. Quale fra le seguenti affermazioni è corretta se riferita all'evoluzione dell'architettura dei sistemi di AI?. L'estrazione delle feature dai dati di ingresso tende ad essere automatizzata nei modelli più recenti. Le regole di estrazione delle feature dai dati di ingresso deve essere sempre fatta dal progettista. Nei modelli di Representation Learning lo strato di input è stato eliminato perchè inutile. I sistemi di AI sono indipendenti dalle feature contenute nei dati di ingresso.

5.06. Quali sono stati i principali risultati dei sistemi cibernetici?. La definizione di sistemi per il calcolo parallelo. La definizione di sistemi per effettuare calcolo differenziale numerico. La definizione di metodi per l'addestramento di reti a singolo neurone. La definizione di metodi per l'analisi di grandi dataset di immagini.

5.07. Quale fra le seguenti definizioni è falsa se riferita ai modelli di AI?. Un sistema di Deep Learning si basa su feature definite in modo statico. Un sistema di Representation Learning estrae in modo automatico le feature. Un sistema di Machine Learning si basa su feature definite in modo statico. Un sistema classico è basato su regole definite dal progettista.

5.08. In quali epoche si sono diffusi i sistemi cibernetici e connessionistici?. I sistemi cibernetici negli anni 1940-1960, i sistemi connessionistici negli anni 1980-1990. I sistemi cibernetici negli anni 1940-1960, i sistemi connessionistici dopo il 2015. I sistemi cibernetici negli anni 1920-1930, i sistemi connessionistici negli anni 1940-1960. I sistemi cibernetici e quelli connessionistici si sono diffusi contemporaneamente.

6.01. Quale delle seguenti affermazioni è corretta se riferita ai modelli Deep Learning?. In certi task possono raggiungere prestazioni cognitive umane. Una volta addestrati, possono essere utilizzati solo da esperti. Funzionano solo se pre-addestrati indipendentemente dai dati. Funzionano solo se addestrati con pochi dati.

6.02. Quale delle seguenti affermazioni è falsa se riferita ad una Rete Neurale Artificiale?. Il numero di neuroni di una ANN attuale è paragonabile a quello di un essere umano. Il numero di connessioni di un essere umano è paragonabile a quello di un gatto. Il numero di connessioni di un gatto e di un essere umano sono molto maggiori rispetto a quelle di un topo. Il numero di neuroni di un essere umano è attualmente minore di quello di una ANN.

6.03. Quale delle seguenti affermazioni è corretta rispetto ai dataset disponibili?. sia oggi che in passato erano piccoli e sintetici. in passato erano piccoli e sintetici, oggi sono molto grandi e voluminosi. in passato erano molto numerosi ma non eravamo interessati ad analizzarli. oggi contengono in media lo stesso numero di esempi rispetto al passato.

6.04. Quale delle seguenti affermazioni è corretta se riferita ai Big Data?. addestrare con un dataset piccolo è generalmente meglio, quindi non sono utili. l'apprendimento automatico ottenibile usando i Big Data è più semplice rispetto a un dataset piccolo. hanno reso l'apprendimento automatico più facile perchè è più semplice generalizzare da un dataset grande. desumere regole di generalizzazione da un dataset piccolo o dai Big Data non fa differenza.

6.05. Quale delle seguenti regole empiriche è falsa se riferita ai modelli di Deep Learning?. può superare le prestazioni umane se addestrato con un numero di esempi adeguato. raggiunge prestazioni accettabili indipendentemente dal numero di esempi del dataset. eguaglia le prestazioni umane se addestrato con almeno 10 milioni di esempi. raggiunge prestazioni accettabili con circa 5.000 esempi etichettati per categoria.

6.06. Quale delle seguenti affermazioni è falsa se riferita al numero di connessioni di Rete Neurale Artificiale?. il numero di connessioni fra i neuroni permette un confronto diretto con il cervello di alcune specie di animali. il numero di connessioni fra i neuroni è legato alla capacità cognitiva della rete. il numero di connessioni fra i neuroni è aumentato nel tempo. il numero di connessioni fra i neuroni è diminuito nel tempo.

6.07. Quale delle seguenti affermazioni è corretta se riferita ad una Rete Neurale Artificiale?. Le sue capacità cognitive attualmente raggiungono quelle di qualsiasi mammifero. Le sue capacità cognitive sono attualmente inferiori a quelle di un gatto. Le sue capacità cognitive sono in alcuni casi paragonabili a quelle di un gatto. Le sue capacità cognitive si limitano attualmente a dataset semplici e limitati.

6.08. Quale delle seguenti affermazioni è corretta se riferita ad una Rete Neurale Artificiale?. La funzione cognitiva della rete è espressa dalla sua implementazione. La funzione cognitiva della rete è espressa dalla sua forma. La funzione cognitiva della rete è espressa dalle feature del dataset di ingresso. La funzione cognitiva della rete è espressa dai suoi neuroni e dalle sue connessioni.

6.09. A cosa ci riferiamo con il termine Big Data?. Alla crescente dimensione dei dataset a disposizione per l'addestramento di Reti Neurali. Alla proprietà delle Reti Neurali di processare molti dati. All'elevato numero di strati nascosti di una Rete Neurale. Al fatto che i dati occupano molta memoria.

6.10. Perchè oggi sono più disponibili i Big Data rispetto al passato?. Perchè è più diffusa la connessione alla rete Internet. Perchè produciamo e memorizziamo più dati in formato digitale rispetto al passato. Perchè i calcolatori dispongono di maggiore potenza di calcolo. Perchè abbiamo iniziato a fare ricerca sui dati.

