| | 1. # L'aprenentatge computacional: |
| | Diem que és inductiu si hi ha un mestre que ens proporciona parelles 'percepció-acció' |
| | El biaix d'un mètode ve donat per la representació escollida per la funció que representa 'el que s'apren' |
| | El clustering és un tipus d'aprenentatge conceptual |
| | Totes les anteriors |
| | No contesto... |
| |
| | 2. # Els arbres de decisió: |
| | Son un llenguatge proposicional |
| | Quan fem inducció amb l'agorisme ID3 sempre trobem l'arbre més petit que és consistent amb les dades |
| | No podem representar atributs numèrics continus, però si numèrics discrets |
| | Diem que han fet overfitting quan l'arbre resultant és bastant més gran que l'òptim |
| | No contesto... |
| |
| | 3. # 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'han d'eliminar models específics que són consistents amb l'exemple |
| | Si ens arriba un exemple negatiu, s'han d'eliminar models generals que són consistents amb l'exemple |
| | Totes les anteriors |
| | No contesto... |
| |
| | 4. # Aprenentatge per simulació de l'evolució: |
| | Els algorismes genètics podem ser vistos com un mètode de recerca que utilitza funcions heurístiques genèriques |
| | La codificació binària dels cromosomes és sempre millor que qualsevol altra |
| | El creuament entre cromosomes mai es pot utilitzar simultàniament a la mutació |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 5. En l'aprenentatge per recollida de casos o memorització: |
| | La normalització lineal dels valors dels atributs numèrics dels exemples consisteix en aplicar: ci=(ci - mini) / (maxi - mini) on ci és el valor de la característica i |
| | Aplicar el Principi de consistència, que diu que la millor solució és la més simple |
| | Fa servir Arbres de decisió per representar les solucions |
| | a) i c) |
| | No contesto... |
| |
| | 6. # Aprenentatge Bayesià: |
| | El classificador ingenu de Bayes assumeix que P(a1,a2,...,an)=P(a1)P(a2)...P(an)) |
| | Les solucions MAP maximitzen el valor de P(h) - probabilitat de les hipòtesis - |
| | El Principi de Descripció de Longitud Mínima ens diu que si escollim un esquema de codificació òptim per les hipòtesis i un esquema de codificació òptim per les dades donades la hipòtesi, llavors la hipòtesi de màxima versemblança és la que es pot expressar de forma més compacta (curta) |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 7. Aprenentatge i coneixement: |
| | L'aprenentatge basat en explicacions crea classes que cobreixen conjunts d'experiències, i té per objectiu fonamental l'augmentar el rendimient del sistema |
| | La Programació Lògica inductiva genera definicions del que aprenem que estan basades només en el càlcul proposicional |
| | La detecció de dependències funcionals en un conjunt de dades d'aprenentatge té una complexitat lineal respecte al nombre d'atributs dels exemples |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 8. Comunicació i Parla: |
| | Dins de les components de l'acte comunicatiu lingüístic, l'anàlisi es refereix a inferir quin significat concret volia transmetre l'emisor |
| | El model típic de processament de la parla (veu) aplica una quantització vectorial a les dades numèriques, reduint-les a una seqüència d'etiquetes simbòliques |
| | La coarticulació és deguda a les variants dialectals d'una llengua |
| | L'algorisme de Viterbi ens permet aprendre els paràmetres d'una xarxa de Markov oculta a partir d'exemples |
| | No contesto... |
| |
| | 9. Anàlisi del llenguatge: |
| | Els símbols no terminals no poden ser etiquetes dels arcs d'una xarxa de transició simple |
| | Una xarxa de transició simple pot analitzar qualsevol llenguatge generat per una gramàtica lliure de context |
| | El processament semàntic pot passar al nivell pragmàtic o contextual estructures sintàctiques encara ambigües |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 10. Visió: |
| | El nivell cognitiu d'anàlisi del moviment obté informació útil per al reconeixement dels objectes |
| | Els contorns d'una imatge són aquells punts on la segona derivada és zero en la direcció perpendicular al gradient |
| | L'efecte visual que es produeix quan veiem una textura i que anomenem escorç ens dona informació sobre la forma dels objectes i no sobre la seva distància |
| | Totes les anteriors |
| | No contesto... |
| |
| | 11. Robòtica: |
| | L'espai de configuracions d'un robot té el mateix nombre de dimensions que graus de llibertat té el robot |
| | L'espai de configuracions generalitzat és el conjunt de posicions d'un robot que no suposen cap col·lisió del robot amb un objecte del món |
| | El graf de visibilitat serviex per a buscar la trajectòria òptima entre dos punts quan el robot no disposa d'un mapa del terreny, i es coneix per navegació on-line |
| | Cap de lesa anteriors |
| | No contesto... |
| |
| | 12. 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... |
| |
| | 13. # En el mètode de l'espai de versions: |
| | Quan entra un exemple positiu, eliminem aquells models generals que no són consistents amb l'exemple |
| | Quan entra un exemple positiu, eliminem aquells models específics que són consistents amb l'exemple |
| | Quan entra un exemple positiu, eliminem aquells models generals que són consistents amb l'exemple |
| | Quan entra un exemple positiu, eliminem aquells models específics que no són consistents amb l'exemple |
| | No contesto... |
| |
| | 14. Categorització de texts: |
| | La generalitat d'una categoría respecte d'un corpus és el percentatge de documents del corpus que són d'aquella categoria |
| | El terme tfidf d'un terme és inversament proporcional al nombre de vegades que el terme apareix al document |
| | Si utilitzem indexació semàntica latent, les dimensions que utilitzem com a representació són un subconjunt seleccionat entre les de l'espai original |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 15. Xarxes de transició augmentades: |
| | Append(ADJS,*) representa afegir al final d'una llista un element més |
| | Append(ADJS,*) representa crear una estructura anomenada ADJS i afegir-la al final d'una llista |
| | Un arc POP crea una llista de tants elements com estructures s'han creat durant l'anàlisi en aquella xarxa |
| | a) i c) |
| | Cap de les anteriors |
| | No contesto... |
| |
| | 16. Problemes reforçament: |
| | La convergència de l'algorisme de Sarsa no depèn de la política aplicada sobre els valors Q |
| | La convergència de l'algorisme de Sarsa depèn de la política aplicada sobre els valors Q |
| | En el límit d'altes temperatures (t tendint a infinit>0) la selecció de l'acció a traves de Gibbs (softmax) passa a ser la mateixa que pel cas dels egreedy |
| | Q-learning amb el mètode de selecció de l'acció softmax, es el mateix que Sarsa |
| | No contesto... |
| |