Cosa si intende per hard computing? Nessuna delle altre opzioni
Sono tecniche in grado di gestire dati provenienti da sorgenti eterogenee
Sono tecniche in grado di gestire anche dati qualitativi, incerti, imprecisi ed incompleti
Sono le tecniche convenzionali di calcolo
.
Quale è la caratteristica peculiare delle tecniche di soft computing? Sono tecniche in grado di gestire dati provenienti da sorgenti eterogenee
Nessuna delle altre opzioni Sono tecniche in grado di gestire dati senza rumore Sono tecniche in grado di gestire anche dati qualitativi, incerti, imprecisi ed incompleti.
Nel contesto dei sistemi esperti, cosa significa trovare una soluzione ad un problema? Effettuare una ricerca nello spazio degli stati
Effettuare domande agli utenti
Utilizzare i dati utilizzati da un algoritmo
Nessuna delle altre opzioni
.
Che cosa è un sistema esperto? Un dispositivo Un programma Un ingegnere Un modello.
Cosa si intende per sistema esperto?.
Discutere le differenze fra soft computing ed hard computing
.
Fornire una definizione di Intelligenza Artificiale
.
Disegnare la tassonomia delle tecniche di Intelligenza Artificiale discusse nel corso
.
Come si descrive tipicamente il dominio di un problema nei sistemi esperti?
Nessuna delle altre opzioni
Per mezzo di discussioni fra esperti
Per mezzo di vettori e matrici
Per mezzo di fatti e regole
.
Quale è il modulo attivo di un sistema esperto?
Nessuna delle altre opzioni
La base di conoscenza
L'interfaccia con l'utente
Il motore inferenziale
.
Che cosa si intende per conoscenza?
.
Da quali moduli è costituito un sistema esperto?.
Da quali moduli è costituito un sistema esperto? Interfaccia con l'utente, modulo spiegazione, modulo aggiornamento, motore inferenziale, visualizzatore dei risultati
Interfaccia con l'utente, modulo spiegazione, modulo aggiornamento, base di conoscenza, visualizzatore dei risultati
Interfaccia con l'utente, modulo spiegazione, modulo aggiornamento, base di conoscenza, motore inferenziale, visualizzatore dei risultati
Interfaccia con l'utente, modulo spiegazione, modulo aggiornamento, base di conoscenza, motore inferenziale
.
Quale è la differenza fra dati, informazione e conoscenza?.
Discutere l'architettura di un sistema esperto.
Cosa si intende per spazio degli stati?.
Fornire un esempio di ricerca nello spazio degli stati.
Che cosa è il backtracking? L'algoritmo per l'addestramento di un percettrone
L'algoritmo per l'addestramento delle reti neurali feedforward
Si utilizza nelle tecniche di ricerca: quando si arriva ad una foglia che rappresenta una soluzione non ammissibile, si torna indietro all'ultimo nodo visitato dal quale è possibile riprendere la ricerca
Si utilizza nelle tecniche di ricerca: quando si arriva ad una foglia che rappresenta una soluzione non ammissibile ci si ferma senza tornare indietro
.
Come avviene la ricerca euristica in profondità? Si sceglie un percorso (ad esempio, su base stocastica) e lo si segue (o meglio, si costruisce) attraverso livelli di profondità crescente finché si trova una soluzione ovvero si arriva alla fine del percorso.
Nessuna delle altre opzioni
Tale ricerca esamina in modo esaustivo lo spazio degli stati senza discriminare, basandosi sulla probabilità di successo, tra un cammino e l'altro.
Si generano tutti i possibili successori dello stato iniziale. Se nessuno di essi è uno stato finale, si genera il livello successivo creando tutti i possibili successori dei nodi del livello appena visitato. Il processo si arresta quando si raggiunge uno stato finale.
.
Cosa si intende per ricerca cieca dello spazio degli stati? Tale ricerca esamina in modo gready lo spazio degli stati basandosi sulla probabilità di successo tra un cammino e l'altro
Nessuna delle altre opzioni
Tale ricerca esamina in modo intelligente lo spazio degli stati basandosi sulla probabilità di successo tra un cammino e l'altro
Tale ricerca esamina in modo esaustivo lo spazio degli stati senza discriminare, basandosi sulla probabilità di successo, tra un cammino e l'altro
.
