risposte non lunghe fondamenti ia

02. Come avviene l'esecuzione di una cella di codice in Colab?. Digitando il comando "run". Premendo solamente il tasto Invio. Premendo l'icona di riproduzione o con Shift + Enter. Premendo l'icona di riproduzione o con Shift + Freccia laterale.

05. Cosa succede ai dati caricati direttamente sul file system temporaneo di Colab al termine della sessione?. Vengono scaricati sul computer. Andranno persi. Rimangono disponibili per sempre. Vengono salvati in automatico su Drive.

06. Come si inseriscono descrizioni e titoli nelle celle di testo di un notebook Colab?. Utilizzando script CSS. Utilizzando codice Python. Utilizzando la sintassi Markdown. Utilizzando linguaggio HTML puro.

03. Quale errore si verifica se l'interprete incontra un'espressione illegale o una parola riservata usata impropriamente?. Errore di Sintassi. Errore in Esecuzione. Errore Logico. Errore di Semantica.

04. Cosa produce la divisione tra due operandi che sono entrambi interi (es. 155 / 60) in Python?. Una stringa di testo. Un numero con la virgola mobile (float). Un errore di sintassi per tipo incompatibile. Un numero intero, arrotondato per difetto (troncamento).

03. Come inizia la dichiarazione corretta di una funzione personalizzata in Python?. function NOME_FUNZIONE():. def NOME_FUNZIONE():. create NOME_FUNZIONE():. definisci = NOME_FUNZIONE():.

04. Quale elemento sintattico non è facoltativo ma obbligatorio per definire la struttura del corpo di una funzione?. Le istruzioni "begin" ed "end". L'indentazione rispetto al margine sinistro. Il punto e virgola alla fine di ogni istruzione. Le parentesi graffe di apertura e chiusura.

05. Quale valore viene restituito automaticamente se una funzione non possiede una propria istruzione return esplicita?. Il numero intero zero (0). Il valore speciale None. Un messaggio di errore di esecuzione. Una stringa di testo vuota.

06. Come devono essere ordinati i parametri nella firma di una funzione se si utilizzano argomenti di default?. I parametri con valori di default devono seguire quelli obbligatori. Possono essere messi in qualsiasi ordine. I parametri di default non si possono usare. I parametri con valori di default devono precedere quelli obbligatori.

01. Quale clausola deve essere utilizzata per definire le condizioni in serie alternative ("else if")?. then. elif. elseif. else if.

04. In Python, come viene trattato e valutato un qualsiasi valore diverso da zero durante un controllo logico?. Genera un errore in esecuzione. Viene ignorato e saltato. È trattato come vero. È trattato come falso.

02. Quale condizione sancisce il termine del ciclo di esecuzione per l'istruzione "while"?. Quando l'utente preme il tasto Esc. Quando viene eseguito un numero fisso prestabilito di iterazioni. Quando la sua condizione booleana valutata diventa falsa (0). Quando la condizione booleana valutata diventa vera (1).

02. Da quale valore numerico inizia in maniera convenzionale l'indicizzazione delle sequenze?. Dalla lunghezza totale calcolata da len(). Da 1. Da -1. Da 0.

03. Quale tecnica va impiegata per selezionare ed estrarre l'ultimo carattere di una stringa?. Utilizzare l'indice negativo [-2]. Utilizzare la parola chiave "last". Utilizzare l'indice negativo [-1]. Utilizzare l'indice positivo.

05. Tra quelli elencati, quale struttura di tipo composto è rigidamente immutabile?. La lista. Il dizionario. L'array. La stringa.

06. Quale operatore booleano è deputato a verificare la presenza e l'appartenenza di un valore in una lista?. L'operatore == (uguaglianza). L'operatore in. La funzione has(). L'operatore includes.

03. Quale metodo nativo genera in restituzione una lista formata da tuple contenenti le copie (chiave, valore) del dizionario?. keys(). has_key(). values(). items().

05. Quale sintassi di assegnazione consente di invertire e scambiare il valore di due variabili evitando appoggi temporanei?. L'espressione a, b = b, a. L'espressione swap(a, b). L'espressione a = b = a. L'espressione a <-> b.

06. Rispetto alla mutabilità, qual è la discrepanza principale tra la struttura delle tuple e quella delle liste?. Le tuple sono alterabili, le liste sono fisse. Nessuna, sono concettualmente lo stesso tipo di dato. Le tuple contengono solo valori stringa. Le tuple sono immutabili, le liste risultano mutabili.