8.01. Quale fra le seguenti interpretazioni è quella corretta per gli autovalori di una matrice?. Sono una misura della grandezza del determinante di una matrice. Descrivono la rotazione operata dalla matrice sui vettori cui viene applicata. Descrivono i valori degli elementi contenuti nella matrice. Sono una misura della deformazione dello spazio operato dalla matrice.

8.02. A cosa serve nel Machine Learning la Principal Component Analysis?. viene usata come metodo alternativo per moltiplicare le matrici. a comprimere i vettori da uno spazio di partenza in un altro spazio più piccolo. fornisce una strategia ottimizzata per moltiplicare matrici e vettori. a niente, non viene mai utilizzata nel Machine Learning.

8.03. A cosa serve il determinante di una matrice?. A verificare se una matrice può essere moltiplicata con un'altra matrice. A verificare se qualche elemento della matrice vale 0. A ad avere una idea delle dimensioni di una matrice in termini di righe e colonne. A verificare se la trasformazione operata dalla matrice preserva il volume.

8.04. A cosa serve l'operatore Traccia?. A calcolare il determinante di una matrice. A calcolare la lunghezza di un vettore. Ad esprimere operazioni di somma di matrici come prodotti. A decomporre una matrice in autovalori ed autovettori.

8.05. Cosa si intende per decomposizione di una matrice?. Viene moltiplicata per la matrice Identità. Si estrae il vettore contenente la sua diagonale principale. Si esegue la radice quadrata di tutti i suoi elementi. Vengono estratti i suoi autovaoli ed autovettori.

8.06. Quale fra le seguenti affermazioni è falsa se riferita ad una matrice diagonale?. E' una matrice quadrata. Tutti gli elementi sulla diagonale principale valgono 1. Le sue colonne sono mutuamente ortonormali. Le sue righe sono mutuamente ortonormali.

8.07. Di quale delle seguenti proprietà gode una matrice simmetrica?. E' uguale alla sua inversa. E' uguale alla sua trasposta. Tutti gli elementi valgono 0, tranne quelli sulla diagonale principale. Tutti gli elementi sono compresi tra 0 ed 1.

8.08. Quale fra le seguenti affermazioni è falsa se riferita ad una matrice diagonale?. la somma degli elementi sulla diagonale è pari ad 1. gli elementi sulla diagonale principale possono essere diversi da 0. la maggior parte dei suoi elementi vale 0. gli unici elementi diversi da 0 si trovano sulla diagonale principale.

9.01. Che cos'è una Distribuzione di Probabilità?. E' un modo per enumerare gli eventi. Si usa per contare quante volte una variabile casuale ha assunto un certo valore. Serve a verificare se un evento è avvenuto oppure no. E' una descrizione di quanto siano probabili i possibili stati di una variabile casuale.

9.02. Che cos'è una variabile random?. E' una variabile che assume sempre lo stesso valore. E' un insieme di valori sconosciuti. E' una costante definita a priori. E' una variabile casuale che può assumere uno degli stati possibili per un certo evento.

9.03. Che differenza c'è tra la probabilità frequentista e quella bayesiana?. La prima è legata alla frequenza del verificarsi degli eventi, la seconda ai livelli di incertezza. La prima è legata agli eventi che si verificano più spesso, la seconda a quelli rari. La prima è legata ai livelli di incertezza, la seconda alla frequenza del verificarsi degli eventi. La prima è legata al calcolatore, la seconda alla sperimentazione pratica.

9.04. A cosa serve definire il concetto di probabilità nel contesto dei calcolatori?. E' già incluso nell'hardware di un moderno calcolatore. Non serve, è già previsto dalla macchina di Von Neumann. A niente perchè i calcolatori sono deterministici. Nonostante le limitazioni dei calcolatori, è fondamentale per il Machine Learning.

9.05. Quale, fra le seguenti, NON è una fonte di incertezza di un sistema?. Stocasticità intrinseca (ad esempio la dinamica delle sue molecole). Osservabilità incompleta (variabili non accessibili). Dinamica regressiva (il sistema si contrae nel tempo). Modellazione incompleta (informazioni scartate).

5.06. Perchè è opportuno modellare un sistema tramite regole incerte?. Perchè le regole incerte permettono di eseguire calcoli più velocemente. Non è mai opportuno nei casi pratici. Non è più vantaggioso ma spesso incontra i gusti del progettista. Perchè è più economico, più robusto e meno incline al fallimento.

9.07. Quale fra i seguenti concetti è legato alla definizione di Probabilità?. Spazio fratto Tempo. Ripetibilità. Vibrazione. Frequenza.

9.08. Quale fra le seguenti NON è una proprietà di una funzione di Massa di Probabilità P(x)?. per ogni x, P(x) è sempre compresa tra -1 ed 1. la sommatoria di tutti i possibili valori di P(x) deve essere uguale a 1. il dominio di P deve essere l'insieme di tutti i possibili stati di x. per ogni x, P(x) è sempre compresa tra 0 ed 1.

10.01. Quale fra le seguenti rappresenta la proprietà distributiva degli Expected Values?. E[a*f(x)] = f(x) + a. E[a*f(x)+b*g(x)] = a*E[f(x)]+b*E[g(x)]. E[f(x)] = g(x). E[a*f(x)+b*g(x)] = a + b.

10.02. Qual è la definizione corretta di Expected Value di una funzione f(x) rispetto a una Distribuzione di Probabilità P(x)?. è la derivata di f(). è il massimo valore di f(). è pari a x/f(x). è il valore medio che la f() assume quando x è estratto da P().

10.03. Quali strumenti matematici sono più utili quando si lavora con variabili random continue?. Numeri binari e count. Numeri frazionari e integrali. Numeri interi e sommatorie. Numeri reali e integrali.