Come avviene la ricerca euristica in ampiezza? Nessuna delle altre opzioni
Si generano tutti i possibili successori dello stato iniziale. Se nessuno di essi è uno stato finale, si genera il livello successivo creando tutti i possibili successori dei nodi del livello appena visitato. Il processo si arresta quando si raggiunge uno stato finale.
Tale ricerca esamina in modo esaustivo lo spazio degli stati senza discriminare, basandosi sulla probabilità di successo, tra un cammino e l'altro.
Si sceglie un percorso (ad esempio, su base stocastica) e lo si segue (o meglio, si costruisce) attraverso livelli di profondità crescente finché si trova una soluzione ovvero si arriva alla fine del percorso.
.
Discutere pro e contro della ricerca in ampiezza.
.
Discutere pro e contro della ricerca in profondità.
.
Cosa differenzia la ricerca euristica da quella cieca?.
Discutere la differenza fra concatenazione in avanti ed all'indietro.
Cosa sono le regole di produzione? Sono regole di programmazione
Sono regole di tipo If-then
Sono regole matematiche
Nessuna delle altre opzioni
.
Nel contesto di sistemi a regole, cosa si intende per forward chaining? Nessuna delle altre opzioni
L'interprete cerca di le condizioni valide all'interno del data base
L'interpreta cerca nel database i fatti coincidenti con le premesse delle regole
L'interprete cerca di dimostrare un obiettivo tentando di confermare le condizioni che conducono a quell'obiettivo
.
Su cosa si basa il processo di ragionamento basato su reti semantiche? Nessuna delle altre opzioni
Matching Sampling Regole.
Di quali proprietà godono le reti semantiche? Simmetria Polimorfismo Ereditarietà Nessuna delle altre opzioni
.
Cosa sono le reti semantiche? Nessuna delle altre opzioni
Delle tecniche per rappresentare la conoscenza in forma grafica
Delle tecniche per rappresentare in forma grafica le soluzioni
Delle tecniche per rappresentare i dati in forma grafica
.
Nel contesto di sistemi a regole, cosa si intende per backward chaining? Nessuna delle altre opzioni
L'interprete cerca di le condizioni valide all'interno del data base
L'interpreta cerca nel database i fatti coincidenti con le premesse delle regole
L'interprete cerca di dimostrare un obiettivo tentando di confermare le condizioni che conducono a quell'obiettivo
.
Vantaggi e svantaggi delle regole di produzione.
Come avviene il ragionamento nelle reti semantiche? Fornire un esempio.
Discutere l' ereditarietà nelle reti semantiche.
Che tipo di conoscenza si può esprimere utilizzando le regole di produzione?.
Fornire un esempio di reti semantiche?.
Cosa consentono di gestire i frame? Le eccezioni
Nessuna delle altre opzioni
I dati provenienti da sorgenti incerte
Il polimorfismo
.
Cosa sono le relazioni nei frame? I metodi dei frame
Gli attributi che specificano le proprietà dei frame
Valori di uno slot del tipo IS_A che consentono di organizzare gli oggetti in gerarchie
Nessuna delle altre opzioni
.
Cosa sono i frame? Sistemi basati su regole semantiche
Sistemi a regole
Strutture che rappresentano oggetti o classi di oggetti
Reti neuronali artificiali
.
Cosa sono gli slot dei frame? Gli attributi che specificano le proprietà dei frame
Le regole dei frame
I metodi dei frame
Nessuna delle altre opzioni
.
Di quali proprietà godono i frame? Nessuna delle altre opzioni
Ereditarietà
Simmetria Polimorfismo
.
Come vengono chiamati i frame quando vengono utilizzati per descrivere degli oggetti specifici? Nessuna delle altre opzioni
Slot Istanze Relazioni.
Fornire un esempio di frame.
Discutere le procedure IF-NEEDED e IF-ADDED nei frame fornendone un esempio di utilizzo.
Cosa sono le eccezioni nei frame? Fornire un esempio di in cui si gestisce una eccezione.
Come si può passare dalla rappresentazione della conoscenza sotto forma di reti semantiche alla rappresentazione utilizzando i frames. Is a è un tipo specifico di relazione, ma ce ne sono altre.
Cosa è una implicazione fra proposizioni? È una nuova proposizione È una formula logica che consente di costruire nuove proposizioni È una formula matematica che consente di costruire nuove proposizioni È una equivalenza fra proposizioni.