01. Nella formattazione delle stringhe con l'operatore %, quale sequenza si utilizza per la formattazione di numeri in virgola mobile?. %v. %f. %d. %s.

02. Quale metodo del modulo pickle viene utilizzato per memorizzare un valore e la descrizione del suo tipo in un file?. pickle.load(). pickle.dump(). pickle.write(). pickle.save().

03. Quale blocco all'interno della struttura di un'eccezione viene eseguito sempre?. if. except. finally. else.

04. Cosa succede quando si apre un file in modalità "w" (Scrittura) e il file non esiste?. Apre il file in sola lettura. Restituisce un errore di file inesistente. Ignora il comando e termina l'esecuzione. Crea il file se non esiste.

05. Quale eccezione si verifica quando si tenta di accedere a una chiave non esistente in un dizionario?. IndexError. KeyError. ValueError. ZeroDivisionError.

06. Quale modulo di Python deve essere importato per eliminare un file tramite la funzione remove()?. shutil. sys. os. file.

07. Quale istruzione interrompe immediatamente un ciclo, saltando alla prima istruzione successiva?. stop. continue. pass. break.

02. Come viene definita una funzione che non modifica gli oggetti passati come parametri e non ha effetti collaterali?. Costruttore. Funzione produttiva. Funzione pura. Modificatore.

03. Quale funzione del modulo copy copia il contenuto dell'oggetto ma solo i riferimenti a eventuali oggetti interni?. copy.clone. copy.deepcopy. copy.duplicate. copy.copy.

04. Quale operatore si usa per verificare l'uguaglianza debole tra due oggetti?. =. has. = =. is.

05. Come si chiama un metodo che viene chiamata con lo stesso nome della classe ?. Funzione pura. Modificatore. Distruttore. Costruttore.

06. Come viene chiamata una funzione che altera direttamente uno o più oggetti passati come parametri?. Funzione pura. Modificatore. Alias. Costruttore.

01. In Python, qual è il nome convenzionale del primo parametro della definizione di un metodo, a cui è assegnato l'oggetto su cui opera?. self. this. obj. cls.

02. Quale metodo speciale viene invocato automaticamente quando si crea un oggetto per impostarne lo stato iniziale?. cmp. init. add. str.

03. Quale metodo speciale sovrascrive il comportamento predefinito restituendo una rappresentazione dell'oggetto in forma di stringa?. repr. init. print. str.

04. Quale metodo speciale si utilizza per ridefinire l'operatore di addizione?. add. plus. sum. sub.

05. Come viene definita una funzione in grado di accettare parametri di tipi diversi?. Modificatrice. Polimorfica. Statica. Pura.

06. Quale metodo speciale gestisce la moltiplicazione scalare se l'operando di sinistra è un tipo primitivo e quello di destra un oggetto?. add. rmul. mul. smul.

07. Quale simbolo sintattico viene utilizzato in Python per rendere evidente l'uso di un decoratore?. # (cancelletto). & (e commerciale). $ (dollaro). @ (chiocciola).

02. Quale metodo speciale si implementa per ridefinire gli operatori condizionali e confrontare oggetti definiti dall'utente?. cmp. match. eq. compare.

03. Quale valore restituisce il metodo di confronto (cmp) descritto se il primo elemento è maggiore del secondo?. 0. True. 1. -1.

02. Se si utilizza un'istanza di una sottoclasse al posto di un'istanza della classe genitore, l'operazione è considerata: Legale solo per attributi numerici. Sempre legale. Legale solo se non si sovrascrivono metodi. Sempre illegale.

01. In caso di operatori con la stessa precedenza, in quale ordine vengono valutati da Python?. Da destra a sinistra. In ordine casuale. Da sinistra a destra. Dal centro verso i lati.

03. Se un ciclo non raggiunge mai la sua condizione di uscita, bloccando il programma senza errori espliciti, si tratta di: Eccezione non gestita. Ciclo infinito. Ricorsione infinita. Errore di sintassi.

04. Quale tipo di errore si verifica quando si tenta di utilizzare una variabile non definita nell'ambiente corrente?. KeyError. ValueError. NameError. AttributeError.

06. Quali errori si manifestano durante la fase di traduzione del codice sorgente, impedendo l'interpretazione del programma?. Eccezioni. Errori di semantica. Errori di sintassi. Errori in esecuzione.

