| | 1. Quan parlem d'agents intel·ligents, |
| | Intel·ligent, en aquest cas, vol dir que raona |
| | Diem que un entorn accessible és aquell en que l'estat del món queda determinat per l'estat actual i l'acció que hi aplico |
| | Un agent racional és el que per cada seqüència perceptual possible escull l'acció que maximitza la seva messura d'avaluació, donat el seu coneixement |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 2. En aprenentatge |
| | Diem que tenim un mètode supervisat per reforçament si el mètode utilitza un senyal que li indica si el que ha après és o no és correcte |
| | Diem que és aprenentatge conceptual si la funció que intentem aprendre es pot expressar amb càlcul proposicional |
| | Definim l'extensió d'una hipòtesi com el conjunt d'exemples que ens han donat com exemples positius i són certs segons aquella hipòtesi |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 3. En l'aprenentatge mitjançant algorismes genètics |
| | Els individus que s'escullen per passar a la següent generació, sempre s'escullen exclusivament a partir dels descendents de la generació anterior |
| | El mètode d'ordenació ens assegura que tots els cromosomes tenen una probabilitat no nul·la de passar a la següent genració que és proporcional al valor de la funció d'adaptació |
| | Els algorismes genètics són un mètode de resolució de problemes pels que l'espai de recerca és molt gran |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 4. En aprenentatge per arbre de decisió: |
| | La funció de desordre promig d'un test dóna 1 en el cas de que el test ens doni un conjunt d'exemples màximament barrejats |
| | 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 una hipòtesi h, existeix un hipòtesi h' tal que h té menor error que h' sobre el conjunt d'aprenentatge, però h' té un error menor sobre el conjunt de test |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. 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 negatiu, s'ha de comprovar que cada nou model general és una generalització d'algún model específic |
| | Si ens arriba un exemple negatiu, s'ha de comprovar que cada nou model general és generalització de tots els models específics |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 6. Quan volem aprendre una funció f numèrica a partir d'uns quants valors: |
| | Es poden utilitzar mètodes bassats en els veïns més propers i les seves variants |
| | El mètode dels k-veïns més propers ens assegura que podem trobar una h que aproximi f amb una precisió arbitràriament alta, independentment del nombre de'exemples que ens donin |
| | Podem utilitzar un mètode anomenat regressió localment ponderada (locally wieghted regression), que consisteix en crear un arbre de decisió a partir del conjunt de mostres inicial |
| | Totes les anteriors |
| | No contesto... |
| |
| | 7. En aprenentatge Bayesià |
| | La hipòtesi de Màxim a Posteriori és la que maximitza p(hipòtesi | dades) |
| | Si considerem l'aprenentatge amb arbres de decisió com un cas particular de l'aprenentatge Bayesià, suposem que tots els arbres consistents amb els exemples tenen la mateixa probabilitat a priori |
| | L'algorisme de Gibbs ens permet implementar l'algorisme del Classificador Ingenu de Bayes quan tenim molts exemples |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 8. L'algorisme K-means |
| | Utilitza l'algorisme del veí més proper com a forma de classificació després d'aprendre |
| | Estima quants prototipus necessitem per aproximar un conjunt d'exemples |
| | Sempre dona el mateix resultat, independentment de com s'inicialitza |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 9. Problema: Quin és el resultat del mètode de l'espai de versions pels exemples següents:
ATRIBUTS.......... VALOR
75 Barcelona dia.. +
71 Manresa dia.... +
80 Paris dia...... -
32 Manresa dia.... +
11 Paris dia...... -
64 Cannes nit..... -
22 Cannes dia..... -
26 Barcelona dia.. -
A més a més ens diuen que les generalitzacions possibles són:
- Substituir uan constant per ?
- Els nombres es poden agrupar en classes (senar, parell)
- Les ciutats es poden agrupar en classes: catalunya={barcelona, manresa}, frança={Cannes, Paris}
|
| | G={(senar,?,dia)}, S={(senar, catalunya, dia)} |
| | S={(senar, catalunya, nit)}, G={(senar, catalunya, ?)} |
| | S={(senar, Manresa, dia), (senar, Barcelona, dia)}, G={(senar, catalunya,?)} |
| | S={(senar, catalunya, dia)}, G={(senar, catalunya,?)} |
| | No contesto... |
| |