Cosa è una proposizione? È una frase dal significato incerto È una frase sempre vera È una frase sempre falsa È una frase che può essere vera o falsa.
Quali sono i principali vantaggi della logica per la costruzione dei sistemi esperti? Semplicità Robustezza al rumore Nessuna delle altre opzioni Precisione.
Che cosa è il modus ponens? Il metodo di inferenza dei frame Nessuna delle altre opzioni Il metodo di inferenza delle reti semantiche Il metodo di inferenza della logica delle proposizioni.
Che cosa è un predicato? È un relazione fra argomenti che restituisce un valore logico È una proposizione È un relazione fra argomenti che restituisce un valore reale È un argomento.
Principio di risoluzione di Robinson. Discutere.
Cosa si intende per inferenza?.
Discutere i quantificatore universale ed esistenziale.
Cosa è un predicato? Che tipi di argomenti si possono utilizzare?.
Cosa sono le reti RBF?.
Quali sono i problemi e le possibili soluzioni che si possono incontrare nell'addestramento di una rete feedforward?.
Cosa sono le epoche di addestramento di una rete feedforward?.
Quali potrebbero essere i criteri di stop per l'addestramento di una rete feedforward?.
Come si possono utilizzare le reti feedforward per la classificazione?.
Come avviene l'apprendimento di una rete feedforward?.
Perché sono state introdotte le reti multi-strato? Non bastava il semplice percettrone?.
In cosa consiste l'addestramento di un percettrone? Discutere l'algoritmo delta rule.
Disegnare e discutere lo schema e i parametri di una rete feedforward.
Come avviene la generazione dei pesi iniziali nell'algoritmo backpropagation? Con il metodo dei minimi quadrati Nessuna delle altre alternative A caso Con la propagazione all'indietro dell'errore.
Che problemi possono essere risolti con le reti neurali feedforward? Generazione di regole associative Classificazione Clustering Ottimizzazione.
Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward? Presenza di feedback Presenza di funzioni soglia Ogni unità è collegata solo a quella dello strato successivo Presenza di pesi sulle connessioni.
Quale fra le seguenti caratteristiche non è tipica di una rete neurale feedforward? Presenza di pesi sulle connessioni Presenza di funzioni soglia Presenza di stato interno Ogni unità è collegata solo a quella dello strato successivo.
Come si chiama l'algoritmo di apprendimento delle reti feedforward? Sequential covering Back propagation Delta rule Nessuna delle altre alternative.
Quante uscite in genere si usano nelle reti neurali feedforward quando si vuole risolvere un problema di classificazione con C classi? Dipende dal numero di campioni disponibili per ciascuna classe C Due Dipende dal numero di istanze del training set.
Come si chiama l'algoritmo di apprendimento dei parametri di un percettrone? Nessuna delle altre alternative Sequential covering Back propagation Deltra rule.
Di che tipo è l'uscita del percettrone? Ordinale Intera Reale Binaria.
Cosa significa addestarre un percettrone? Identificare il numero di ingressi Identificare il numero di pesi identificare il numero di neuroni Nessuna delle altre alternative.
Cosa deve simulare un percettrone? Il funzionamento di un assone Il funzionamento di una rete neurale Il funzionamento del cervello Il funzionamento di un neurone.
Che cosa è il percettrone? L'elemento base dell'FP-growth L'elemento base delle reti neurali artificiali L'elemento base per il clustering L'elemento base degli alberi di decisione.
Discutere le principali funzioni di attivazione che possono essere usate nei percettroni.
Cosa è il percettrone? Disegnare la sua struttura e discutere i suoi parametri.
In cosa consiste la progettazione di una rete neurale?.
Quali sono le principali componenti di una rete neurale?.
Quali sono i parametri caratteristici di un rete neurale artificiale? L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle uscite L'insieme dei neuroni, l'insieme dei pesi associati ai collegamenti, l'insieme delle soglie o dei livelli di attivazione Nessuna delle altre alternative L'insieme dei neuroni, l'insieme dei pesi associati ai neuroni, l'insieme delle soglie o dei livelli di attivazione.
Esistono differenze fra problemi di clustering e di classificazione? Dipende Si Solo a volte No.