03. Cosa distingue il Deep Learning dal Machine Learning tradizionale?. Automatizza l'estrazione delle caratteristiche imparando rappresentazioni gerarchiche dei dati. Non utilizza mai Reti Neurali Artificiali. Si basa esclusivamente sulle regole dell'IA Simbolica. Richiede sempre un intervento umano per identificare le caratteristiche rilevanti (feature engineering).

06. Qual è il ruolo corretto del testing set nel machine learning?. Serve esclusivamente per la valutazione finale del modello prima della messa in produzione. Va unito ai dati di validazione per calcolare i parametri di standardizzazione (come la media globale). Viene utilizzato dall'algoritmo durante l'addestramento per calcolare i pesi delle caratteristiche. Serve unicamente a mescolare gli esempi per evitare l'underfitting iniziale.

08. Qual è un limite noto della tecnica One-Hot Encoding?. Causa sempre l'assunzione errata da parte del modello che la prima categoria valga più dell'ultima in modo ordinale. Può causare un drastico aumento della dimensionalità del dataset se le categorie sono moltissime. Genera risultati negativi invalidando il calcolo delle distanze euclidee del modello K-Means. Distrugge l'integrità del Vettore Target mescolandolo con la Matrice delle Feature.

05. Quale svantaggio presenta l'impiego del KNNImputer rispetto all'imputazione semplice?. Richiede di convertire preventivamente tutte le feature numeriche in categorie ordinali e binarie. Genera un'elevata "maledizione della dimensionalità" perché aggiunge una nuova colonna per ogni valore interpolato. Cancella il Vettore Target sostituendolo accidentalmente con il cluster di vicinato identificato. È molto più oneroso dal punto di vista computazionale perché calcola le distanze per ogni singolo valore da imputare.

06. Nell'imputazione univariata, perché spesso la mediana viene preferita alla media?. Perché la mediana è una statistica robusta, non influenzata in modo significativo da outlier o valori estremi presenti. Perché la media crea automaticamente dati sintetici che portano l'algoritmo ad andare in overfitting. Perché la mediana è l'unico valore che garantisce l'eliminazione dei campioni in eccesso nella classe di minoranza. Perché la media può essere calcolata solo se la matrice delle feature non presenta valori categorici nel target.

07. In quale scenario è più indicato applicare l'imputazione basata sulla Moda?. Esclusivamente quando si calcola la matrice di cross-validazione ripetuta. Quando i valori mancanti appartengono a variabili categoriche testuali o numeriche discrete. Solo se i dati sono organizzati secondo uno scaling min-max stretto tra zero e uno. Quando occorre rimpiazzare valori mancanti continui altamente influenzati da outlier isolati.

03. Qual è il maggiore rischio connesso all'utilizzo del Random Undersampling?. Espone il modello a un altissimo rischio di overfitting perché la macchina rilegge le stesse istanze più volte. Genera false strutture chiamate "data lines" unendo casualmente due campioni lontani. Aumenta esponenzialmente l'uso della RAM creando matrici molto dense nei problemi NLP. Può comportare la perdita di informazioni cruciali eliminando esempi che definiscono il confine tra classi.

01. In LOF, cosa suggerisce un punteggio finale significativamente maggiore di 1?. Che il punto è sicuramente il centro esatto di un cluster denso. Che si è raggiunta un'elevata densità locale di convergenza. Che il modello è andato in overfitting a causa dei parametri errati. Che la densità del punto è inferiore a quella dei vicini.

02. Perché l'Isolation Forest è computazionalmente ideale per i Big Data?. Rimuove preventivamente il 90% delle informazioni ridondanti. Sfrutta sempre reti neurali profonde auto-supervisionate per il calcolo. Suddivide lo spazio usando matrici dense RBF. Ha una complessità lineare O(n) e non calcola distanze globali.

04. Nel Local Outlier Factor, quale parametro incide maggiormente sui risultati?. Il numero massimo di iterazioni concesse all'algoritmo genetico. Il numero di vicini da considerare, ovvero n_neighbors o k. La funzione di kernel polinomiale selezionata. Il grado di complessità dell'Isolation Tree generato.

01. In Label Spreading, qual è il ruolo del parametro alpha (clamping factor)?. Decide quante volte leggere il dataset per raggiungere la convergenza. Misura la profondità massima raggiungibile da ogni albero in costruzione. Identifica automaticamente il numero corretto di cluster da isolare. Bilancia le etichette iniziali e la propagazione dal grafo circostante.