10.04. Se volessimo descrivere la probabilità che una variabile random continua ricada nell'intervallo [A,B] dovremmo usare: integrale da A a B di P(x)dx. sommatoria da A a B di log(p(x)). integrale da A a B di -log(P(x))dx. sommatoria da A a B di p(x).

10.05. Che cos'è la Probabilità Condizionata?. è la probabilità che un evento si verifichi quando un altro è accaduto. è la probabilità che un evento si verifichi indipendentemente dagli altri. è un sinonimo di probabilità. è la condizione che si verifica con più probabilità.

10.06. A cosa serve una Catena di Probabilità Condizionate?. a decomporre una distribuzione di probabilità congiunta su molte variabili in distribuzioni a singola variabile. a collegare più distribuzioni di probabilità. a decomporre una serie di probabilità di eventi certi. a calcolare una probabilità negativa.

10.07. Quando due variabili random x ed y sono indipendenti, quale delle seguenti formule è possibile applicare?. p(x, y) = p(x) * p(y) per ogni x e y. p(x, y) = p(x) + p(y) per ogni x e y. p(x, y) = p(x) - p(y) per ogni x e y. p(x, y) = p(x) / p(y) per ogni x e y.

10.08. Quali fra le seguenti proprietà NON è fra quelle soddisfatte da una funzione di Densità di Probabilità p(x)?. integrale p(x)dx=1. il dominio di p() deve coincidere con x. p(x)<0 per ogni x. p(x)>=0 per ogni x.

11.01. Per cosa viene utilizzata la Distribuzione Categorica?. per descrivere distribuzioni normali. per descrivere distribuzioni a forma di campana. per descrivere distribuzioni Gaussiane. per descrivere distribuzioni di categorie di oggetti.

11.02. Che forma ha il grafico di una Distribuzione Gaussiana?. una forma lineare. una forma simile al logaritmo. una forma parabolica. una forma a campana.

11.03. Quali parametri controllano la forma del grafico di una Distribuzione Normale?. derivata, massimo e minimo. media e deviazione standard. altezza e larghezza. massimo e minimo.

11.04. Quale fra le seguenti è sinonimo di Distribuzione Normale?. una Distribuzine Multinoulli. una Distribuzione Categorica. una Distribuzione di Bernoulli. una Distribuzione Gaussiana.

11.05. Cosa dice il Teorema del Limite Centrale?. che la somma di molte variabili random indipendenti è distribuita come una Distribuzione Normale. che, in generale, la media è diversa dalla varianza. che il limite per x che tende a infinito di una Distribuzione di Probabilità vale 1. che il valore centrale di una Distribuzione Normale è pari a 0.

11.06. Qual è la proprietà principale di una Distribuzione di Dirac?. che il suo valore minimo è -1. che tutta la massa in una distribuzione di probabilità si raggruppa intorno a un singolo punto. che vale 1 ovunque. che il suo integrale è 0.

11.07. Qual è uno degli usi più comuni della Distribuzione di Dirac nel Machine Learning?. si usa per trovare il valore massimo di una Distribuzione di Probabilità complessa. si usa nella Distribuzione Normale. non si usa mai. si usa nella Distribuzione Empirica per assegnare a ciascun esempio di un dataset una massa di probabilità pari ad 1/m.

11.08. Quale fra le seguenti è una Distribuzione Mista?. Distribuzione Mista Empirica. Distribuzione Mista di Gauss. Distribuzione Mista Categorica. Distribuzione Mista di Dirac.

13.01. Perchè nasce la Teoria dell'Informazione?. Per migliorare le performance di calcolo di un calcolatore elettronico. Per studiare l'invio di messaggi su un canale in cui ci sia anche del rumore. Per calcolare la probabilità di un evento con il calcolatore elettronico. Per studiare la distribuzione di probabilità di variabili random discrete.

13.02. Qual è l'intuizione dietro la Teoria dell'Informazione?. il verificarsi di un evento improbabile è più informativo del verificarsi di un evento probabile. il verificarsi di un evento improbabile è informativo almeno quanto il verificarsi di un evento probabile. il verificarsi di un evento improbabile è meno informativo del verificarsi di un evento probabile. il verificarsi di un evento improbabile è tanto informativo quanto il verificarsi di un evento probabile.

13.03. Quale fra i seguenti messaggi è più informativo nel contesto dell'Information Theory?. Il mandarino è arancione. Il sole sorge ogni mattina. I monaci indossano una tunica. Un'astronave aliena è atterrata a piazza San Pietro.

13.04. Date due Distribuzioni di Probabilità P(x) e Q(x), la loro Divergenza di Kullback-Leibler: Vale 0 se le due Distribuzioni sono molto simili fra di loro. Vale 0 se le due Distribuzioni sono molto diverse fra di loro. Vale 0 se gli eventi delle due Distribuzioni sono poco probabili. Vale 0 se le due Distribuzioni hanno valori in comune.

13.05. A cosa serve la Divergenza di Kullback-Leibler?. A misurare come è distribuita una variabile random. A misurare quanto due Distribuzioni di Probabilità siano diverse. A misurare quanto due Probabilità siano diverse. A determinare se una Distribuzione di Probabilità è non-negativa.

13.06. Che cos'è l'Entropia Differenziale?. è un sinonimo di Entropia di Shannon solo nel caso di variabili random continue. è un sinonimo di Entropia di Shannon solo nel caso di variabili random. è un sinonimo di Entropia di Shannon solo nel caso di variabili random discrete. è un sinonimo di Entropia di Shannon in ogni caso.