Cosa si intende per classificazione binaria? Gli attributi per la descrizione degli oggetti sono tutti binari Gli attributi per la descrizione degli oggetti sono in parte binari Si considerano solo due classi Nessuna delle altre alternative.
Come sono i dataset che in genere si utilizzano nel contesto della classificazione? Non etichettati Filtrati Etichettati Senza valori mancanti.
Che tipo di apprendimento si utilizza quando si creano modelli di classificazione? Supervisionato Semi supervisionato Non supervisionato Nessuna delle altre alternative.
Discutere la differenza fra classificazione binaria e classificazione multi-classe.
Cosa sono i multi-classificatori?.
Discutere le principali differenze fra classificazione e clustering.
Riassumere brevemente le fasi del processo di classificazione.
Gli algoritmi di clustering si utilizzano per generare: Modelli associativi Metodi di ottimizzazione Modelli predittivi Modelli descrittivi.
Un algoritmo di clustering produce cluster di alta qualità se assicura: Bassa similarità intra-cluster e alta similarità inter-cluster Alta similarità intra-cluster e bassa similarità inter-cluster Bassa similarità intra-cluster e bassa similarità inter-cluster Alta similarità intra-cluster e alta similarità inter-cluster.
Con riferimento agli algoritmi di clustering, quali delle seguenti affermazione è falsa? Gli algoritmi di clustering aspirano a trovare gruppi nei dati in modo tale che la somiglianza dei dati all'interno dello stesso gruppo sia alta e sia bassa per punti appartenenti a gruppi diversi. E' sempre noto apriori il numero di cluster da cercare Non ci sono classi predefinite, l'apprendimento del modello non avviene utilizzando esempi etichettati Gli algoritmi di clustering possono essere utilizzati per la compressione dei dati.
Che tipo di apprendimento si utilizza quando si creano modelli per il clustering? Non supervisionato Parzialmente supervisionato Supervisionato Semi-supervisionato.
Discutere la principale differenza fra clustering e classificazione.
Quali sono i principali requisiti che devono assicurare gli algoritmi di clustering?.
Discutere la principale differenza fra apprendimento supervisionato e non supervisionato.
Definire il concetto di cluster.
Se una tecnica di discretizzazione dei dati utilizza le etichette delle classi e le informazioni da esse derivanti di che tipologia è? Non supervisionata Parametrica Supervisionata Semi-supervisionata.
A cosa serve la normalizzazione dei dati? Si tratta di una sorta di filtraggio per rimuovere l'eventuale rumore che affligge i dati Nessuna delle altre alternative Viene spesso utilizzata per discretizzare gli attributi Viene spesso utilizzata nella fase di data transformation per fare in modo che tutti gli attributi abbiano lo stesso peso o influenza.
Cosa si intende per splitting? E' una tecnica di discretizzazione basata sul binning E' fase di un processo di discretizzazione in cui si identificano ricorsivamente uno o più punti in cui suddividere gli intervalli di definizione degli attributi E' una tecnica di discretizzazione basata sul clustering E' la fase di un processo di discretizzazione in cui gli attributi vengono trasformati in modo che abbiano tutti lo stesso peso o influenza.
Cosa si intende per data transformation e quali sono le principali tecniche ad essa collegate?.
Discutere la discretizzazione dei dati e la tassonomia delle tecniche esistenti.
Cosa sono le gerarchie di concetti? Per cosa possono essere utili?.
Quali fra le seguenti sono tecniche parametriche per la riduzione della numerosità? KNN Classificatori bayesiani Regressione lineare e modelli log-lineari Alberi di decisione.
Quale fra le seguenti non è una tecnica non parametrica per la riduzione della numerosità? Campionamento Istogrammi Regressione lineare e modelli log-lineari Clustering.
Discutere la mutua informazione fra due attributi/variabili e spiegare come può essere utilizzata nel processo di selezione di attributi.
Quali delle seguenti tecniche di classficazione possono essere usate anche per la selezione degli attributi? Classificatori bayesiani Reti neuronali feed forward Alberi di decisione KNN.
Nella strategia di selezione all'indietro, il processo di selezione di attributi in genere comincia con: Un insieme iniziale di attributi vuoto Un insieme iniziale contenente un certo numero di attributi a caso Nessuna delle altre alternative Un insieme iniziale contenente tutti gli attributi.