02. Cosa presuppone la "Cluster Assumption" in merito alla separazione dei dati nel Semi-supervised Learning?. Che i cluster debbano essere uniti nei punti di massima densità. Che l'iperpiano non deve mai superare l'origine spaziale assoluta. Che i confini devono sovrapporsi esattamente sui medoidi dei cluster. Che i confini decisionali debbano passare per zone di bassa densità.

03. Qual è la funzione dei dati non etichettati nel Semi-Supervised Learning?. Forniscono le etichette corrette assolute necessarie per l'addestramento. Evitano di usare la distanza euclidea tra i punti isolati. Generano automaticamente nuove features polinomiali per la regressione dei dati. Forniscono la densità strutturale per definire la geometria dello spazio di input.

03. Cosa fa il parametro fit_intercept della regressione in Scikit-Learn se impostato a False?. Usa la discesa del gradiente stocastica. Copia la matrice dei dati in ingresso. Non calcola l'intercetta per i dati centrati. Elimina le variabili indipendenti negative.

05. Per quale tipo di variabile dipendente è indicata la regressione lineare?. Una variabile di tipo categorico o discreto. Esclusivamente per variabili di testo. Per l'identificazione di messaggi spam. Una variabile di tipo continuo.

01. Per quale tipologia di task è concepita la regressione logistica?. Stima di variabili continue numeriche reali. Regressione di dati fortemente sbilanciati in serie storiche. Classificazione di categorie predefinite. Generazione di nuove variabili continue.

02. Qual è la soglia di classificazione di default implementata dalla funzione sigmoide?. 0,5. 0.05. 0. 1.

02. Cosa accade se il tasso di apprendimento (learning rate) è troppo alto?. L'algoritmo richiederà moltissimo tempo per convergere. L'algoritmo può saltare il minimo e iniziare a divergere. La funzione di costo diventerà completamente piatta (plateau). Verrà selezionato automaticamente il Batch Gradient Descent.

04. Qual è un vantaggio dello Stochastic Gradient Descent (SGD)?. È molto più veloce e utilizzabile su dataset enormi. Raggiunge sempre esattamente il minimo globale perfetto. Segue una traiettoria liscia e senza oscillazioni. Calcola l'inverso delle matrici con l'algebra lineare.

06. Nelle classi SGDClassifier e SGDRegressor, cosa definisce il parametro loss?. La specifica funzione di perdita da minimizzare. Il numero di campioni passati alla GPU. Il criterio di arresto anticipato (tolleranza). Il termine di penalizzazione applicato (es. l1 o l2).

01. Quale modello di Naive Bayes è adatto per feature continue normali?. MultinomialNB. BernoulliNB. ComplementNB. GaussianNB.

03. Nel teorema di Bayes, cosa rappresenta la probabilità a priori (prior)?. La costante di normalizzazione dell'evidenza. La probabilità dell'evidenza data l'ipotesi. La frequenza iniziale della classe nel dataset. La probabilità a posteriori del modello.

04. Quale limite si presenta se due feature sono fortemente correlate nel Naive Bayes?. Il double counting porta a stime di probabilità overconfident. Il modello fallisce richiedendo il ricampionamento con SMOTE. Il modello azzera tutti i pesi associati alle feature. Si innesca un blocco computazionale sull'intercetta.

01. Come definisce la predizione il k-NN per la classificazione?. Assegnando la classe più frequente tra i K vicini. Valutando i pesi della discesa del gradiente. Generando una equazione polinomiale sui vicini prossimi. Calcolando la media aritmetica dei valori target dei vicini.

03. Quale metrica di distanza è la predefinita in Scikit-Learn per il k-NN?. La distanza di Hamming. La distanza di Minkowski. La distanza di Mahalanobis. La distanza del coseno.

04. Quale operazione di KNN permette di assegnare maggiore importanza ai vicini più vicini?. Scegliere 'uniform' nel parametro weights. Aumentare il valore del parametro leaf_size. Impostare p=1 per la distanza di Manhattan. Attivare l'opzione weights='distance'.

01. Cosa sono esattamente i vettori di supporto?. Le variabili di errore casuale del modello. I punti del dataset per cui il vincolo è attivo. I punti che non influenzano l'iperpiano. I punti più lontani dal margine dell'iperpiano.

03. Qual è la funzione di perdita predefinita in LinearSVC?. La Log Loss. La Squared Hinge Loss. La Mean Squared Error. La Cross-Entropy Loss.