13.07. Quale fra le seguenti è la definizione corretta di Entropia di Shannon di una Distribuzione?. è la quantità attesa di Informazione in un evento che segue quella Distribuzione. vale 1 se la Distribuzione è normale. è pari al valore medio della Distribuzione. vale sempre 0 qualsiasi sia la Distribuzione.

13.08. A cosa serve l'unità di misura denominata nat?. a misurare la quantità di informazione associata a un evento che si verifica con probabilità 1. a contare i numeri naturali. a misurare la quantità di informazione associata a un evento che si verifica con probabilità 1/e. a misurare la quantità di informazione associata a un evento che si verifica con probabilità 0.

13.09. Quale fra le seguenti rappresenta la formula dell'Autoinformazione?. I(x)=P(x). I(x)=-P(x). I(x)=-log P(x). I(x)=log P(x).

14.01. Quale dei seguenti procedimenti descrive la ricerca della soluzione nei metodi di Machine Learning?. processo che calcola interattivamente la soluzione interagendo con l'utente. processo iterativo che ad ogni passo aggiorna la stima della soluzione. processo che calcola la soluzione in forma simbolica a partire da una formula matematica del fenomeno. processo ricorsivo che esplora la soluzione data in input all'algoritmo.

14.02. Cosa esprimono le derivate parziali della funzione f(x) da minimizzare nella Discesa al Gradiente?. la misura di quanto f(x) cambia quando x viene modificato. restituiscono le soluzioni della funzione f(x). dove si trova lo zero della funzione f(x). la pendenza della derivata prima di f(x) valutata nel punto x=0.

14.03. Quali problemi implica il cattivo condizionamento di una funzione?. errori di arrotondamento negli ingressi possono portare a grandi cambiamenti nelle uscite. errori di arrotondamento nelle uscite portano a problemi di underflow. errori di arrotondamento nelle uscite possono portare a grandi cambiamenti negli ingressi. errori di arrotondamento nella derivata prima della funzione provocano condizioni di overflow.

14.04. In che termini la ricerca del massimo o del minimo di una funzione possono ritenersi equivalenti?. non sono mai equivalenti. sono sicuramente equivalenti se la funzione è simmetrica, continua e derivabile. dipende dal tipo di architettura hardware e dalle librerie di Machine Learning utilizzate. si possono ritenere equivalenti a meno di un cambio di segno della funzione.

14.05. Che ruolo ha la derivata nella ricerca del minimo di una funzione?. nessuno. se la derivata è diversa da 0 siamo in un punto di minimo. si usa per decidere verso quale direzione spostarsi durante la ricerca del minimo. ci restituisce il minimo assoluto della funzione.

14.06. Che cos'è la Discesa al Gradiente?. è un metodo che calcola il gradiente di una funzione multidimensionale. è un metodo iterativo per la ricerca del minimo di una funzione che usa la sua derivata. è un metodo per trovare i punti di sella di una funzione. è un metodo che classifica i vari punti stazionari (o critici) di una funzione.

14.07. Per quale motivo si verificano le condizioni di overflow e di underflow nel calcolatore?. perchè la quantità di memoria e il numero di bit per rappresentare i numeri sono limitati. perchè non abbiamo a disposizione algoritmi sufficientemente raffinati. perchè i numeri in input sono troppo numerosi. perchè la quantità di calcoli che possiamo fare con i numeri è limitata.

14.08. Come si usa la derivata direzionale durante la discesa al gradiente di una funzione f(x)?. calcolare la direzione di minima pendenza di f(x) verso cui spostarsi per cercarne un punto di sella. calcolare la direzione di massima pendenza di f(x) verso cui spostarsi per cercarne il minimo. calcolare la direzione di massima pendenza di f(x) verso cui spostarsi per cercarne un punto di sella. calcolare la direzione di minima pendenza di f(x) verso cui spostarsi per cercarne il minimo.

14.09. Cosa esprime il learning rate?. la velocità di spostamento verso la parte positiva della funzione. la dimensione del passo che si esegue nella direzione suggerita dal gradient descent. le precisione usata nel calcolo della derivata della funzione da minimizzare. il valore massimo della pendenza della funzione da minimizzare.

14.10. Come risolviamo i problemi di overflow e underflow nella funzione softmax(x)?. cambiando il segno della funzione. operando un opportuno cambio di variabile dell'argomento. calcolando la derivata della funzione. evitando i numeri reali ed usando i numeri interi.

14.11. Quali dei seguenti settori di ricerca fornisce i metodi per cercare le soluzioni nel Machine Learning?. Chimica Fisica. Ottimizzazione. Fisica Quantistica. Fisica Sperimentale.

15.01. Che cosa si intende per curvatura di una funzione?. la derivata seconda della funzione. la sua matrice Jacobiana. la derivata prima della funzione. la derivata terza della funzione.

15.02. Cosa contiene la matrice Hessiana?. le derivate prime parziali di una funzione con input a più dimensioni. le coordinate dei punti critici della funzione obiettivo. le derivate seconde parziali di una funzione con input a più dimensioni. è una matrice simmetrica avente tutti gli elementi pari a 0 oppure 1.

15.03. Perchè si introduce la matrice Jacobiana?. perchè permette di stimare meglio la funzione nel punto x=0. perchè permette di rappresentare le derivate prime parziali per una funzione avente sia input che output vettoriali. perchè permette di rappresentare le derivate seconde parziali per una funzione avente sia input che output vettoriali. perchè permette di rappresentare la funzione per x=0.

15.04. Quale delle seguenti formule rappresenta la curvatura di una funzione f() a singola dimensione?. derivata prima di f(x). f(x). derivata terza di f(x). derivata seconda di f(x).