03. Nella strategia di selezione in avanti, il processo di selezione di attributi in genere comincia con: Nessuna delle altre alternative Un insieme iniziale contenente un certo numero di attributi a caso Un insieme iniziale di attributi vuoto Un insieme iniziale contenente tutti gli attributi.
La selezione degli attributi è in sostanza in problema di: Classificazione Nessuna delle altre alternative Ottimizzazione Regressione.
Cosa si intende per attributi ridondanti e irrilevanti?.
Discutere le differenze fra metodi wrapper e metodi filter per la selezione di attributi.
Per cosa può essere utilizzata la principal component analysis? Riduzione della dimensionalità Nessuna delle altre alternative Integrazione dei dati Selezione di attributi.
Cosa si intende per riduzione dei dati lossless? Nessuna delle altre alternative La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali.
Cosa si intende per riduzione dei dati lossy? Nessuna delle altre alternative La tecnica utilizzata consente di ricostruire i dati originali da quelli ridotti senza alcuna perdita di informazione La tecnica utilizzata per la riduzione consente di ricostruire i dati originali solo tramite una approssimazione degli stessi La tecnica utilizzata per la riduzione non consente di ricostruire i dati originali.
Per cosa può essere utilizzata la trasformata discreta wavelet? Nessuna delle altre alternative Selezione di attributi Riduzione della dimensionalità Integrazione dei dati.
Discutere l'idea di base della PCA.
Discutere la trasformata discreta wavelet e suoi vantaggi.
Discutere il problema della dimensionalità e come la riduzione dei dati aiuta a risolverlo.
Per quale fase si può utilizzare l'analisi di correlazione nel processo di data integration? Identificazione e risoluzione dei conflitti nei dati Identificazione delle ridondanze Nessuna delle altre alternative Identificazione delle entità.
Quale è l'obiettivo principale della fase di data integration? Ottenenere una memorizzazione coerente per i dati derivanti da sorgenti multiple di memorizzazione Ridurre la quantità di dati da integrare Nessuna delle altre alternative Ripulire i dati dal rumore.
Quali sono i passi da effetuare nel processo di data integration? Identificazione delle entità, Identificazione e risoluzione dei conflitti nei dati, identificazione delle ridondanze Identificazione delle identità, Identificazione e risoluzione dei conflitti nei dati, identificazione delle ridondanze Nessuna delle altre alternative Identificazione delle entità, identificazione dei conflitti nei dati, identificazione delle ridondanze.
Cosa si intende per identificazione delle ridondanze? Come si possono gestire?.
Quali sono i conflitti che possono apparire nei dati?.
Quando si parla di data integration, cosa sono e come si usano i metadati?.
Con quali tecniche si gestiscono i missing value? Nessuna delle altre alternative Data cleaning Data Reduction Data Transformation.
Quali fra le seguenti tecniche non si usano in fase di gestione dei missing value? Ignorare la tupla contenente valori mancanti Nessuna delle altre alternative Riempimento a mano dei valori mancanti Sostituzione dei valori mancanti con il valore più probabile.
L'analisi degli outlier può essere usata per: Identificare e gestire i dati rumorosi Nessuna delle altre alternative Ridurre la dimensionanalità Identificare e gestire i missing value.
L'analisi in regressione può essere usata per: Fare selezione di attributi Gestire dati provenienti da sorgenti eterogenee Identificare e gestire i dati rumorosi Nessuna delle altre alternative.
Quali sono i principali obiettivi del processo di data cleaning?.
Descrivere come si possono gestire i missing value (valori mancanti) nel processo di data cleaning.
Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati? Nessuna delle altre alternative Pulizia dei dati Integrazione dei dati Riduzione dei dati.
Quali fra i seguenti passaggi non fanno parte della pre-elaborazione dei dati? Riduzione dei dati Trasformazione dei dati Pulizia dei dati Gestione dei dati.
Cosa si intende per riduzione della dimensionalità? Si parla di riduzione dimensionale quando i dati sono sostituiti da delle rappresentazioni di più piccole dimensioni si parla di riduzione della numerosità (esempio uso di
cluster o istogrammi) Si parla di riduzione dimensionale quando i dati sono sostituiti da dati sottocampionati Nessuna delle altre alternative Si parla di riduzione dimensionale quando vengono applicate delle tecniche per codificare i dati secondo degli schemi precisi al fine di ottenere una rappresentazione compressa o ridotta dei dati originali (esempio uso di Trasformate o tecniche di selezione di attributi).
