| | 1. # Quan parlem d'agents intel·ligents, |
| | Intel·ligent, en aquest cas, vol dir que actua seguint les lleis del pensament, que es basen en la lògica |
| | Un agent és racional quan per cada seqüència perceptual escull aquella acció que minimitza la seva mesura d'utilitat basant-se en la seqüència i en el coneixement acumulat |
| | Un agent racional és el que per cada seqüència perceptual possible escull l'acció que menys contradiccions lògiques genera respecte la seva base de coneixements |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 2. # En aprenentatge per arbres de decisió: |
| | No es poden aprendre funcions que tinguin atributs amb valors numèrics continus, per que els arbres de decisió només accepten atributs discrets |
| | L'arbre més petit que és consistent amb els exemples és sempre l'arbre que millor resultats dona amb el conjunt de test |
| | L'overfitting es dona quan donada una hipòtesi h, existeix una hipòtesi h' tal que h té menor error que h' sobre el conjunt d'exemples, però h' té un error menor sobre l'espai d'exemples |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 3. # En el mètode de l'espai de versions, |
| | Diem que hi ha overfitting si el conjunt S o el G queden buits |
| | Si ens arriba un exemple positiu, s'han de generalitzar aquells models de G que no són consistents amb l'exemple |
| | Si ens arriba un exemple negatiu, s'han d'eliminar aquells models generals (de G) que són consistents amb l'exemple |
| | Un cop ja hem processat tots els exemples proporcionats pel professor, si arriba un exemple desconegut que és cert per tots els elements de S que han quedat, podem afirmar amb certesa que és cert |
| | No contesto... |
| |
| | 4. # En l'aprenentatge mitjançant algorismes genètics |
| | Els codis de Gray per representar nombres naturals són pitjors (respecte a la propietat d'adjacència) que la codificació binària |
| | El mètode d'ordenació ens assegura que tots els cromosomes tenen una probabilitat no nul·la de passar a la següent generació, i aquesta probabilitat no és directament proporcional al valor de la funció d'adaptació |
| | Els algorismes genètics no es poden veure en cap cas com un algorisme de recerca, perquè no obren cap arbre |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. # En aprenentatge Bayesià, |
| | Si assumim que totes les hipòtesis són equiprobables, llavors la hipòtesi més probable s'anomena hipòtesi MAP |
| | El classificador òptim de Bayes es pot implementar fàcilment només quan tenim un nombre gran d'hipòtesis possibles |
| | El classificador òptim de Bayes ens diu com classificar un exemple desconegut a partir de la combinació de les previsions de totes les hipòtesis possibles |
| | Totes les anteriors |
| | No contesto... |
| |
| | 6. En aprenentatge per memorització: |
| | Si tenim un arbre de decisió amb un factor de ramificació de 2 i profunditat d, llavors l'arbre tindrà 2b fulles. Per tant el nombre de comparacions que hem de fer per trobar el veí més proper de forma segura és menor que log2(n) |
| | L'arbre de decisió que creem té un factor de ramificació igual al nombre de dimensions de les dades d'entrenament |
| | L'arbre de decisió que creem sempre té un factor de ramificació 2 |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 7. En reconeixement de la parla: |
| | Donat un episodi típic de comunicació, en el qual un agent S vol comunicar una proposició P a un altre agent H amb les paraules W, anomenem GENERACIÓ al fet que S vol que H cregui P. Això vol dir que creu que hi ha alguna cosa que val la pena de ser comunicada, i per tant requereix raonar sobre les creences i objectius de H |
| | El model de llenguatge anomenat trigrama es crea a partir de la probabilitat de que una paraula en segueixi una altra donada |
| | Una de les causes de la variabilitat del model acústic són les variants dialectals. Les diferents alternatives es poden representar amb un formalisme anomenat model de Markov |
| | Totes les anteriors |
| | No contesto... |
| |
| | 8. En comprensió de la parla: |
| | Una xarxa de transició recursiva NO pot tenir símbols No Terminals als arcs |
| | Les xarxes de transició recursives no poden reconèixer qualsevol llenguatge generat per una gramàtica lliure de context. |