15.05. In che modo si usa la derivata seconda per migliorare la discesa al gradiente?. per calcolare con più precisione i valori della funzione. per decidere la dimensione del learning rate in base alla curvatura della funzione. per calcolare la derivata prima della funzione nei punti critici. per trovare i punti di sella della funzione.

15.06. Sotto quali condizioni la matrice Hessiana risulta essere simmetrica?. quando la funzione obiettivo ha una curvatura negativa. quando tutte le derivate seconde parziali della funzione obiettivo sono continue. quando tutte le derivate prime parziali della funzione obiettivo sono continue. quando i punti critici della funzione sono tutti punti di sella.

15.07. Quale relazione esiste fra i concetti di Hessiano, Jacobiano e gradiente di una funzione?. fra i tre concetti non esiste nessuna relazione. L'Hessiano del gradiente della funzione è identico allo Jacobiano del gradiente della funzione. L'Hessiano dello Jacobiano è pari al gradiente della funzione. L'Hessiano è lo Jacobiano del gradiente della funzione.

15.08. Quali tipi di curvatura si possono rilevare per una funzione che ammetta la derivata seconda?. curvatura assoluta, curvatura neutra, curvatura relativa. curvatura negativa o nessuna curvatura. curvatura negativa, nessuna curvatura, curvatura positiva. curvatura neutra, curvatura positiva, curvatura molto positiva.

17.01. Quale fra i seguenti gruppi di elementi caratterizza un algoritmo di apprendimento automatico?. Tempo di esecuzione, Numero di esempi e Lunghezza del dataset. Task, Esperienza e Misura delle Performance. Task, Esperienza e Apprendimento. Tempo di esecuzione, Numero di esempi e Architettura Hardware.

17.02. Quale fra i seguenti non è un elemento che caratterizza un algoritmo di apprendimento automatico?. Esperienza. Architettura hardware. Task. Misura delle Performance.

17.03. Quale definizione descrive la misura di precisione usata per valutare i modelli di Machine Learning?. la confidence di chi usa il modello nei risultati da esso ottenuti. il numero di esempi per i quali il modello ha prodotto risultati corretti. il totale degli esempi correttamente classificati. la percentuale di esempi per i quali il modello ha prodotto risultati corretti.

17.04. Che cos'è un algoritmo di apprendimento non supervisionato?. un algoritmo non supervisionato viene guidato dalle label di ciascun esempio del dataset. un algoritmo non supervisionato si avvia automaticamente senza l'intervento dell'utente. un algoritmo non supervisionato viene guidato dalle classi di ciascun esempio del dataset. un algoritmo non supervisionato viene guidato dalle feature e dalla distribuzione dei dati.

17.05. Che cos'è un algoritmo di apprendimento supervisionato?. un algoritmo supervisionato viene guidato dalle feature e dalla distribuzione dei dati. un algoritmo supervisionato viene guidato dalle classi di ciascun esempio del dataset. un algoritmo non supervisionato viene guidato dalla statistica del dataset. un algoritmo supervisionato funziona solo sotto la supervisione di un essere umano.

17.06. Che differenza c'è tra un algoritmo di apprendimento supervisionato e non supervisionato?. un algoritmo non supervisionato viene guidato dai dati, uno supervisionato delle classi dei dati. un algoritmo non supervisionato viene guidato dalle classi dei dati, uno supervisionato dai dati. nessuna. entrambi usano le label (o classi) dei dati.

17.07. Come si tiene conto del termine di bias nei sistemi di regressione lineare?. si considerano le derivate prima e seconda. non se ne tiene conto. si corregge la misura di precisione del modello. si aggiunge un elemento pari ad 1 nel vettore x di input e un elemento nel vettore w dei pesi.

17.08. Quale di queste definizioni descrive meglio un algoritmo non supervisionato?. dato un vettore x ed una funzione f(x), l'algoritmo impara a stimare le derivate prima e seconda. dato un vettore x ed una funzione f(x), l'algoritmo impara a stimare f(x=0). dato un vettore x e la sua classe y, l'algoritmo impara a stimare p(x|y). dato un vettore x, l'algoritmo impara a stimare p(x).

17.09. Quale risultato si ottiene da un modello di regressione lineare?. una parabola avente distanza minima dai punti del dataset in ingresso. una retta avente distanza minima dai punti del dataset in ingresso. un vettore di pesi che rappresenta tutti i punti del dataset. un polinomio di terzo grado avente distanza minima dai punti del dataset in ingresso.

17.10. Come si può utilizzare la retta che viene ottenuta risolvendo un problema di regressione lineare?. a rappresentare il bias del modello. a suddividere il piano cartesiano in parti uguali. a predire dove staranno i punti futuri del problema che stiamo modellando. a rappresentare i pesi e il bias del modello.

17.11. Quale di queste definizioni descrive meglio un algoritmo supervisionato?. dato un vettore x, l'algoritmo impara a stimare p(x). dato un vettore x ed una funzione f(x), l'algoritmo impara a stimare le derivate prima e seconda. dato un vettore x e la sua classe y, l'algoritmo impara a stimare p(x|y). dato un vettore x ed una funzione f(x), l'algoritmo impara a stimare f(x=0).

18.01. Per quale motivo, per un algoritmo di Machine Learning, l'errore di test è maggiore o uguale dell'errore di training?. perchè il test set è più grande del training set. perchè il test set è più piccolo del training set. perchè i parametri vengono scelti in funzione del solo test set. perchè i parametri vengono scelti in funzione del solo training set.