04. Come viene calcolato il campo locale indotto in un neurone?. È la differenza assoluta tra target e predizione. È l'output filtrato dalla funzione di attivazione ReLU. È il risultato della sola moltiplicazione tra pesi e input. È la somma pesata degli input più il termine bias.

05. Perché è fondamentale lo scaling delle feature negli MLP?. Evita che le feature con range elevati dominino il gradiente. Disabilita automaticamente l'algoritmo di backpropagation. Sostituisce la necessità della funzione di costo. Impedisce al modello di andare in underfitting.

01. Qual è il limite principale delle Recurrent Neural Networks classiche?. Sono incapaci di calcolare la backpropagation base. Non possono assolutamente elaborare dati in sequenza temporale. Soffrono pesantemente del problema del gradiente svanente. Generano immagini costantemente sfocate ai bordi.

02. Qual è l'operazione base delle Convolutional Neural Networks (CNN)?. Si usa l'attenzione per connettere tutte le parole simultaneamente. I gradienti calcolano derivate parziali per sequenze temporali. Una rete encoder converte l'input in uno spazio latente. Un kernel scorre sull'input eseguendo un prodotto scalare locale.

03. Quale meccanismo chiave definisce il funzionamento dell'architettura Transformer?. Il calcolo dei prodotti scalari su immagini bidimensionali. L'uso di strati puramente ricorrenti in successione. L'implementazione del kernel trick polinomiale. L'impiego del meccanismo di Self-Attention.

06. Qual è la struttura di base di una rete Autoencoder?. Usa unicamente blocchi di memoria a lungo termine. Utilizza due reti competitive chiamate generatore e discriminatore. È composta da un encoder e un decoder. Impiega strati convoluzionali seguiti esclusivamente da Softmax.

01. Quale logica è alla base della costruzione di un albero?. L'applicazione del gradiente discendente per trovare i residui ottimali. Una logica di ottimizzazione globale complessa su tutti gli iperpiani. La minimizzazione esclusiva del bias di apprendimento. Una logica di tipo greedy, che massimizza localmente la purezza.

03. Come predice i valori un DecisionTreeRegressor in una foglia?. Applica una funzione logistica all'errore quadratico medio. Restituisce il gradiente negativo della funzione di perdita scelta. Restituisce la classe categorica più frequente nel nodo. Restituisce la media aritmetica dei valori target dei campioni.

04. Come calcola scikit-learn l'attributo feature_importances_ negli alberi?. Calcolando l'entropia della radice principale dell'albero isolato. Misurando la riduzione totale ponderata del criterio di split. Sottraendo i falsi positivi ottenuti nella classificazione binaria. Sommandone la varianza rispetto a tutti i dati iniziali.

05. Come si comportano matematicamente gli alberi di decisione?. Definiscono combinazioni lineari tra tutte le variabili di input. Separano i dati tramite sfere multidimensionali complesse. Creano una curva polinomiale liscia su tutto il dataset. Agiscono come una approssimazione spaziale costante a tratti.

01. Cosa implementano le Random Forests per decorrelare maggiormente gli alberi?. Discretizzano l'input usando i bin basati su istogrammi. Imputano pesi esponenziali crescenti alle istanze più difficili. Selezionano un subset casuale di caratteristiche ad ogni nodo. Usano funzioni di perdita diverse per ogni nuovo stimatore.

03. Quale percentuale di dati univoci include in media un bootstrap?. Meno del 10% per garantire massima varietà ai modelli. Esattamente il 100% poiché estrae casualmente tutti i dati. Il 50% matematico per favorire una scissione bilanciata. Solitamente circa il 63,2% dei dati originali totali.

04. Come avviene l'aggregazione finale nel Bagging per problemi di classificazione?. Calcolando il gradiente discendente di tutti gli estimatori indipendenti. Calcolando la media aritmetica semplice dei valori generati. Usando la maggioranza dei voti dettata dai singoli modelli. Tramite la mediana pesata delle probabilità di errore relativo.

05. Quale difetto interpretativo ha l'indicatore Mean Decrease in Impurity (MDI)?. Elimina le feature continue dai calcoli di importanza complessiva. Favorisce sistematicamente i dati mancanti assegnandogli valori massimi. Applica un bias a favore delle feature ad alta cardinalità. Si applica solo su alberi perfettamente lineari e asimmetrici.

06. Qual è una grande limitazione strutturale delle Random Forests classiche?. Richiedono un intenso scaling preventivo sulle matrici di input. Impossibilità di elaborare modelli con classificazione di tipo binario. Latenza predittiva eccessiva e enorme consumo di memoria RAM. Soffrono terribilmente in presenza di qualsiasi outlier numerico estremo.