| | Al final de l'anàlisi semàntica, si hi ha algun disparador de regla que es pot satisfer però no podem satisfer cap condició d'aquella regla, llavors l'anàlisi semàntica falla |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 9. En visió, |
| | L'aprenentatge de noves habilitats per observació és un ús teòric de la visió |
| | El nivell d'implementació de la teoria de Marr intenta respondre les següents preguntes: Com podem implementar la teoria computacional? Quines són les representacions i quins són els algorismes? |
| | Els contorns d'una imatge són aquells punts on la segona derivada és zero en la direcció del gradient |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 10. En robòtica, |
| | Un robot en que el nombre de graus de llibertat controlables és menor que el real, s'anomena robot no-holonòmic |
| | La propiocepció permet saber en quin lloc del món està un robot |
| | L'espai de configuracions original d'un robot és un espai discret amb milers d'estats |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 11. Problemes. En l'algorisme ID3, durant la construcció de l'arbre de decisió, quan ens queden exemplse per classificar i ja no ens queden atributs: |
| | No podem classificar ja que a lno tenir més atributs no tenim cap manera de determinar la classe a la que pertanyen els exemples |
| | Si ens trobem el cas que ens queden tants exemples positius com negatius, llencem un procés aleatori per triar com quedarà classificat el node |
| | Etiquetem amb el valor més comú, és a dir amb l'etiqueta predominant als exemples que ens queden |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 12. Problemes. L'objectiu de la quantització vectorial és: |
| | Agrupar el conjunt de mostres en clusters per posteriorment poder fer una classificació de noves mostres utilitzant l'algorisme del veí més proper |
| | Canviar la dimensió de l'espai de les nostres dades de manera que, tot i que passin a ocupar més espai, siguin més tractables computacionalment i puguin ser aplicades a mètodes de classificació |
| | El número de centres utilitzat és depenent de la dimensió de l'espai on es troben les nostres dades |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 13. Problemes. Aprenentatge bayesià. Donada la següent taula d'exemples
| Name | Give Birth | Can Fly | Live in Water | Have Legs | Class |
| human | yes | no | no | yes | mammals |
| python | no | no | no | no | non-mammals |
| whale | yes | no | yes | no | mammals |
| komodo | no | no | no | yes | non-mammals |
| bat | yes | yes | no | yes | mammals |
| pigeon | no | yes | no | yes | non-mammals |
| cat | yes | no | no | yes | mammals |
| porcupine | yes | no | no | yes | non-mammals |
| owl | no | yes | no | yes | non-mammals |
| dolphin | yes | no | yes | no | mammals |
Ens arriba una nova instància:
Give Birth: yes, Can Fly: no, Live in Water: yes, Have Legs: no, Class: ?
i la volem classificar utilitzant el classificador ingenu de Bayes. Quina de les següents afirmacions és incorrecta: |
| | P(A|'mammal')=5/54 |
| | El classificador etiqueta la instància com a 'mammal' |
| | P(A|'non-mammal')=0 |
| | El classificador no pot etiquetar perquè arriba a una incongruència |
| | No contesto... |
| |
| | 14. Problemes. Donat el següent espai de versions:
S={(Japan,Honda,blue,1980,Economy)}
G={(any,Honda,any,any,any),(any,any,blue,any,any),(any,any,any,1980,any),(any,any,any,any,Economy)}
on els atributs són: País d'origen, Fabricant, color, Dècada de fabricació, Gamma
Ens arriba un exemple positiu: (Japan, Toyota, blue, 1990, Economy) |
| | Actualitzem l'espai de versions com:
S={(Japan,Toyota,blue,any,Economy)}
G={(any,any,blue,any,any),(any,any,any,any,Economy)} |
| | Actualitzem l'espai de versions com:
S={(Japan,any,blue,any,Economy)}
G={(any,any,blue,any,any),(any,any,any,any,Economy)} |
| | Actualitzem l'espai de versions com:
S={(Japan,any,blue,any,Economy)}
G={(any,any,blue,any,any),(any,any,any,1990,Economy),(any,any,any,1980,Economy)} |
| | No es pot actualitzar l'espai de versions ja que l'exemple positiu que ens arriba fa inconsistent el model específic (tot i que és consistent amb el model general) |
| | No contesto... |
| |
| | 15. Problemes. Llenguatge natural. Donat el següent lexicon, les xarxes de transicions i la taula d'accions:
 
Quina de les següents afirmacions no és correcta? |
| | Si volem analitzar la frase 'A wild dog cried' passem per tots els nodes de les xarxes de transició |