18.02. Perchè si verifica l'underfitting in un modello di Machine Learning?. il modello non ha un numero sufficiente di parametri per rappresentare il training set. il modello usa un numero troppo elevato di parametri per rappresentare il training set. il modello ha una funzione di trasferimento minore di zero. il modello ha una funzione di trasferimento maggiore di zero.

18.03. Cosa indica la capacità ottimale di un modello di Machine Learning?. che il modello ha la tendenza ad andare in underfitting. che il modello non è in grado di risolvere compiti complessi. che il modello ha la tendenza ad andare in overfitting. che il modello non ha la tendenza né ad andare in overfitting e né in underfitting.

18.04. Cosa si intende per Rasoio di Occam?. è il nome di un teorema che indica come dividere una matrice in parti uguali. la scelta dell'ipotesi più complessa fra molte ipotesi che spiegano un modello. la scelta dell'ipotesi più semplice fra molte ipotesi che spiegano un modello. un modo di tagliare lo spazio delle fasi in modo ottimale.

18.05. In quali problemi si incorre quando la capacità di un modello di Machine Learning è troppo alta?. possono andare in overfitting. possono avere difficoltà a trovare un minimo locale nella funzione di trasferimento. non sono in grado di risolvere compiti complessi. possono andare in underfitting.

18.06. Perchè si verifica l'overfitting in un modello di Machine Learning?. il modello usa un numero troppo elevato di parametri per rappresentare il training set. il modello ha una funzione di trasferimento maggiore di zero. il modello non ha un numero sufficiente di parametri per rappresentare il training set. il modello ha una funzione di trasferimento minore di zero.

18.07. Che cosa si intende per generalizzazione nel Machine Learning?. la capacità del modello di tenere conto del bias. la capacità del modello di funzionare bene su input precedentemente non osservati. la capacità del modello di funzionare bene sul dataset di addestramento. i modelli di Machine Learning non sono capaci di generalizzare.

18.08. Quando un modello di Machine Learning ha una capacità appropriata?. il modello ha una funzione di trasferimento diversa da zero. il modello non ha un numero sufficiente di parametri per rappresentare il training set. quando il modello usa un numero troppo elevato di parametri per rappresentare il training set. quando la sua funzione di fitting permette di rappresentare tutti i punti del dataset.

19.01. In quali problemi si incorre se il dataset per l'addestramento di un modello di Machine Learning è troppo piccolo?. nessun problema, i modelli di Machine Learning mostrano problemi solo con dataset troppo grandi. nessun problema, i modelli di Machine Learning non sono influenzati da dataset troppo piccoli. si ha una certezza statistica per la stima dell'errore medio di test, rendendo molto facile decidere se l'algoritmo A funzioni meglio dell'algoritmo B. si ha una incertezza statistica per la stima dell'errore medio di test, rendendo difficile decidere se l'algoritmo A funzioni meglio dell'algoritmo B.

19.02. Cosa si può fare al fine di poter utilizzare un dataset troppo piccolo per l'addestramento di un modello di Machine Learning?. niente, l'addestramento fallirà sicuramente. si può fare poco e il modello che si otterrà avrà una precisione bassa. si può adottare la k-fold cross validation. niente, non è possibile utilizzarlo.

19.03. Quando non si utilizza il k-fold cross validation, come viene solitamente suddiviso il dataset di input di un modello di Machine Learning?. 90% training set, 10% test set. 33% training set, 66% test set. 10% training set, 90% test set. 66% training set, 33% test set.

19.04. Quanti set di dati servono per addestrare e validare correttamente un modello di Machine Learning?. solo il dataset. nessuno. training set, test set e validation set. training set e test set.

19.05. Se abbiamo deciso di adottare la strategia k-fold cross validation, con k=5, come calcoliamo l'errore di addestramento complessivo?. Error_train = 1/5 (Error1 + Error2 + Error3 + Error4 + Error5). Error_train = (Error1 + Error2 + Error3 + Error4 + Error5)^2. Error_train = Error1 + Error2 + Error3 + Error4 + Error5. Error_train = 1/5 (Error1 * Error2 * Error3 * Error4 * Error5).

19.06. In quante parti viene diviso il dataset di input adottando una strategia k-fold cross validation?. il dataset viene diviso in 5 parti. il dataset viene lasciato intero. il dataset viene diviso in 10 parti. il dataset viene diviso in k parti.

19.07. Quale fra le seguenti è la migliore definizione di stimatore puntuale?. fornisce la predizione di un parametro del modello a partire dagli esempi del dataset. fornisce la stima del numero di esempi contenuti nel dataset. fornisce una stima puntuale del dataset di input. fornisce il numero di punti dello spazio delle fasi.

19.08. Per evitare la vulnerabilità a condizioni di underflow nel calcolo dello stimatore della Maximum Likelihood, quale trasformazione operiamo?. applichiamo l'esponenziale della probabilità per passare da una sommatoria ad una produttoria di probabilità. nessuna, in quanto non possiamo evitare l'underflow. dividiamo la probabilità per il numero di esempi. applichiamo il logaritmo della probabilità per passare da una produttoria ad una sommatoria di probabilità.

20.01. Per quale fra i seguenti motivi si è reso necessario introdurre il Deep Learning al posto del Machine Learning?. scarse performance dei modelli di Machine Learning in alcuni problemi ad elevata dimensionalità. i modelli di Machine Learning permettono di apprendere solo problemi di natura lineare. i modelli di Machine Learning non gestiscono in modo ottimale la memoria. i tempi di addestramento dei modelli di Machine Learning risultavano eccessivi in molti casi.

20.02. Cosa si intende per Curse of Dimensionality?. a un problema di gestione della memoria degli algoritmi di Machine Learning. a un problema di gestione della memoria degli algoritmi di Deep Learning. molti problemi di Machine Learning diventano difficili quando il numero delle dimensioni è grande. molti problemi di Machine Learning diventano difficili quando il numero delle dimensioni è piccolo.

