Podcast
Questions and Answers
Deduktives versus induktives Schlussfolgern.
Deductive versus inductive reasoning.
Deduktives versus induktives Schlussfolgern.
Deductive versus inductive reasoning.
- Induktives Schlussfolgern kann nicht wahrheitserhaltend sein (neue Informationen können das bereits erlangte Wissen ungültig machen). Inductive reasoning can be none truth-preserving (new information can invalidate the knowledge already obtained). (correct)
- Beim deduktiven Schlussfolgern ist das generierte Wissen nicht neu (es ist im ursprünglichen Wissen implizit enthalten). In deductive reasoning, the generated knowledge is not new (it is implicit in the initial knowledge). (correct)
- Beim induktiven Schlussfolgern ist das gewonnene Wissen typischerweise neu. In inductive reasoning, the knowledge obtained is typically new. (correct)
- Beim deduktiven Schlussfolgern kann neues Wissen dem bereits erworbene Wissen widersprechen. In deductive reasoning, new knowledge can invalidate the knowledge already obtained.
Betrachten Sie die optimale Strategie für einen Markow-Entscheidungsprozess.
Consider the optimal policy for a Markov Decision Process.
Betrachten Sie die optimale Strategie für einen Markow-Entscheidungsprozess.
Consider the optimal policy for a Markov Decision Process.
- Im Fall eines unendlichen Horizonts ist die optimale Strategie stationär. In the infinite horizon case, the optimal policy is stationary. (correct)
- Im Fall eines endlichen Horizonts ist die optimale Strategie stationär. In the finite horizon case, the optimal policy is stationary.
- Im Fall eines endlichen Horizonts kann die optimale Strategie nichtstationär sein. In the finite horizon case, the optimal policy can be nonstationary. (correct)
- Im Fall eines unendlichen Horizonts ist die optimale Strategie nichtstationär. In the infinite horizon case, the optimal policy is nonstationary.
Betrachten Sie ein Übergangsmodell 𝑃 und nehmen Sie einen endlichen Zustandsraum an. Das Übergangsmodell ist markow, wenn für jede Aktion 𝑎 und Zustandsfolge 𝑠1,…,𝑠𝑛 (für jedes 𝑛) gilt, dass ∀𝑡≤𝑛:𝑃(𝑠𝑡|𝑎,𝑠𝑡−1,𝑠𝑡−2,…,𝑠1)=𝑃(𝑠𝑡|𝑎,𝑠𝑡−1).
Consider a transition model 𝑃 and assume a finite state space. The transition model is Markovian if for any action 𝑎 and sequence of states 𝑠1,…,𝑠𝑛 (for any 𝑛) it holds that ∀𝑡≤𝑛:𝑃(𝑠𝑡|𝑎,𝑠𝑡−1,𝑠𝑡−2,…,𝑠1)=𝑃(𝑠𝑡|𝑎,𝑠𝑡−1).
Betrachten Sie ein Übergangsmodell 𝑃 und nehmen Sie einen endlichen Zustandsraum an. Das Übergangsmodell ist markow, wenn für jede Aktion 𝑎 und Zustandsfolge 𝑠1,…,𝑠𝑛 (für jedes 𝑛) gilt, dass ∀𝑡≤𝑛:𝑃(𝑠𝑡|𝑎,𝑠𝑡−1,𝑠𝑡−2,…,𝑠1)=𝑃(𝑠𝑡|𝑎,𝑠𝑡−1).
Consider a transition model 𝑃 and assume a finite state space. The transition model is Markovian if for any action 𝑎 and sequence of states 𝑠1,…,𝑠𝑛 (for any 𝑛) it holds that ∀𝑡≤𝑛:𝑃(𝑠𝑡|𝑎,𝑠𝑡−1,𝑠𝑡−2,…,𝑠1)=𝑃(𝑠𝑡|𝑎,𝑠𝑡−1).
True (A)
Überanpassung tritt auf, wenn ein Modell nicht verallgemeinern kann und stattdessen zu sehr an den Trainingsdatensatz angepasst ist.
Overfitting occurs when a model cannot generalize and fits too closely to the training dataset instead.
Überanpassung tritt auf, wenn ein Modell nicht verallgemeinern kann und stattdessen zu sehr an den Trainingsdatensatz angepasst ist.
Overfitting occurs when a model cannot generalize and fits too closely to the training dataset instead.
Beim deduktiven Denken ist das generierte Wissen neu.
In deductive reasoning, the generated knowledge is new.
Beim deduktiven Denken ist das generierte Wissen neu.
In deductive reasoning, the generated knowledge is new.
Dimensionsreduktion und Clustering sind klassische Beispiele für unüberwachtes Lernen.
Dimensionality reduction and clustering are classic examples of unsupervised learning.
Dimensionsreduktion und Clustering sind klassische Beispiele für unüberwachtes Lernen.
Dimensionality reduction and clustering are classic examples of unsupervised learning.
Klassifizierung und Regression sind klassische Beispiele des unüberwachten Lernens.
Classification and regression are classic examples of unsupervised learning.
Klassifizierung und Regression sind klassische Beispiele des unüberwachten Lernens.
Classification and regression are classic examples of unsupervised learning.
Beim überwachten Lernen sind Beispiele normalerweise Tupel, die aus Attributen/Merkmalen und Labeln bestehen.
In supervised learning, examples are usually tuples consisting of attributes/features and labels.
Beim überwachten Lernen sind Beispiele normalerweise Tupel, die aus Attributen/Merkmalen und Labeln bestehen.
In supervised learning, examples are usually tuples consisting of attributes/features and labels.
Flashcards
Capital of France (example flashcard)
Capital of France (example flashcard)
Paris