| | Analitzar la frase 'John loves wild', l'objecte de la frase (OBJ) és wild |
| | En fer el pop de cadascuna de les xarxes retornem una estructura del que hem llegit, posant una etiqueta de la xarxa primerament, i una descripció de les funcions de cada paraula a continuació |
| | Si quan fem el test de concordància de número trobem que hi ha intersecció entre els dos conjunts, continuem analitzant la frase tot posant com a número la intersecció dels dos conunts, i si no hi ha intersecció vol dir que hem detectat un error i que per tant la frase és incorrecta sintàcticament |
| | No contesto... |
| |
| | 16. Pràctiques. Algoritmos Genéticos. Según la codificación empleada: |
| | El valor de cada gen indica directamente el orden de visita a las ciudades |
| | Un gen puede tomar cualquier valor entero entre 1 y el número de ciudades a visitar |
| | Al utilizar directamente el operador de mutación puede resultar una ruta en la que se visite dos veces la misma ciudad |
| | La posición del gen en el cromosoma condiciona los posibles valores del mismo |
| | No contesto... |
| |
| | 17. Pràctiques. Aprendizaje Bayesiano. Respecto a la implementación de la aplicación: |
| | Un objeto de la clase Paraulesclau contiene información tanto sobre la probabilidad incondicional de aparición de cada monograma y bigrama como sobre la probabilidad condicionada de los mismos a cada tipo de texto |
| | El método probDePertanyer calcula la probabilidad de que un texto pertenezca a un tipo determinado en función de las probabilidades obtenidas por el Teorema de Bayes y la frecuencia de aparición de las palabras clave en dicho texto. |
| | Un array de objetos de la clase Tipus se utiliza para almacenar las probabilidades incondicionales de aparición de cada tipo de texto y de cada monograma/bigrama |
| | El método clasificador de la clase Lector se utiliza en la fase de test para evaluar la probabilidad de que un texto sea de un tipo determinado |
| | No contesto... |
| |
| | 18. Pràctiques. De quina manera s'utilitza la probabilitat a posteriori de cada classe per classficar un texte en l'aprenentatge bayesià? |
| | S'utilitza, per calcular les probabilitats a priori durant l'aprenentatge, de manera que son aquestes últimes les que s'utilitzen per classificar els textos que ens arriben, utilitzant també la freqüència d'aparició de les paraules clau |
| | La probabilitat a posteriori és directament el valor de la probabilitat de la classe quan classifiquem un texte. Es tria el tipus que te una probabilitat a posteriori més gran. |
| | Per cada classe tria la probabilitat a posteriori de cada paraula i li suma la freqüència de la paraula en el texte, i es multipliquen per totes les paraules. Llavors es queda amb la classe que ha donat probabilitat més gran |
| | Per cada classe tria la probabilitat a posteriori de cada paraula i la multiplica per la freqüència de la paraula en el texte, i es sumen per totes les paraules. Llavors es queda amb la classe que ha donat probabilitats més gran |
| | No contesto... |
| |
| | 19. Pràctiques. Aprendizaje por Reforzamiento. Según las distintas políticas estudiadas. |
| | El método soft-max elige aquella acción cuya probabilidad es mayor, una vez evaluada la fórmula de Gibbs |
| | Q-learning representa la mejor política: actualiza los valores de las parejas acción-estado a partir de la acción con un valor máximo esperado para el nuevo estado |
| | Si empleamos el método soft-max, en el caso de fijar un valor alto para la temperatura (tendiendo a infinito) las acciones tenderán a ser equiprobables |
| | El método e-greedy se comporta mejor que el greedy si e=0 |
| | No contesto... |
| |
| | 20. En l'aprenentatge per reforçament, quina de les següents afirmacions és incorrecta? |
| | L'algorisme Q-Learning actualitza els valors de Q, de manera que intenta arribar a la solució òptima, però aixó no garanteix que funcioni millor que l'agorisme de Sarsa |
| | L'algorisme de Sarsa convergeix depenent de la política aplicada en el mètode de selecció (soft-max o e-greedy) |
| | El factor (gamma) en l'actualització dels valors Q pondera el valor de l'acció posterior donat el següent estat |
| | El mètode de selecció soft-max s'aproxima a e-greedy per temperatures molt petites, sempre que e sigui=1 |
| | No contesto... |
| |