02. Quale vantaggio nativo possiede HistGradientBoosting rispetto al Gradient Boosting tradizionale?. Restituisce direttamente i vettori di supporto in forma algebrica. Ha un supporto nativo per i valori mancanti e categorici. Elimina automaticamente gli outlier tramite funzioni di perdita esponenziali. Fornisce stime OOB (Out-Of-Bag) valide come test di validazione.

04. Che struttura decisionale usa la libreria esterna CatBoost?. Utilizza alberi simmetrici chiamati oblivious trees molto veloci. Ricorre al margin classifier per scissioni lineari continue ottimali. Costruisce alberi casuali senza mai calcolare la purezza interna. Genera reti neurali con funzioni di attivazione sigmoidea.

06. Qual è la teoria alla base delle architetture di Boosting?. Trasformare molti modelli ML deboli in un singolo modello forte. Creare reti feed-forward profonde sfruttando algoritmi di backpropagation locale. Fondere stimatori complessi per aumentare ulteriormente la loro varianza. Allenare foreste indipendenti tramite campionamento casuale con ripetizione continua.

01. Nello StackingRegressor, quale meta-modello di default viene utilizzato?. RidgeCV. VotingRegressor. LinearRegression. LogisticRegression.

03. Nel StackingClassifier, qual è il final_estimator di default?. LogisticRegression. RidgeCV. RandomForest. Support Vector Machine.

01. Quanti classificatori binari richiede la strategia One-vs-Rest (OvR)?. Un singolo classificatore. 2N classificatori binari. N(N-1)/2 classificatori. N classificatori binari.

02. Quanti modelli addestra la strategia One-vs-One con 10 classi?. 45 modelli binari. 5 modelli binari. 100 modelli binari. 10 modelli binari.

07. Cosa accade in ECOC se il code_size è minore di 1?. Genera un errore di training. Trasforma l'algoritmo in One-vs-One. Si utilizzano meno classificatori rispetto a OvR. Aggiunge ridondanza al modello correggendo errori.

01. Come viene calcolato matematicamente l'F1-Score?. Con l'integrale della curva ROC. Come media armonica tra precisione e recupero. Tramite distanza di Hamming tra classi. Come media aritmetica degli errori al quadrato.

06. Quale metrica cerca di minimizzare i falsi positivi previsti?. Recall (Recupero). Area Sotto la Curva (AUC). F1-Score. Precision (Precisione).

03. Quale metrica è indicata in una regressione con molti outlier?. Mean Squared Error (MSE). Accuracy Score. R2-Score (Coefficiente di determinazione). Mean Absolute Error (MAE).

01. Quale tecnica esplora ogni combinazione di una griglia multidimensionale?. TPE di Optuna. GridSearchCV. RandomizedSearchCV. Algoritmi Genetici.

02. Quale metodo permette di ispezionare gli iperparametri in Scikit-learn?. best_estimator_. set_params(). GridSearchCV(). get_params().

04. Quale metodo subisce maggiormente la maledizione della dimensionalità?. Algoritmi Genetici. Grid Search. Ottimizzazione Bayesiana. Random Search.

01. A cosa servono le spiegazioni controfattuali?. Calcolano matematicamente l'accuratezza media globale del modello utilizzato. Indicano i cambiamenti minimi necessari per modificare l'output atteso. Mostrano nel dettaglio i difetti hardware del server locale. Spiegano tutto l'algoritmo usando un set di features e la loro importanza.

02. Cosa caratterizza gli approcci di spiegazione "model-agnostic"?. Possono essere applicati a qualsiasi modello di intelligenza artificiale. Modificano in modo irreversibile l'architettura interna dell'algoritmo matematico. Funzionano esclusivamente con le architetture di reti neurali profonde. Richiedono di conoscere preventivamente tutti i pesi delle connessioni.

04. Quale tecnica XAI si basa sulla teoria dei giochi cooperativi?. I modelli basati su alberi di decisione. L'algoritmo di Permutation Importance. LIME (Local Interpretable Model-Agnostic Explanations). SHAP (SHapley Additive exPlanations).

05. Cosa fanno le spiegazioni "rule-based" nella XAI?. Approssimano il comportamento del modello in regole deterministiche "IF-THEN". Nascondono i pesi delle connessioni delle reti neurali per rendere il modello leggibile. Riducono la dimensione del dataset rimuovendo i valori anomali in base a regole specifiche. Generano immagini controfattuali regolamentari.