20.03. Cosa è falso se riferito al problema denominato Curse of Dimensionality?. il problema non sorge soltanto nel Machine Learning, ma in molti altri contesti della scienza. il numero di possibili configurazioni distinte di un insieme di variabili aumenta esponenzialmente all'aumentare del numero di variabili. quando il numero delle dimensioni dei dati diventa molto grande, i problemi di Machine Learning diventano molto difficili da trattare. il numero di possibili configurazioni distinte di un insieme di variabili diminuisce notevolmente all'aumentare del numero di variabili.

20.04. Perchè un problema ad alta dimensionalità diventa una sfida anche di tipo statistico?. la quantità di esempi in un dataset solitamente è superiore alle dimensioni del problema. perchè la statistica non riesce a trattare problemi ad alta dimensionalità. il numero di configurazioni possibili è molto più elevato del numero di esempi a disposizione. i dati sono non lineari mentre i modelli di Machine Learning trattano solo problemi lineari.

20.05. Che cosa si intende per esplosione combinatoria?. i modelli di Machine Learning non riescono a trattare problemi non lineari. per un insieme di variabili il numero di combinazioni possibili è esponenziale nella dimensionalità. la quantità di esempi in un dataset solitamente non gestibile da un algoritmo di Machine Learning. per problemi a bassa dimensionalità il numero di combinazioni è troppo elevato.

20.06. Quale fra i seguenti è l'enunciato corretto del Fenomeno di Hughes?. Per un dataset di piccole dimensioni, le perfomance di un modello di Machine Learning sono insufficienti a bassa dimensionalità. Per un dataset di dimensioni fissate, le perfomance di un modello di Machine Learning diminuiscono all’aumentare della dimensionalità. Per un dataset di grandi dimensioni, le perfomance di un modello di Machine Learning sono al più lineari. Per un dataset di dimensioni fissate, le perfomance di un modello di Machine Learning aumentano all’aumentare della dimensionalità.

20.07. Cosa accade alla funzione distanza euclidea all'aumentare delle dimensioni di uno Spazio Euclideo?. la distanza fra i punti aumenterà linearmente con l'aumento delle dimensioni. lo spazio diventa sparso e quindi ci sarà poca differenza nelle distanze fra coppie di punti diversi. non ci sarà alcuna differenza nella distanza fra i vari punti dello spazio. lo spazio diventa fitto è quindi tutti i punti sembreranno meno distanti fra di loro.

20.08. Se si considera il volume di una ipersfera e quello di un ipercubo in cui essa è inscritta, cosa accade all'aumentare delle dimensioni dello spazio?. il rapporto fra i due volumi rimarrà invariato. il volume dell'ipersfera inscritta diventerà trascurabile rispetto a quello dell'ipercubo. il rapporto tra il volume dell'ipersfera e dell'ipercubo diventerà infinito. il volume dell'ipersfera inscritta aumenterà esponenzialmente rispetto a quello dell'ipercubo.

21.01. Quale codice restituisce al sistema operativo un programma Python eseguito in assenza di errori?. restituisce 1. restituisce 10. restituisce -1. restituisce 0.

21.02. Perchè Python è il linguaggio di programmazione più diffuso per il Machine Learning?. perchè il suo ciclo di messa in opera dei sistemi software è molto rapido essendo interpretato. perchè il suo ciclo di messa in opera dei sistemi software è migliore essendo compilato. perchè i programmi Python sono più leggeri in termini di memoria. perchè i programmi Python hanno performance più elevate.

21.03. Quali tipi di dati sono già presenti in Python ma non negli altri linguaggi come C, C++ e Java?. alberi e grafi. numeri interi e numeri in virgola mobile. liste e dizionari. nodi, radici e numeri in virgola mobile.

21.04. Quale fra le seguenti affermazioni descrive meglio l'esecuzione di un programma Python?. viene eseguito direttamente dal compilatore Python. viene eseguito direttamente dall'interprete Python. viene pre-compilato in bytecode per migliorare le performance di esecuzione. viene prima tradotto in codice binario usando il compilatore Python.

21.05. Che tipo di linguaggio è Python?. un linguaggio nativo. un linguaggio binario. un linguaggio compilato. un linguaggio interpretato.

21.06. E' possibile distribuire programmi Python direttamente in bytecode?. non è possibile. si è possibile. non è possibile perchè è un linguaggio interpretato. si è possibile ma dipende dal sistema operativo.

21.07. Quale fra i seguenti è il comando corretto per verificare l'installazione di Python sul proprio sistema?. version(python3). python3 -version. is_installed(python3). installed -python3.

21.08. Quale fra i seguenti è il comando corretto per installare Python sul sistema operativo Ubunt/Debian?. sudo apt install python3. install(python3). install python3. python3 -install.

22.01. Come si indicano i commenti a singola riga in Python?. con il carattere slash. con il carattere doppio slash. con il carattere C. con il carattere #.

22.02. Come possiamo leggere un input da terminale in Python?. con la funzione input(). con la funzione ingresso(). con la funzione terminale(). con la funzione in().

22.03. Quale fra le seguenti definizioni descrive meglio la funzione "def calcola(a, b, c=2):"?. la definizione della funzione calcola permette che essa venga invocata senza specificare c. la definizione della funzione calcola permette che essa venga invocata senza parametri. la definizione della funzione calcola è incompleta. la definizione della funzione calcola è errata.

22.04. Quali sono le funzioni per effettuare conversioni di tipo in Python?. int(), float(), str(). non esistono. intero(), virgola_mobile(), stringa(). i(), v(), s().