Perché è necessario il trattamento preliminare dei dati?.
Quali sono i principali fattori che caratterizzano la qualità dei dati?.
01. A cosa serve la cross validation? A migliorare la capacità di generalizzazione dei modelli A migliorare l'accuratezza dei modelli A migliorare l'adattabilità dei modelli Nessuna delle altre alternative.
Cosa succede durante un addestramento non supervisionato? I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica conoscenza del dominio del problema Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico Nessuna delle altre alternative Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross valtidation.
Cosa succede durante un addestramento supervisionato? Vengono utilizzati dei dati che sono solo in parte etichettati. La parte restante e non etichettata viene utilizzata per la cross valtidation Nessuna delle altre alternative Vengono utilizzati dei dati etichettati, ovvero dove si conosce il valore dell'uscita desiderata, sia essa una classe o il valore di una funzione, a fronte di un ingresso specifico I dati che si utilizzano non sono etichettati e gli algoritmi di apprendimento mirano ad estrarre la conoscenza (i parametri del modello) senza avere una specifica.
04. Che cosa è l'overfitting? E' il fenomeno per cui in fase di addestramento un modello allontana molto dal campione osservato e assume una grande capacita di generalizzazione Nessuna delle altre alternative E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e assume una grande capacita di generalizzazione E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e perde la capacita di generalizzazione.
05. Discutere il problema dell'overfitting.
Discutere il processo della cross validation.
Che cosa è l'overfitting? E' il fenomeno per cui in fase di addestramento un modello allontana molto dal campione osservato e assume una grande capacita di generalizzazione Nessuna delle altre alternative E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e assume una grande capacita di generalizzazione E' il fenomeno per cui in fase di addestramento un modello si adatta al campione osservato e perde la capacita di generalizzazione.
05. Discutere il problema dell'overfitting.
Discutere il processo della cross validation.
Elencare le differenze fra boosting e bagging.
01. Quali sono i pilastri operativi su cui si basa ogni algoritmo di data mining? Esporazione, Modellazione, Valutazione Selezione, Modellazione, Valutazione Nessuna delle altre alternative Esporazione, Valutazione, Visualizzazione.
Cosa si intende per knowledge elicitation? Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Nessuna delle altre alternative.
03. A cosa servono i modelli predittivi? Nessuna delle altre alternative Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali. Il loro obiettivo è quello di descrivere i dati per effettuare delle previsioni future. Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai
dati.
A cosa servono i modelli descrittivi? Vengono utilizzati per descrivere i dati per effettuare delle previsioni future. Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai dati Nessuna delle altre alternative Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
Quali sono le fasi del KDD?.
05. Quali sono le fasi del KDD?.
Discutere la differenza fra modelli predittivi e descrittivi.
02. Cosa si intende per knowledge elicitation? Il confronto fra gli esperti informatici e matematici al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Il confronto fra gli esperti informatici e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Il confronto fra gli esperti di uno specifico dominio e l'ingegnere della conoscenza al fine di aggiungere in fase di modellazione elementi che potrebbero non essere estraibili dai dati. Nessuna delle altre alternative.
A cosa servono i modelli predittivi? Nessuna delle altre alternative Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali. Il loro obiettivo è quello di descrivere i dati per effettuare delle previsioni future. Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai dati.
04. A cosa servono i modelli descrittivi? Vengono utilizzati per descrivere i dati per effettuare delle previsioni future. Vengono utilizzati per descrivere la struttura organizzativa e la distribuzione dei dati. L'obiettivo di questi modelli e quello di approfondire la conoscenza nascosta dietro ai dati Nessuna delle altre alternative Utilizzano i loro parametri e meccanismi caratteristici per effettuare delle previsioni future che possono essere utili nei processi decisionali.
Su cosa si basano i sistemiCBR Nessuna delle altre opzioni Regole di produzione Reti semantiche frame.
02. Cosa è un sistema CBR? Un algoritmo evolutivo Nessuna delle altre opzioni Un sistema esperto Una rete neuronale.
03. Quale fra i seguenti passi non fa parte dei sistemi CBR? Riusa Mantieni Recupera Combina.
|