06. Qual è l'obiettivo delle spiegazioni globali nella XAI?. Tradurre l'output finale in diverse lingue europee. Spiegare unicamente un singolo caso specifico o isolato. Ottimizzare radicalmente i tempi di caricamento del modello operativo. Descrivere il funzionamento complessivo del sistema su tutti i dati.

01. Cosa indicano esplicitamente i coefficienti beta nella regressione lineare?. Il tempo effettivo necessario in ore per l'addestramento totale. La forza e la direzione dell'associazione tra feature e risultato. La profondità massima raggiunta dai livelli della rete neurale. Il numero totale di nodi presenti nell' albero decisionale.

02. Quali sono le proprietà essenziali dei modelli "white-box"?. Opacità, altissima velocità esecutiva e scalabilità orizzontale. Simulabilità, scomponibilità e trasparenza algoritmica. Forte dipendenza dai dati, asimmetria cronologica e imprevedibilità. Elevata complessità strutturale, non-linearità e tendenza all'overfitting.

03. Cosa si intende per "simulabilità" di un modello XAI?. La capacità umana di simularne mentalmente il ragionamento sui dati. La possibilità tecnica di convertirlo automaticamente in linguaggio C++. L'uso esclusivo del modello in ambienti simulati di realtà virtuale. La facilità assoluta di eseguirlo su un computer portatile economico.

01. Come altera i dati di input la tecnica di Permutation Importance?. Sostituendo brutalmente tutti i valori numerici presenti con degli zeri. Cancellando sistematicamente intere righe scelte a caso dal dataset originale. Attraverso lo shuffling casuale dei valori all'interno della stessa colonna. Traducendo in automatico l'intero testo inserito in una lingua diversa.

02. Cosa misurano gli approcci XAI basati sull'occlusione o sulla perturbazione?. La dimensione informatica del file sorgente che contiene i dati. Esclusivamente il numero di strati nascosti operativi della rete neurale. L'effetto della alterazione o rimozione di un input sulla qualità della predizione. La quantità effettiva di energia elettrica consumata dal server centrale a seconda dell'alterazione del problema.

03. Cosa indica un'importanza prossima allo zero valutata nella Permutation Importance?. Significa che la variabile analizzata è irrilevante o puramente ridondante. Dimostra che la variabile in questione è fondamentale per la classificazione. Certifica che si è verificato un fatale errore nel calcolo stocastico. Evidenzia che il computer utilizzato non ha abbastanza memoria allocabile.

04. Qual è il principale punto di forza della tecnica Permutation Importance?. Il fatto di essere model-agnostic e non richiedere alcun ri-addestramento. Sostituire l'uso standard di Python con linguaggi di programmazione molto più veloci. Poter modificare a piacimento l'architettura interna della rete neurale analizzata. L'essere notevolmente più precisa per analizzare i dati di tipo immagine.

05. Cosa cercano di apprendere esattamente le "Meaningful Perturbations" per le immagini?. Scoprire la maschera minima che causa il massimo impatto sulla predizione. Riconoscere l'esatta identità anagrafica della singola persona che viene fotografata. Calcolare la precisa risoluzione nativa dell'immagine prima di applicare la compressione. Trovare unicamente i colori più vivaci presenti nello sfondo dell'immagine.

06. Quale tecnica di alterazione è preferita per applicare le Meaningful Perturbations?. L'utilizzo di una specifica versione sfocata (blur) dell'immagine originale analizzata. Cancellare totalmente l'immagine e ricrearla da zero tramite un'intelligenza artificiale generativa. Inserire forzatamente grandi blocchi di pixel neri solidi sui volti ritratti. Invertire matematicamente e in modo completo i colori dell'immagine in negativo.

07. Quale diffusa libreria creata da Meta implementa correntemente tecniche basate su occlusione?. La libreria Scikit-Learn ampiamente usata per il machine learning tradizionale classico. La libreria Captum progettata per l'interpretabilità dei vari modelli PyTorch. Il framework TensorFlow, specifico ed esclusivo per addestrare enormi reti neurali. Il pacchetto software Pandas dedicato solamente a manipolazione di grandi dataframe.