22.05. Con quale parola chiave inizia la definizione di una funzione in Python?. function. def. il tipo di dato di ritorno della funzione. func.

22.06. Come si indicano i commenti su più righe in Python?. con un doppio apice. non si possono indicare. con un singolo apice. con un triplo apice.

22.07. Quali tipi base esistono per le variabili in Python?. solo interi. interi e virgola mobile. interi, caratteri e booleani. interi, virgola mobile, stringhe e booleani.

22.08. Quali fra le seguenti non è una estensione di file per un programma Python?. .python. .py. .p. .c.

22.09. Come vengono dichiarate le variabili nel linguaggio Python?. non c'è una vera e propria dichiarazione delle variabili perchè esse esistono quando vengono usate per la prima volta nel programma. definendone prima l'identificatore e poi il tipo. definendone prima il tipo e poi l'identificatore. come nei linguaggi imperativi, definendone l'identificatore ed il tipo.

22.10. Quali sono i valori di verità di una variabile booleana in Python?. -1 e 1. True e False. true e false. 0 e 1.

23.01. Quale delle seguenti affermazioni è vera se riferita all'operatore elevamento a potenza in Python?. deve essere definito dall'utente. non esiste. esiste, ma solo nella libreria Math. esiste e si indica con un doppio asterisco.

23.02. Cosa è corretto dire in merito agli augmented assignment operators in Python?. sono i seguenti: +, -, *, /. sono i seguenti: a+, a-, a*, a/. non esistono. sono i seguenti: +=, -=, *=, /=.

23.03. Data la variabile s="prova", quale valore sarà restituito dal codice "find('t')"?. un valore indefinito. il valore 0. il valore -1. niente, perchè il carattere 't' non esiste nella stringa s.

23.04. Quale fra le seguenti è la definizione migliore per l'operatore in di Python applicato alle stringhe?. restituisce l'indice della prima occorrenza di una stringa cercata. l'operatore in non esiste in Python. restituisce True o False a seconda della presenza o meno della stringa cercata. restituisce l'indice dell'ultima occorrenza di una stringa cercata.

23.05. Se s è una variabile stringa di Python, cosa otteniamo con il codice "s.find('A')"?. l'indice dell'ultima occorrenza del carattere 'A' nella stringa s. l'indice della prima occorrenza del carattere 'A' nella stringa s. tutte le occorrenze del carattere 'A' nella stringa s. niente, perchè la funzione find() non è stata definita.

23.06. Quale funzione Python dobbiamo usare per ottenere una stringa contenente soltanto caratteri maiuscoli?. upper(). lower(). maiuscoli(). maiuscule().

23.07. Per delimitare una stringa in Python possiamo usare: soltanto una coppia di apici doppi. una coppia di apici singoli oppure di apici doppi. una coppia di parentesi angolari. una coppia di parentesi quadre.

23.08. Quale fra le seguenti definizioni è la più corretta per le stringhe in Python?. non si possono definire variabili string in Python in modo nativo. una stringa in Python è una sequenza di numeri. una stringa in Python è una sequenza di caratteri immutabile. una stringa in Python è una sequenza di caratteri.

24.01. Quale fra le seguenti differenze tra un oggetto Tuple ed un oggetto List in Python è falsa?. a parità del numero di elementi, un oggetto Tuple occupa più memoria di un oggetto List. un oggetto Tuple è immutabile, mentre un oggetto List può essere modificato. sia le Tuple che le List sono strutture dati lineari che contengono un elenco di valori. le List si specificano con le parentesi quadre, mentre le Tuple con le parentesi tonde.

24.02. Dato un oggetto Tuple definito come "t = 5,'test'", il codice "x, y = t" restituisce: un errore, perchè bisognerebbe scrivere x = t. null. restituisce x = 5 ed y = 0. restituisce x = 5 ed y = 'test'.

24.03. Le variabili di tipo List in Python sono immutabili?. il tipo List non esiste in Python. il tipo List deve essere definito dal programmatore. si, sono immutabili. no, si possono modificare ad esempio usando il metodo append().

24.04. Cosa è falso se riferito alla funzione range(min, max) di Python?. restituisce una sequenza di numeri interi che parte da min fino a max escluso. restituisce una sequenza di numeri interi che parte da min fino a max incluso. le sequenze generate da range(0,5) e range(5) sono identiche. se min non è specificato la sequenza di interi parte da 0.

24.05. Quali fra i seguenti sono metodi per la gestione di oggetti in una List in Python?. in_list(), remove_from_list(), clear_list(), list_length(). first(), last(), null(), not(), and(), or(). append(), insert(), remove(), clear(), len(). if, for e while.

24.06. Dato un oggetto List in Python definito come "p=['Italia','Francia','Irlanda']", quanto vale "p[-1]"?. null. 'Irlanda'. 'Francia'. non è definito e genera un errore.

24.07. Data la List definita come "p=['Italia','Francia','Irlanda','Svezia']", quanto vale "p[0:3]"?. ['Italia']. ['Italia','Francia']. ['Italia','Francia','Irlanda']. ['Italia','Francia','Irlanda','Svezia'].

24.08. Data la List definita come "p=['Italia','Francia','Irlanda','Svezia']", quanto vale "p[-2:]"?. ['Irlanda','Svezia']. ['Svezia','Italia']. ['Italia','Francia']. non è definito e restituisce un errore.

2409. Data la List definita come "p=['Italia','Francia','Irlanda','Svezia']", quanto vale "p[:]"?. []. ['Italia','Francia','Irlanda','Svezia']. ['Italia']. non è definito e restituisce un errore.