01. Quale fattore è indicato come limitazione sia tecnica che teorica nota per LIME?. L'evidente instabilità delle spiegazioni generate a causa del sottostante processo di campionamento stocastico. Obbliga sempre il suo utilizzatore a scrivere a mano tutte le noiose regole di tipo IF-THEN. Rappresenta attualmente l'unico sistema sul mercato globale che non supporta in alcun modo l'uso di immagini. Prima di produrre output utili va a sostituire del tutto il modello originale, di fatto distruggendolo.

03. I popolari metodi LIME e SHAP sono normalmente considerati approcci model-agnostic?. No, poiché tendono a cambiare irrimediabilmente l'architettura del modello durante l'uso pratico. No, in quanto richiedono necessariamente un accesso diretto ai gradienti interni. Sì, ma si sa che funzionano bene unicamente per la regressione lineare. Sì, perché trattano sempre il modello analizzato come un'interfaccia input-output.

04. Qual è l'intuizione fondamentale che sta alla base del metodo LIME?. Tradurre internamente stringhe di regole complesse per spiegare l'algoritmo. Ottimizzare l'hardware del server per poter ridurre drasticamente i tempi medi di addestramento. Approssimare localmente il comportamento di modelli complessi usando modelli lineari semplici. Utilizzare avanzati algoritmi genetici autonomi per modificare progressivamente la struttura del dataset.

03. Quali dimensioni impongono un trade-off negli approcci basati su regole?. Costo, Tempo e Risorse umane. Precisione, Recall e F1-score. Velocità, Memoria e Accuratezza. Leggibilità, Numerosità e Fedeltà.

01. Qual è il vantaggio dei Concept Bottleneck Models (CBM)?. Forzano il ragionamento tramite concetti intermedi. Funzionano completamente senza supervisione umana. Sono più veloci da addestrare. Non richiedono dati etichettati.

01. Quale proprietà evita suggerimenti su feature immutabili nei controfattuali?. Actionability. La diversità. La plausibilità. La stabilità.

02. Cosa cercano di spiegare le tecniche basate su istanza?. Singole istanze di predizione. I pesi statistici dell'algoritmo. La funzione di loss istantanea della rete. L'intero comportamento del modello globale istanziato.

03. Cosa impone la proprietà di "minimalità" in un controfattuale?. Il cambiamento suggerito deve essere il più piccolo possibile. Il controfattuale deve corrispondere a minimo subset di istanze del dato reale. Devono esserci pochissime regole attive. Il dataset deve essere di piccole dimensioni.

04. Cosa sono i controfattuali endogeni?. Istanze sintetiche generate ad hoc dall'algoritmo. Regole logiche estratte da un albero. Istanze già esistenti nel dataset di addestramento. Prototipi che rappresentano la media della classe.

05. Qual è la logica di base dell'algoritmo XAI NNCE?. L'uso di reti neurali convoluzionali. La discesa del gradiente nello spazio latente. L'uso di algoritmi genetici e mutazioni continue. La ricerca del vicino dissimile più prossimo.

06. Qual è il rischio maggiore dei controfattuali esogeni?. Non riuscire mai a trovare una soluzione. Generare controfattuali poco plausibili o assurdi. Riprodurre fedelmente i bias storici dell'azienda. Risultare troppo simili ai dati reali originali.

04. Quale meta-euristica costituisce il cuore del framework CFNOW?. Le tecniche di Gradient Boosting. Gli algoritmi genetici classici. La Tabu Search. L'algoritmo di Simulated Annealing.

01. Cosa descrive l'effetto Rashomon in ambito Machine Learning?. L'incapacità cronica di trovare un singolo controfattuale valido. Tutti i modelli che producono sistematicamente la medesima spiegazione. Modelli ugualmente validi che forniscono spiegazioni tra loro opposte. La forte tendenza a forzare regole troppo sintetiche.

02. Cos'è il Model Variability Problem nel contesto XAI?. L'eccessivo numero di modelli disponibili sul mercato. L'instabilità delle spiegazioni tra esecuzioni e run diverse. La notevole differenza di performance tra training e test. L'utilizzo di metriche di distanza profondamente diverse.

03. Cosa comporta la standardizzazione Z-score sulle feature?. Le rende decisamente più leggibili per gli esperti. Le priva delle loro unità di misura naturali. Le converte direttamente in variabili categoriche. Mantiene sempre inalterato il loro significato semantico.

04. Come si definisce concettualmente un modello intrinsecamente interpretabile?. Non può mai essere applicato a dati tabulari. La logica interna è comprensibile senza ausili esterni. Impiega reti neurali estremamente profonde e complesse. Richiede l'uso obbligatorio di spiegazioni post-hoc.